論文の概要: A comparative study of 2D image segmentation algorithms for traumatic
brain lesions using CT data from the ProTECTIII multicenter clinical trial
- arxiv url: http://arxiv.org/abs/2006.01263v1
- Date: Mon, 1 Jun 2020 21:00:20 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-26 06:59:29.108380
- Title: A comparative study of 2D image segmentation algorithms for traumatic
brain lesions using CT data from the ProTECTIII multicenter clinical trial
- Title（参考訳）: ProTECTIII多施設臨床試験のCTデータを用いた外傷性脳病変に対する2次元画像分割アルゴリズムの比較検討
- Authors: Shruti Jadon, Owen P. Leary, Ian Pan, Tyler J. Harder, David W.
Wright, Lisa H. Merck, Derek L. Merck
- Abstract要約: 外傷性脳損傷(TBI)後に発見された出血性病変の表現型について検討した。
内皮内出血(IPH)、硬膜下血腫(SDH)、硬膜外血腫(EDH)、外傷性腸重積などがある。
Focal Tversky Loss Functionを用いたUNet++ 2D Architectureを用いて,最適Dice Coefficient1スコア0.94を達成することができた。
また, 軸外出血例と外傷例のDice Coefficientスコア0.90と0.86をそれぞれ達成できた。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Automated segmentation of medical imaging is of broad interest to clinicians
and machine learning researchers alike. The goal of segmentation is to increase
efficiency and simplicity of visualization and quantification of regions of
interest within a medical image. Image segmentation is a difficult task because
of multiparametric heterogeneity within the images, an obstacle that has proven
especially challenging in efforts to automate the segmentation of brain lesions
from non-contrast head computed tomography (CT). In this research, we have
experimented with multiple available deep learning architectures to segment
different phenotypes of hemorrhagic lesions found after moderate to severe
traumatic brain injury (TBI). These include: intraparenchymal hemorrhage (IPH),
subdural hematoma (SDH), epidural hematoma (EDH), and traumatic contusions. We
were able to achieve an optimal Dice Coefficient1 score of 0.94 using UNet++ 2D
Architecture with Focal Tversky Loss Function, an increase from 0.85 using UNet
2D with Binary Cross-Entropy Loss Function in intraparenchymal hemorrhage (IPH)
cases. Furthermore, using the same setting, we were able to achieve the Dice
Coefficient score of 0.90 and 0.86 in cases of Extra-Axial bleeds and Traumatic
contusions, respectively.
- Abstract（参考訳）: 医療画像の自動分割は、臨床医や機械学習研究者にも広く関心がある。
セグメンテーションの目的は、医療画像内の関心領域の可視化と定量化の効率と簡易性を高めることである。
非造影頭CT(non-contrast head Computed tomography)から脳病変の分画を自動化する試みにおいて特に困難であることが証明された、画像内の多パラメータ不均一性のため、画像分割は難しい課題である。
本研究では,中等度から重度の外傷性脳損傷(tbi)後に発見された出血性病変の異なる表現型を分割するために,複数のディープラーニングアーキテクチャを実験した。
内皮内出血(IPH)、硬膜下血腫(SDH)、硬膜外血腫(EDH)、外傷性腸重積などがある。
UNet++ 2D Architecture with Focal Tversky Loss Functionを用いたDice Coefficient1の最適スコア0.94を達成でき、心室中出血症例ではUNet 2D with Binary Cross-Entropy Loss Function (IPH) を用いて0.85から上昇した。
また,同じ設定で,軸外出血例と外傷性重傷の場合,それぞれ0.90,0.86のdice係数スコアを得ることができた。
関連論文リスト
- TotalSegmentator MRI: Sequence-Independent Segmentation of 59 Anatomical Structures in MR images [62.53931644063323]
本研究では,TotalSegmentatorをMR画像に拡張した。
このデータセットに基づいてnnU-Netセグメンテーションアルゴリズムを訓練し、類似度係数(Dice)を計算し、モデルの性能を評価した。
このモデルは、他の2つの公開セグメンテーションモデル(Dice score 0.824 vs 0.762; p0.001 and 0.762 versus 0.542; p)を大きく上回った。
論文 参考訳（メタデータ） (2024-05-29T20:15:54Z) - Dual-scale Enhanced and Cross-generative Consistency Learning for Semi-supervised Medical Image Segmentation [49.57907601086494]
医用画像のセグメンテーションはコンピュータ支援診断において重要な役割を担っている。
半教師型医用画像(DEC-Seg)のための新しいDual-scale Enhanced and Cross-generative consistency learning frameworkを提案する。
論文 参考訳（メタデータ） (2023-12-26T12:56:31Z) - Deep Learning for Vascular Segmentation and Applications in Phase
Contrast Tomography Imaging [33.23991248643144]
本稿では,多様な臓器にまたがる機械学習技術の現状を概説する。
我々のゴールは、このトピックの基礎を提供し、新しい画像モダリティで血管セグメンテーションに適用するための堅牢なベースラインモデルを特定することである。
HiP CTは、1ボクセルあたり20mmという前例のない解像度で、完全な臓器の3Dイメージングを可能にする。
論文 参考訳（メタデータ） (2023-11-22T11:15:38Z) - Concurrent ischemic lesion age estimation and segmentation of CT brain
using a Transformer-based network [8.80381582892208]
本稿では,脳虚血病変の同時分節と年齢推定に最適化された,エンドツーエンドのマルチタスク・トランスフォーマー・ネットワークを提案する。
従来手法の0.858と比較すると, 病変年齢を4.5時間に分類するための曲線(AUC)が0.933未満の領域で, 有望な性能が得られる。
論文 参考訳（メタデータ） (2023-06-21T13:00:49Z) - Meta-Analysis of Transfer Learning for Segmentation of Brain Lesions [0.0]
3次元磁気共鳴(MR)画像からの脳卒中病変の手動分割は、現在の金標準である。
転写学習(TL)と混合データアプローチを用いて訓練した8種類の2次元モデルアーキテクチャを用いて,脳卒中病変の完全自動セグメンテーション手法の実装と試験を行った。
クロスバリデーションの結果,新しい手法は,地中真実と比較して高速かつ高精度に病変を分割できることがわかった。
論文 参考訳（メタデータ） (2023-06-20T17:42:30Z) - Tissue Classification During Needle Insertion Using Self-Supervised
Contrastive Learning and Optical Coherence Tomography [53.38589633687604]
針先端で取得した複雑なCT信号の位相および強度データから組織を分類するディープニューラルネットワークを提案する。
トレーニングセットの10%で、提案した事前学習戦略により、モデルが0.84のF1スコアを達成するのに対して、モデルが0.60のF1スコアを得るのに対して、モデルが0.84のF1スコアを得るのに役立ちます。
論文 参考訳（メタデータ） (2023-04-26T14:11:04Z) - Acute ischemic stroke lesion segmentation in non-contrast CT images
using 3D convolutional neural networks [0.0]
非コントラストCT脳画像における急性虚血性脳梗塞の容積分画を目的とした自動アルゴリズムを提案する。
我々のディープラーニングアプローチは、人気のある3D U-Net畳み込みニューラルネットワークアーキテクチャに基づいている。
論文 参考訳（メタデータ） (2023-01-17T10:39:39Z) - Reliable Joint Segmentation of Retinal Edema Lesions in OCT Images [55.83984261827332]
本稿では,信頼性の高いマルチスケールウェーブレットエンハンストランスネットワークを提案する。
本研究では,ウェーブレット型特徴抽出器ネットワークとマルチスケール変圧器モジュールを統合したセグメンテーションバックボーンを開発した。
提案手法は,他の最先端セグメンテーション手法と比較して信頼性の高いセグメンテーション精度を実現する。
論文 参考訳（メタデータ） (2022-12-01T07:32:56Z) - A Novel Mask R-CNN Model to Segment Heterogeneous Brain Tumors through
Image Subtraction [0.0]
画像セグメンテーション(画像セグメンテーション)と呼ばれる放射線学者による手法を用いて機械学習モデルに適用し,より優れたセグメンテーションを証明した。
Mask R-CNNは、RSNA肺炎検出チャレンジデータセットで事前トレーニングされたResNetバックボーンであり、Brats 2020 Brain tumorデータセットでモデルをトレーニングすることができる。
DICE係数(F1スコア)、リコール、未タッチテストセットの精度による画像サブトラクションを伴わないモデルと比較することにより、画像サブトラクションの手法がいかにうまく機能するかを確認できる。
論文 参考訳（メタデータ） (2022-04-04T01:45:11Z) - Incremental Cross-view Mutual Distillation for Self-supervised Medical
CT Synthesis [88.39466012709205]
本稿では,スライス間の分解能を高めるために,新しい医療スライスを構築した。
臨床実践において, 根本・中間医療スライスは常に欠落していることを考慮し, 相互蒸留の段階的相互蒸留戦略を導入する。
提案手法は,最先端のアルゴリズムよりも明確なマージンで優れる。
論文 参考訳（メタデータ） (2021-12-20T03:38:37Z) - Co-Heterogeneous and Adaptive Segmentation from Multi-Source and
Multi-Phase CT Imaging Data: A Study on Pathological Liver and Lesion
Segmentation [48.504790189796836]
我々は,新しいセグメンテーション戦略,コヘテロジネティック・アダプティブセグメンテーション(CHASe)を提案する。
本稿では,外見に基づく半スーパービジョン,マスクに基づく対向ドメイン適応,擬似ラベルを融合した多目的フレームワークを提案する。
CHASeは4.2% sim 9.4%$の範囲で、病理的な肝臓マスクDice-Sorensen係数をさらに改善することができる。
論文 参考訳（メタデータ） (2020-05-27T06:58:39Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。