論文の概要: Simulation of Brain Resection for Cavity Segmentation Using
Self-Supervised and Semi-Supervised Learning
- arxiv url: http://arxiv.org/abs/2006.15693v1
- Date: Sun, 28 Jun 2020 20:03:39 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-16 03:00:55.984126
- Title: Simulation of Brain Resection for Cavity Segmentation Using
Self-Supervised and Semi-Supervised Learning
- Title(参考訳): 自己教師あり学習と半教師あり学習によるキャビティセグメンテーションの脳切除シミュレーション
- Authors: Fernando P\'erez-Garc\'ia (1 and 2), Roman Rodionov (3 and 4), Ali
Alim-Marvasti (1, 3 and 4), Rachel Sparks (2), John S. Duncan (3 and 4), and
S\'ebastien Ourselin (2) ((1) Wellcome EPSRC Centre for Interventional and
Surgical Sciences (WEISS), University College London, (2) School of
Biomedical Engineering and Imaging Sciences (BMEIS), King's College London,
(3) Department of Clinical and Experimental Epilepsy, UCL Queen Square
Institute of Neurology, (4) National Hospital for Neurology and Neurosurgery,
Queen Square, London, UK)
- Abstract要約: 畳み込みニューラルネットワーク(CNN)は最先端の画像セグメンテーション技術である。
CNNはトレーニングのために大量の注釈付きデータを必要とする。
自己教師付き学習は、ラベルのないデータからトレーニングインスタンスを生成するために使用することができる。
- 参考スコア(独自算出の注目度): 36.121815158077446
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Resective surgery may be curative for drug-resistant focal epilepsy, but only
40% to 70% of patients achieve seizure freedom after surgery. Retrospective
quantitative analysis could elucidate patterns in resected structures and
patient outcomes to improve resective surgery. However, the resection cavity
must first be segmented on the postoperative MR image. Convolutional neural
networks (CNNs) are the state-of-the-art image segmentation technique, but
require large amounts of annotated data for training. Annotation of medical
images is a time-consuming process requiring highly-trained raters, and often
suffering from high inter-rater variability. Self-supervised learning can be
used to generate training instances from unlabeled data. We developed an
algorithm to simulate resections on preoperative MR images. We curated a new
dataset, EPISURG, comprising 431 postoperative and 269 preoperative MR images
from 431 patients who underwent resective surgery. In addition to EPISURG, we
used three public datasets comprising 1813 preoperative MR images for training.
We trained a 3D CNN on artificially resected images created on the fly during
training, using images from 1) EPISURG, 2) public datasets and 3) both. To
evaluate trained models, we calculate Dice score (DSC) between model
segmentations and 200 manual annotations performed by three human raters. The
model trained on data with manual annotations obtained a median (interquartile
range) DSC of 65.3 (30.6). The DSC of our best-performing model, trained with
no manual annotations, is 81.7 (14.2). For comparison, inter-rater agreement
between human annotators was 84.0 (9.9). We demonstrate a training method for
CNNs using simulated resection cavities that can accurately segment real
resection cavities, without manual annotations.
- Abstract(参考訳): 切除手術は薬剤抵抗性局所てんかんの治療効果があるが、手術後に発作の自由を得る患者は40%から70%である。
振り返り定量的分析は,切除された構造と患者の術後のパターンを解明し,切除手術を改善する可能性がある。
しかし, 術後のmr画像では, まず切除腔を分割する必要がある。
畳み込みニューラルネットワーク(CNN)は最先端の画像セグメンテーション技術であるが、トレーニングには大量のアノテートデータを必要とする。
医用画像の注釈は、高度に訓練されたラッカーを必要とする時間を要するプロセスであり、しばしば高いラター間変動に悩まされる。
教師なし学習はラベルなしのデータからトレーニングインスタンスを生成するのに使うことができる。
術前MR画像の切除をシミュレートするアルゴリズムを開発した。
切除手術を施行した431例の術後MR像431例と術前MR像269例からなるEPISURGを新たに収集した。
EPISURGに加え、1813個の術前MR画像を含む3つの公開データセットを用いた。
訓練中に作成した人工解剖画像を用いて3次元cnnを訓練した。
1)エピサージ
2)公開データセット及び
3) 両方。
訓練されたモデルを評価するために,モデルセグメンテーションと,3人の人手による200の手動アノテーションのダイススコア(dsc)を算出した。
手動のアノテーションでデータに基づいてトレーニングされたモデルは65.3 (30.6)の中央値のDSCを得た。
マニュアルアノテーションなしでトレーニングされた最高のパフォーマンスモデルのDSCは81.7 (14.2)である。
比較すると、ヒトアノテーター間のラター間合意は84.0 (9.9)であった。
本報告では,実際の切除空洞を手動アノテーションなしで正確にセグメント化できる模擬切除空洞を用いたcnnの訓練方法を示す。
関連論文リスト
- Assessing the Performance of the DINOv2 Self-supervised Learning Vision Transformer Model for the Segmentation of the Left Atrium from MRI Images [1.2499537119440245]
DINOv2は、MRIを用いたLAセグメンテーションのための自然画像に基づいて訓練された自己教師型学習視覚変換器である。
我々は、Diceスコアが.871で、Jaccard Indexが.792で、エンドツーエンドの微調整が可能な、正確で一貫したセグメンテーションを提供する能力を示す。
これらの結果は、DINOv2がMRIに限られたデータで効果的に適応し、セグメンテーションの競争ツールとしての可能性を強調し、医療画像の幅広い利用を促進することを示唆している。
論文 参考訳(メタデータ) (2024-11-14T17:15:51Z) - Brain Tumor Classification on MRI in Light of Molecular Markers [61.77272414423481]
1p/19q遺伝子の同時欠失は、低グレードグリオーマの臨床成績と関連している。
本研究の目的は,MRIを用いた畳み込みニューラルネットワークを脳がん検出に活用することである。
論文 参考訳(メタデータ) (2024-09-29T07:04:26Z) - Intraoperative Registration by Cross-Modal Inverse Neural Rendering [61.687068931599846]
クロスモーダル逆ニューラルレンダリングによる神経外科手術における術中3D/2Dレジストレーションのための新しいアプローチを提案する。
本手法では,暗黙の神経表現を2つの構成要素に分離し,術前および術中における解剖学的構造について検討した。
臨床症例の振り返りデータを用いて本法の有効性を検証し,現在の登録基準を満たした状態での最先端の検査成績を示した。
論文 参考訳(メタデータ) (2024-09-18T13:40:59Z) - SurgicaL-CD: Generating Surgical Images via Unpaired Image Translation with Latent Consistency Diffusion Models [1.6189876649941652]
現実的な手術画像を生成するために, 連続拡散法であるemphSurgicaL-CDを導入する。
以上の結果から,本手法はGANや拡散に基づく手法よりも優れていることが示された。
論文 参考訳(メタデータ) (2024-08-19T09:19:25Z) - 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) - X-Ray to CT Rigid Registration Using Scene Coordinate Regression [1.1687067206676627]
本稿では,極端視点に頑健な完全自動登録手法を提案する。
これは、与えられたX線画像の重なり合う座標を回帰する完全な畳み込みニューラルネットワーク(CNN)に基づいている。
提案手法は, 模擬試験データセットの50パーセンタイルにおける平均平均目標登録誤差(mTRE)を3.79mmとし, ペルビス登録のための実フルオロスコープ画像の50パーセンタイルにおける平均目標登録誤差(mTRE)を9.65mmと予測した。
論文 参考訳(メタデータ) (2023-11-25T17:48:46Z) - 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) - A self-supervised learning strategy for postoperative brain cavity
segmentation simulating resections [46.414990784180546]
畳み込みニューラルネットワーク(CNN)は最先端の画像セグメンテーション技術である。
CNNはトレーニングに大量の注釈付きデータセットを必要とする。
自己教師型学習戦略は、トレーニングにラベルのないデータを活用することができる。
論文 参考訳(メタデータ) (2021-05-24T12:27:06Z) - Towards Unsupervised Learning for Instrument Segmentation in Robotic
Surgery with Cycle-Consistent Adversarial Networks [54.00217496410142]
本稿では、入力された内視鏡画像と対応するアノテーションとのマッピングを学習することを目的として、未ペア画像から画像への変換を提案する。
当社のアプローチでは,高価なアノテーションを取得することなく,イメージセグメンテーションモデルをトレーニングすることが可能です。
提案手法をEndovis 2017チャレンジデータセットで検証し,教師付きセグメンテーション手法と競合することを示す。
論文 参考訳(メタデータ) (2020-07-09T01:39:39Z)
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。