論文の概要: One Click Lesion RECIST Measurement and Segmentation on CT Scans
- arxiv url: http://arxiv.org/abs/2007.11087v1
- Date: Tue, 21 Jul 2020 20:53:43 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-08 05:32:50.795636
- Title: One Click Lesion RECIST Measurement and Segmentation on CT Scans
- Title（参考訳）: CTスキャンにおけるワンクリック病変ReCIST測定とセグメンテーション
- Authors: Youbao Tang, Ke Yan, Jing Xiao and Ranold M. Summers
- Abstract要約: 臨床試験では、放射線技師の日常的な仕事は、RECIST基準を用いて医療画像上の腫瘍の大きさを測定することである。
本稿ではセミオートマチックな病変テキストセグメンテーションとRECISTテキストEstimationのためのSEENetという統合フレームワークを提案する。
- 参考スコア（独自算出の注目度）: 16.93574675459732
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In clinical trials, one of the radiologists' routine work is to measure tumor
sizes on medical images using the RECIST criteria (Response Evaluation Criteria
In Solid Tumors). However, manual measurement is tedious and subject to
inter-observer variability. We propose a unified framework named SEENet for
semi-automatic lesion \textit{SE}gmentation and RECIST \textit{E}stimation on a
variety of lesions over the entire human body. The user is only required to
provide simple guidance by clicking once near the lesion. SEENet consists of
two main parts. The first one extracts the lesion of interest with the
one-click guidance, roughly segments the lesion, and estimates its RECIST
measurement. Based on the results of the first network, the second one refines
the lesion segmentation and RECIST estimation. SEENet achieves state-of-the-art
performance in lesion segmentation and RECIST estimation on the large-scale
public DeepLesion dataset. It offers a practical tool for radiologists to
generate reliable lesion measurements (i.e. segmentation mask and RECIST) with
minimal human effort and greatly reduced time.
- Abstract（参考訳）: 臨床試験では、放射線技師の日常的な仕事は、RECIST基準(Response Evaluation Criteria In Solid tumors)を用いて医療画像上の腫瘍の大きさを測定することである。
しかし、手動測定は面倒で、サーバ間のばらつきがある。
半自動病変 \textit{se}gmentationとrecist \textit{e}stimationのためのseenetという統一フレームワークを提案する。
ユーザーは病変の近くで一度クリックするだけで簡単なガイダンスを提供する必要がある。
SEENetは2つの主要な部分から構成される。
最初の1つはワンクリック誘導で興味ある病変を抽出し、大まかに病変を分断し、RECISTの測定を推定する。
第1のネットワークの結果に基づいて、第2のネットワークは病変のセグメンテーションとRECIST推定を洗練する。
SEENetは、大規模公開DeepLesionデータセット上で、病変セグメンテーションおよびRECIST推定における最先端のパフォーマンスを達成する。
放射線技師は、最小限の人的労力で信頼性の高い病変測定(セグメンテーションマスクとRECIST)を生成できる実用的なツールを提供する。
関連論文リスト
- K-Space-Aware Cross-Modality Score for Synthesized Neuroimage Quality
Assessment [71.27193056354741]
クロスモダリティな医用画像合成をどう評価するかという問題は、ほとんど解明されていない。
本稿では,この課題の進展を促すため,新しい指標K-CROSSを提案する。
K-CROSSは、トレーニング済みのマルチモードセグメンテーションネットワークを使用して、病変の位置を予測する。
論文 参考訳（メタデータ） (2023-07-10T01:26:48Z) - 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) - 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) - MAPPING: Model Average with Post-processing for Stroke Lesion
Segmentation [57.336056469276585]
我々は nnU-Net フレームワークに基づく脳卒中病変のセグメンテーションモデルを提案し, ストローク後の解剖学的トレースに応用する。
本手法は,2022年のMICCAI ATLAS Challengeにおいて,平均Diceスコアが0.6667,Lesion-wise F1スコアが0.5643,Simple Lesion Countスコアが4.5367,Volume differenceスコアが8804.9102であった。
論文 参考訳（メタデータ） (2022-11-11T14:17:04Z) - MS Lesion Segmentation: Revisiting Weighting Mechanisms for Federated
Learning [92.91544082745196]
フェデレートラーニング(FL)は医用画像解析に広く用いられている。
FLのパフォーマンスは、多発性硬化症(MS)病変セグメンテーションタスクに制限される。
2つの効果的な再重み付け機構によるFLMS病変分割フレームワークを提案する。
論文 参考訳（メタデータ） (2022-05-03T14:06:03Z) - SpineOne: A One-Stage Detection Framework for Degenerative Discs and
Vertebrae [54.751251046196494]
SpineOneと呼ばれる一段階検出フレームワークを提案し、MRIスライスから変性椎骨と椎骨を同時に局在化・分類する。
1)キーポイントの局所化と分類を促進するためのキーポイント・ヒートマップの新しい設計、2)ディスクと脊椎の表現をよりよく区別するためのアテンション・モジュールの使用、3)後期訓練段階における複数の学習目標を関連付けるための新しい勾配誘導客観的アソシエーション機構。
論文 参考訳（メタデータ） (2021-10-28T12:59:06Z) - RECIST-Net: Lesion detection via grouping keypoints on RECIST-based
annotation [37.006151248641125]
病変検出のための新しいアプローチであるRECIST-Netを提案し,RECIST径の4つの極点と中心点を検出する。
実験により、RECIST-Netはイメージ毎に4つの偽陽性で92.49%の感度を達成することが示された。
論文 参考訳（メタデータ） (2021-07-19T09:41:13Z) - Lesion Segmentation and RECIST Diameter Prediction via Click-driven
Attention and Dual-path Connection [16.80758525711538]
病変の大きさを測定することは、腫瘍の成長を評価し、疾患の進行と治療反応を監視する上で重要なステップである。
全身に共通する病変を分断するためのPDNet(preside-guided dual-path network)を提案する。
PDNetは、タスクの総合的かつ代表的な深部画像機能を学び、より正確な結果を生成する。
論文 参考訳（メタデータ） (2021-05-05T02:00:14Z) - Multiple Sclerosis Lesion Activity Segmentation with Attention-Guided
Two-Path CNNs [49.32653090178743]
畳み込みニューラルネットワーク(CNN)は2つの時点から病変活動のセグメンテーションについて研究されている。
CNNは、異なる方法で2つのポイントからの情報を組み合わせて設計され、評価される。
深層学習に基づく手法が古典的アプローチより優れていることが実証された。
論文 参考訳（メタデータ） (2020-08-05T08:49:20Z) - Weakly Supervised Lesion Co-segmentation on CT Scans [18.58056402884405]
本稿では、まずRECISTスライスから擬似マスクを生成する弱教師付きコセグメンテーションモデルを提案する。
次に、これらを注意に基づく畳み込みニューラルネットワークのトレーニングラベルとして使用し、一対のCTスキャンから共通の病変を分割する。
論文 参考訳（メタデータ） (2020-01-24T19:39:33Z) - Weakly-Supervised Lesion Segmentation on CT Scans using Co-Segmentation [18.58056402884405]
CTスキャンにおける病変分割は,病変・腫瘍の進展を正確に観察するための重要なステップである。
現在の慣行は、固形腫瘍の反応評価基準と呼ばれる不正確な代用に依存している。
本稿では,畳み込みニューラルネットワークを用いた弱教師付き病変分割法を提案する。
論文 参考訳（メタデータ） (2020-01-23T15:15:53Z)
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。