論文の概要: Multimodal Spatial Attention Module for Targeting Multimodal PET-CT Lung Tumor Segmentation

• arxiv url: http://arxiv.org/abs/2007.14728v2
• Date: Thu, 6 Aug 2020 04:50:27 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-05 20:10:20.249380
• Title: Multimodal Spatial Attention Module for Targeting Multimodal PET-CT Lung Tumor Segmentation
• Title（参考訳）: 多モーダルPET-CT肺腫瘍切除のための多モーダル空間注意モジュール
• Authors: Xiaohang Fu, Lei Bi, Ashnil Kumar, Michael Fulham and Jinman Kim
• Abstract要約: マルチモーダル空間アテンションモジュール(MSAM)は腫瘍に関連する領域を強調することを学ぶ。 MSAMは一般的なバックボーンアーキテクチャやトレーニングされたエンドツーエンドに適用できる。
• 参考スコア（独自算出の注目度）: 11.622615048002567
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multimodal positron emission tomography-computed tomography (PET-CT) is used routinely in the assessment of cancer. PET-CT combines the high sensitivity for tumor detection with PET and anatomical information from CT. Tumor segmentation is a critical element of PET-CT but at present, there is not an accurate automated segmentation method. Segmentation tends to be done manually by different imaging experts and it is labor-intensive and prone to errors and inconsistency. Previous automated segmentation methods largely focused on fusing information that is extracted separately from the PET and CT modalities, with the underlying assumption that each modality contains complementary information. However, these methods do not fully exploit the high PET tumor sensitivity that can guide the segmentation. We introduce a multimodal spatial attention module (MSAM) that automatically learns to emphasize regions (spatial areas) related to tumors and suppress normal regions with physiologic high-uptake. The resulting spatial attention maps are subsequently employed to target a convolutional neural network (CNN) for segmentation of areas with higher tumor likelihood. Our MSAM can be applied to common backbone architectures and trained end-to-end. Our experimental results on two clinical PET-CT datasets of non-small cell lung cancer (NSCLC) and soft tissue sarcoma (STS) validate the effectiveness of the MSAM in these different cancer types. We show that our MSAM, with a conventional U-Net backbone, surpasses the state-of-the-art lung tumor segmentation approach by a margin of 7.6% in Dice similarity coefficient (DSC).
• Abstract（参考訳）: がんの評価にはpet-ct(multimodal positron emission tomography-computed tomography)が用いられる。 PET-CTは、腫瘍検出のための高感度とPETとCTの解剖学的情報を組み合わせる。 腫瘍分節はPET-CTの重要な要素であるが,現在,正確な自動分節法は存在しない。 セグメンテーションは、異なる画像の専門家が手動で行う傾向があり、労働集約的であり、エラーや不整合が生じやすい。 従来の自動セグメンテーション手法は主にPETとCTのモダリティから分離して抽出される情報の融合に重点を置いており、各モダリティには相補的な情報が含まれるという前提がある。 しかしこれらの方法は, セグメンテーションを誘導する高いPET腫瘍感受性を十分に利用していない。 腫瘍に関連する領域(空間領域)を自動学習し,生理的高い取り込みで正常領域を抑えるマルチモーダル空間注意モジュール(MSAM)を導入する。 結果として得られた空間的注意マップは、腫瘍の可能性の高い領域のセグメンテーションのために畳み込みニューラルネットワーク(cnn)をターゲットにする。 私たちのMSAMは、共通のバックボーンアーキテクチャやトレーニングされたエンドツーエンドに適用できます。 非小細胞肺癌 (NSCLC) と軟部組織肉腫 (STS) の2種類のPET-CTデータセットによる実験結果から, MSAM の有用性が示唆された。 我々は,従来のU-Netバックボーンを用いたMSAMが,Dice類似度係数(DSC)の7.6%の差で,最先端の肺腫瘍セグメンテーションアプローチを上回ることを示した。

関連論文リスト

• A cascaded deep network for automated tumor detection and segmentation in clinical PET imaging of diffuse large B-cell lymphoma [0.41579653852022364]
  PET画像からのDLBCL腫瘍の自動検出と分画のための高速で効率的な3段階の深層学習モデルの開発と検証を行った。 本モデルは,全身PET画像における腫瘍の分節化において,単一のエンドツーエンドネットワークよりも有効である。
  論文  参考訳（メタデータ） (2024-03-11T18:36:55Z)
• Mask-Enhanced Segment Anything Model for Tumor Lesion Semantic Segmentation [48.107348956719775]
  Mask-Enhanced SAM (M-SAM) は, 腫瘍の3次元セグメント化に適した革新的なアーキテクチャである。 本稿では,M-SAM内におけるMask-Enhanced Adapter (MEA) を提案する。 我々のM-SAMは高いセグメンテーション精度を達成し、またロバストな一般化を示す。
  論文  参考訳（メタデータ） (2024-03-09T13:37:02Z)
• A Localization-to-Segmentation Framework for Automatic Tumor Segmentation in Whole-Body PET/CT Images [8.0523823243864]
  本稿では,腫瘍の正確な分節化のための局在化・分節化フレームワーク(L2SNet)を提案する。 L2SNetは、まず、病変の局所化段階における可能性のある病変を局在させ、次いで、病変の分節フェーズにおけるセグメント化結果を形成するために位置手がかりを使用する。 全身FDG-PET/CTチャレンジデータセットにおけるMII自動病変を用いた実験により,本手法が競争力のある結果を示した。
  論文  参考訳（メタデータ） (2023-09-11T13:39:15Z)
• Contrastive Diffusion Model with Auxiliary Guidance for Coarse-to-Fine PET Reconstruction [62.29541106695824]
  本稿では, 粗い予測モジュール (CPM) と反復的修正モジュール (IRM) から構成される粗大なPET再構成フレームワークを提案する。 計算オーバーヘッドの大部分をCPMに委譲することで,本手法のサンプリング速度を大幅に向上させることができる。 2つの追加戦略、すなわち補助的な誘導戦略と対照的な拡散戦略が提案され、再構築プロセスに統合される。
  論文  参考訳（メタデータ） (2023-08-20T04:10:36Z)
• ISA-Net: Improved spatial attention network for PET-CT tumor segmentation [22.48294544919023]
  多モードポジトロン放射トモグラフィー(PET-CT)に基づく深層学習セグメンテーション法を提案する。 腫瘍検出におけるPETやCTの精度を高めるために,改良された空間注意ネットワーク(ISA-Net)を設計した。 今回提案したISA-Net法を,軟部組織肉腫 (STS) と頭頸部腫瘍 (HECKTOR) の2つの臨床データセットで検証した。
  論文  参考訳（メタデータ） (2022-11-04T04:15:13Z)
• Automatic Tumor Segmentation via False Positive Reduction Network for Whole-Body Multi-Modal PET/CT Images [12.885308856495353]
  PET/CT画像評価では,腫瘍の自動切除が重要なステップである。 既存の方法は腫瘍領域を過剰に分離し、正常な高臓器、炎症、その他の感染症などの領域を含む傾向がある。 この制限を克服するために、偽陽性削減ネットワークを導入します。
  論文  参考訳（メタデータ） (2022-09-16T04:01:14Z)
• EMT-NET: Efficient multitask network for computer-aided diagnosis of breast cancer [58.720142291102135]
  乳腺腫瘍の分類と分別を同時に行うための,効率的で軽量な学習アーキテクチャを提案する。 腫瘍分類ネットワークにセグメンテーションタスクを組み込むことにより,腫瘍領域に着目したバックボーンネットワークで表現を学習する。 腫瘍分類の精度、感度、特異性はそれぞれ88.6%、94.1%、85.3%である。
  論文  参考訳（メタデータ） (2022-01-13T05:24:40Z)
• Multi-Scale Input Strategies for Medulloblastoma Tumor Classification using Deep Transfer Learning [59.30734371401316]
  乳腺芽腫は小児で最も多い悪性脳腫瘍である。 CNNはMBサブタイプ分類に有望な結果を示した。 タイルサイズと入力戦略の影響について検討した。
  論文  参考訳（メタデータ） (2021-09-14T09:42:37Z)
• Deep PET/CT fusion with Dempster-Shafer theory for lymphoma segmentation [17.623576885481747]
  PET/CTボリュームからのリンパ腫の検出とセグメンテーションは外科的適応と放射線治療に不可欠である。 PET/CT融合層を有するUNetを用いた悪性リンパ腫のセグメンテーションモデルを提案する。 Diceスコア0.726で正確なセグメンテーション結果を得る。
  論文  参考訳（メタデータ） (2021-08-11T19:24:40Z)
• A Global Benchmark of Algorithms for Segmenting Late Gadolinium-Enhanced Cardiac Magnetic Resonance Imaging [90.29017019187282]
  現在世界最大の心臓LGE-MRIデータセットである154個の3D LGE-MRIを用いた「2018 left Atrium Challenge」。 技術および生物学的指標を用いた提案アルゴリズムの解析を行った。 その結果, 最上部法は93.2%, 平均表面は0.7mmであった。
  論文  参考訳（メタデータ） (2020-04-26T08:49:17Z)
• Stan: Small tumor-aware network for breast ultrasound image segmentation [68.8204255655161]
  本研究では,小腫瘍認識ネットワーク(Small tumor-Aware Network,STAN)と呼ばれる新しいディープラーニングアーキテクチャを提案する。 提案手法は, 乳腺腫瘍の分節化における最先端のアプローチよりも優れていた。
  論文  参考訳（メタデータ） (2020-02-03T22:25:01Z)

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。