論文の概要: Lymph Node Gross Tumor Volume Detection and Segmentation via Distance-based Gating using 3D CT/PET Imaging in Radiotherapy

• arxiv url: http://arxiv.org/abs/2008.11870v1
• Date: Thu, 27 Aug 2020 00:37:50 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-24 08:20:07.153356
• Title: Lymph Node Gross Tumor Volume Detection and Segmentation via Distance-based Gating using 3D CT/PET Imaging in Radiotherapy
• Title（参考訳）: 放射線治療における3D CT/PET画像によるリンパ節グロース腫瘍体積の検出と遠隔ゲーティング
• Authors: Zhuotun Zhu, Dakai Jin, Ke Yan, Tsung-Ying Ho, Xianghua Ye, Dazhou Guo, Chun-Hung Chao, Jing Xiao, Alan Yuille, and Le Lu
• Abstract要約: 本研究では,放射線腫瘍学者による高レベル推論プロトコルをシミュレーションし,単純化するための効果的な距離ベースゲーティング手法を提案する。 1つのGTVLNカテゴリの特徴を学習する各ブランチで、新しいマルチブランチ検出・セグメンテーションネットワークを訓練する。 以上の結果から,従来の最先端技術と比較して,平均リコール率を72.5%から78.2%に改善した。
• 参考スコア（独自算出の注目度）: 18.958512013804462
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Finding, identifying and segmenting suspicious cancer metastasized lymph nodes from 3D multi-modality imaging is a clinical task of paramount importance. In radiotherapy, they are referred to as Lymph Node Gross Tumor Volume (GTVLN). Determining and delineating the spread of GTVLN is essential in defining the corresponding resection and irradiating regions for the downstream workflows of surgical resection and radiotherapy of various cancers. In this work, we propose an effective distance-based gating approach to simulate and simplify the high-level reasoning protocols conducted by radiation oncologists, in a divide-and-conquer manner. GTVLN is divided into two subgroups of tumor-proximal and tumor-distal, respectively, by means of binary or soft distance gating. This is motivated by the observation that each category can have distinct though overlapping distributions of appearance, size and other LN characteristics. A novel multi-branch detection-by-segmentation network is trained with each branch specializing on learning one GTVLN category features, and outputs from multi-branch are fused in inference. The proposed method is evaluated on an in-house dataset of $141$ esophageal cancer patients with both PET and CT imaging modalities. Our results validate significant improvements on the mean recall from $72.5\%$ to $78.2\%$, as compared to previous state-of-the-art work. The highest achieved GTVLN recall of $82.5\%$ at $20\%$ precision is clinically relevant and valuable since human observers tend to have low sensitivity (around $80\%$ for the most experienced radiation oncologists, as reported by literature).
• Abstract（参考訳）: 3次元マルチモダリティイメージングによる不審ながん転移リンパ節の検索,同定,分節化は,重要な臨床的課題である。 放射線療法ではLymph Node Gross tumor Volume (GTVLN)と呼ばれる。 GTVLNの拡散を決定・明らかにすることは,外科的切除および放射線治療の下流ワークフローにおける対応する切除領域と照射領域を定義する上で重要である。 本研究では,放射線腫瘍学者による高レベル推論プロトコルのシミュレーションと簡易化を目的とした,効果的な距離ベースゲーティング手法を提案する。 gtvlnは、それぞれ2成分またはソフト距離ゲーティングによって、腫瘍近位と腫瘍異型の2つのサブグループに分けられる。 これは、各カテゴリが、外観、大きさ、その他のLN特性の重なり合う分布を持つことができるという観察によって動機づけられた。 1つのGTVLNカテゴリの特徴を学習する各ブランチで、新しいマルチブランチ検出分割ネットワークを訓練し、マルチブランチからの出力を推論で融合する。 本手法は,PET像とCT像を併用した141ドルの食道癌患者の社内データセットを用いて評価した。 以上の結果から,従来の最先端技術と比較して,平均リコール率を72.5\%から78.2\%に改善した。 最も達成されたGTVLNリコールは82.5\%=20\%=20\%=臨床的に関連があり、ヒトの観察者は感度が低い(文献で報告されているように、最も経験豊富な放射線腫瘍学者にとっては80\%程度)。

関連論文リスト

• Segmentation of Mediastinal Lymph Nodes in CT with Anatomical Priors [2.087440644034646]
  胸部リンパ節(LNs)は肺がんや肺炎などの諸疾患により増大する傾向にある。 我々は28の異なる構造の解剖学的先行を生かして縦隔にLNを分節することを提案する。 NIH CT Lymph Nodeデータセットで利用可能な89人の患者のCTボリュームを使用して、3D nnUNetモデルをトレーニングし、LNをセグメンテーションした。
  論文  参考訳（メタデータ） (2024-01-11T21:59:42Z)
• Moving from 2D to 3D: volumetric medical image classification for rectal cancer staging [62.346649719614]
  術前T2期とT3期を区別することは直腸癌治療における最も困難かつ臨床的に重要な課題である。 直腸MRIでT3期直腸癌からT2を正確に判別するための体積畳み込みニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2022-09-13T07:10:14Z)
• Parotid Gland MRI Segmentation Based on Swin-Unet and Multimodal Images [7.934520786027202]
  耳下腺腫瘍は頭頸部腫瘍の約2%から10%を占める。 ディープラーニングの手法は急速に発展しており、特にTransformerはコンピュータビジョンにおける従来の畳み込みニューラルネットワークに勝っている。 テストセットのモデルのDSCは88.63%、MPAは99.31%、MIoUは83.99%、HDは3.04であった。
  論文  参考訳（メタデータ） (2022-06-07T14:20:53Z)
• Federated Learning Enables Big Data for Rare Cancer Boundary Detection [98.5549882883963]
  6大陸にわたる71の医療機関のデータを含む,これまでで最大のフェデレーテッドML研究の結果を報告する。 グリオ芽腫の稀な疾患に対する腫瘍境界自動検出装置を作製した。 当科では, 外科的に標的とした腫瘍の悪性度を高めるために, 33%の改善率を示し, 腫瘍全体に対する23%の改善率を示した。
  論文  参考訳（メタデータ） (2022-04-22T17:27:00Z)
• 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)
• Controlling False Positive/Negative Rates for Deep-Learning-Based Prostate Cancer Detection on Multiparametric MR images [58.85481248101611]
  そこで本研究では,病変からスライスまでのマッピング機能に基づく,病変レベルのコスト感受性損失と付加的なスライスレベルの損失を組み込んだ新しいPCa検出ネットワークを提案する。 1) 病変レベルFNRを0.19から0.10に, 病変レベルFPRを1.03から0.66に減らした。
  論文  参考訳（メタデータ） (2021-06-04T09:51:27Z)
• Esophageal Tumor Segmentation in CT Images using Dilated Dense Attention Unet (DDAUnet) [3.0929226049096217]
  畳み込みニューラルネットワーク(CNN)を用いた食道癌全自動切除法を提案する。 提案するネットワークはDilated Dense Attention Unet (DDAUnet) と呼ばれ、各密ブロックにおける空間的およびチャネル的注意力を活用して、決定的特徴写像と領域に選択的に集中する。
  論文  参考訳（メタデータ） (2020-12-06T11:42:52Z)
• M3Lung-Sys: A Deep Learning System for Multi-Class Lung Pneumonia Screening from CT Imaging [85.00066186644466]
  マルチタスク型マルチスライス深層学習システム(M3Lung-Sys)を提案する。 COVID-19とHealthy, H1N1, CAPとの鑑別に加えて, M3 Lung-Sysも関連病変の部位を特定できる。
  論文  参考訳（メタデータ） (2020-10-07T06:22:24Z)
• Lymph Node Gross Tumor Volume Detection in Oncology Imaging via Relationship Learning Using Graph Neural Network [37.88742249495087]
  我々は,真のGTV$_LN$を検出するために,LN外見とLN間関係学習フレームワークを提案する。 提案手法は,最新技術(SOTA)LN分類法をF1スコアで5.5%,13.1%で大幅に改善する。
  論文  参考訳（メタデータ） (2020-08-29T16:59:23Z)
• Detecting Scatteredly-Distributed, Small, andCritically Important Objects in 3D OncologyImaging via Decision Stratification [23.075722503902714]
  本研究は腫瘍学的に重要なリンパ節(または不審な癌転移)の検出と分節に焦点を当てた。 我々はOSLNを腫瘍近位・腫瘍遠位分類に分割する分断型決定階層化手法を提案する。 局所的な3D画像パッチから得られた特徴と高次病変特性を組み合わせた新しいグローバルローカルネットワーク(GLNet)を提案する。
  論文  参考訳（メタデータ） (2020-05-27T23:12:11Z)
• Segmentation for Classification of Screening Pancreatic Neuroendocrine Tumors [72.65802386845002]
  本研究は,腹部CTで膵神経内分泌腫瘍(PNET)を早期に検出するための包括的結果を提示する。 我々の知る限りでは、このタスクは以前まで計算タスクとして研究されていなかった。 我々の手法は最先端のセグメンテーションネットワークより優れ、感度は89.47%、特異性は81.08%である。
  論文  参考訳（メタデータ） (2020-04-04T21:21:44Z)

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。