論文の概要: Deep learning in magnetic resonance prostate segmentation: A review and a new perspective

• arxiv url: http://arxiv.org/abs/2011.07795v1
• Date: Mon, 16 Nov 2020 08:58:38 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-25 01:00:44.608317
• Title: Deep learning in magnetic resonance prostate segmentation: A review and a new perspective
• Title（参考訳）: 磁気共鳴前立腺セグメンテーションにおける深層学習 : レビューと新しい展望
• Authors: David Gillespie, Connah Kendrick, Ian Boon, Cheng Boon, Tim Rattay, Moi Hoon Yap
• Abstract要約: MR前立腺セグメンテーションにおける最先端のディープラーニングアルゴリズムについて概説する。 その限界と強みを議論することで、この分野に洞察を与えます。 MR前立腺セグメンテーションのための最適化された2次元U-Netを提案する。
• 参考スコア（独自算出の注目度）: 4.453410156617238
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Prostate radiotherapy is a well established curative oncology modality, which in future will use Magnetic Resonance Imaging (MRI)-based radiotherapy for daily adaptive radiotherapy target definition. However the time needed to delineate the prostate from MRI data accurately is a time consuming process. Deep learning has been identified as a potential new technology for the delivery of precision radiotherapy in prostate cancer, where accurate prostate segmentation helps in cancer detection and therapy. However, the trained models can be limited in their application to clinical setting due to different acquisition protocols, limited publicly available datasets, where the size of the datasets are relatively small. Therefore, to explore the field of prostate segmentation and to discover a generalisable solution, we review the state-of-the-art deep learning algorithms in MR prostate segmentation; provide insights to the field by discussing their limitations and strengths; and propose an optimised 2D U-Net for MR prostate segmentation. We evaluate the performance on four publicly available datasets using Dice Similarity Coefficient (DSC) as performance metric. Our experiments include within dataset evaluation and cross-dataset evaluation. The best result is achieved by composite evaluation (DSC of 0.9427 on Decathlon test set) and the poorest result is achieved by cross-dataset evaluation (DSC of 0.5892, Prostate X training set, Promise 12 testing set). We outline the challenges and provide recommendations for future work. Our research provides a new perspective to MR prostate segmentation and more importantly, we provide standardised experiment settings for researchers to evaluate their algorithms. Our code is available at https://github.com/AIEMMU/MRI\_Prostate.
• Abstract（参考訳）: 前立腺放射線療法は, 将来的にはMRIベースの放射線療法により, 日常適応放射線治療の目標定義が確立される。 しかし、MRIデータから前立腺を正確に切り離すのに必要な時間は、時間のかかるプロセスである。 深層学習は、正確な前立腺分画ががんの検出と治療に役立つ前立腺がんの精密放射線治療の潜在的な新しい技術として認識されている。 しかし、トレーニングされたモデルは、異なる取得プロトコル、限られた公開データセット、データセットのサイズが比較的小さいため、臨床的な設定に限定することができる。 そこで, 前立腺のセグメンテーションの分野を探究し, 一般化可能な解を見つけるために, MR前立腺のセグメンテーションにおける最先端のディープラーニングアルゴリズムを概観し, 限界と強度を議論して分野への洞察を提供し, MR前立腺セグメンテーションのための最適化された2次元U-Netを提案する。 Dice similarity Coefficient (DSC) を用いた4つの公開データセットの性能評価を行った。 実験にはデータセット評価とデータセット間評価が含まれる。 最良の結果は複合評価(decathlon test setでのdsc 0.9427)により達成され、最も低い結果はクロスデータセット評価(dsc 0.5892、prostate x training set、promise 12 test set)によって達成される。 課題を概説し、今後の作業に推奨する。 我々の研究はMR前立腺セグメンテーションの新しい視点を提供し、さらに重要なことは、研究者がアルゴリズムを評価するための標準化された実験環境を提供することである。 私たちのコードはhttps://github.com/aiemmu/mri\_prostateで利用可能です。

関連論文リスト

• Towards a Benchmark for Colorectal Cancer Segmentation in Endorectal Ultrasound Videos: Dataset and Model Development [59.74920439478643]
  本稿では,多様なERUSシナリオをカバーする最初のベンチマークデータセットを収集し,注釈付けする。 ERUS-10Kデータセットは77の動画と10,000の高解像度アノテートフレームで構成されています。 本稿では,ASTR (Adaptive Sparse-context TRansformer) という大腸癌セグメンテーションのベンチマークモデルを提案する。
  論文  参考訳（メタデータ） (2024-08-19T15:04:42Z)
• Enhanced Cascade Prostate Cancer Classifier in mp-MRI Utilizing Recall Feedback Adaptive Loss and Prior Knowledge-Based Feature Extraction [4.00189087655119]
  本稿では, 先行知識を取り入れ, 不均一な医用サンプル分布の問題に対処し, mpMRIにおける高い解釈可能性を維持するソリューションを提案する。 まず,前立腺癌に対するPI-RADS基準をモデルトレーニングの診断情報として数学的にモデル化する,事前知識に基づく特徴抽出手法を提案する。 次に、極めて不均衡なデータ問題に対処するため、適応的リコールフィードバック損失を提案する。 第3に、前立腺癌を解釈可能な方法で異なるレベルに分類する拡張前立腺癌を設計する。
  論文  参考訳（メタデータ） (2024-08-19T07:18:06Z)
• Enhancing Prostate Cancer Diagnosis with Deep Learning: A Study using mpMRI Segmentation and Classification [0.0]
  前立腺癌(PCa)は世界中の男性の間で重篤な疾患である。早期にPCaを同定し,有効治療のための正確な診断を行うことが重要である。 深層学習(DL)モデルは、医師の関心領域を特定することで、既存の臨床システムを強化し、患者のケアを改善することができる。 本研究は, mpMRI画像の分類とセグメンテーションによく知られたDLモデルを用いてPCaを検出する。
  論文  参考訳（メタデータ） (2023-10-09T03:00:15Z)
• Source-Free Collaborative Domain Adaptation via Multi-Perspective Feature Enrichment for Functional MRI Analysis [55.03872260158717]
  安静時MRI機能(rs-fMRI)は、神経疾患の分析を助けるために多地点で研究されている。 ソース領域とターゲット領域の間のfMRIの不均一性を低減するための多くの手法が提案されている。 しかし、マルチサイト研究における懸念やデータストレージの負担のため、ソースデータの取得は困難である。 我々は、fMRI解析のためのソースフリー協調ドメイン適応フレームワークを設計し、事前訓練されたソースモデルとラベルなしターゲットデータのみにアクセスできるようにする。
  論文  参考訳（メタデータ） (2023-08-24T01:30:18Z)
• Domain Transfer Through Image-to-Image Translation for Uncertainty-Aware Prostate Cancer Classification [42.75911994044675]
  前立腺MRIの非対位画像翻訳のための新しいアプローチと臨床的に重要なPCaを分類するための不確実性認識トレーニングアプローチを提案する。 提案手法では,無ペアの3.0T多パラメータ前立腺MRIを1.5Tに翻訳し,利用可能なトレーニングデータを増強する。 実験の結果,提案手法は,従来の研究に比べてAUC(Area Under ROC Curve)を20%以上改善することがわかった。
  論文  参考訳（メタデータ） (2023-07-02T05:26:54Z)
• MicroSegNet: A Deep Learning Approach for Prostate Segmentation on Micro-Ultrasound Images [10.10595151162924]
  マイクロ超音波(micro-US)は、従来の超音波の3.4倍の高分解能を提供する新しい29MHz超音波技術である。 前立腺のミクロ-USへの分節は、中線における前立腺、膀胱、尿道間の人工物と不明瞭な境界のために困難である。 本稿では,これらの課題に対処するために設計されたマルチスケールアノテーション誘導変換器UNetモデルであるMicroSegNetを提案する。
  論文  参考訳（メタデータ） (2023-05-31T15:42:29Z)
• Deep Learning for fully automatic detection, segmentation, and Gleason Grade estimation of prostate cancer in multiparametric Magnetic Resonance Images [0.731365367571807]
  本稿では,PCa-suspect 患者から前立腺 mpMRI を抽出するDeep Learning に基づく完全自動システムを提案する。 PCaの病変を特定し、それらを分類し、最も可能性の高いGleason grade group(GGG)を予測する。 ProstateXトレーニングシステムのコードはhttps://github.com/OscarPellicer/prostate_lesion_detection.comで公開されている。
  論文  参考訳（メタデータ） (2021-03-23T16:08:43Z)
• Federated Deep AUC Maximization for Heterogeneous Data with a Constant Communication Complexity [77.78624443410216]
  異種胸部データ検出のための改良型FDAMアルゴリズムを提案する。 本研究は,提案アルゴリズムの通信が機械数に強く依存し,精度レベルにも強く依存していることを示す。 FDAMアルゴリズムのベンチマークデータセットと、異なる組織の医療用胸部X線画像に対する効果を実験により実証した。
  論文  参考訳（メタデータ） (2021-02-09T04:05:19Z)
• MIA-Prognosis: A Deep Learning Framework to Predict Therapy Response [58.0291320452122]
  本稿では,患者の予後と治療反応を予測するための統合型深層学習手法を提案する。 我々は,マルチモーダル非同期時系列分類タスクとして,確率モデリングを定式化する。 我々の予測モデルは、長期生存の観点から、低リスク、高リスクの患者をさらに階層化する可能性がある。
  論文  参考訳（メタデータ） (2020-10-08T15:30:17Z)
• MS-Net: Multi-Site Network for Improving Prostate Segmentation with Heterogeneous MRI Data [75.73881040581767]
  本稿では,ロバスト表現を学習し,前立腺のセグメンテーションを改善するための新しいマルチサイトネットワーク(MS-Net)を提案する。 当社のMS-Netは,すべてのデータセットのパフォーマンスを一貫して改善し,マルチサイト学習における最先端の手法よりも優れています。
  論文  参考訳（メタデータ） (2020-02-09T14:11:50Z)

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。