論文の概要: Esophageal Tumor Segmentation in CT Images using Dilated Dense Attention Unet (DDAUnet)

• arxiv url: http://arxiv.org/abs/2012.03242v3
• Date: Wed, 24 Mar 2021 12:59:55 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-22 06:42:38.477347
• Title: Esophageal Tumor Segmentation in CT Images using Dilated Dense Attention Unet (DDAUnet)
• Title（参考訳）: DDAUnet (Dilated Dense Attention Unet) を用いたCT画像の食道腫瘍切開
• Authors: Sahar Yousefi, Hessam Sokooti, Mohamed S. Elmahdy, Irene M. Lips, Mohammad T. Manzuri Shalmani, Roel T. Zinkstok, Frank J.W.M. Dankers, Marius Staring
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 3.0929226049096217
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Manual or automatic delineation of the esophageal tumor in CT images is known to be very challenging. This is due to the low contrast between the tumor and adjacent tissues, the anatomical variation of the esophagus, as well as the occasional presence of foreign bodies (e.g. feeding tubes). Physicians therefore usually exploit additional knowledge such as endoscopic findings, clinical history, additional imaging modalities like PET scans. Achieving his additional information is time-consuming, while the results are error-prone and might lead to non-deterministic results. In this paper we aim to investigate if and to what extent a simplified clinical workflow based on CT alone, allows one to automatically segment the esophageal tumor with sufficient quality. For this purpose, we present a fully automatic end-to-end esophageal tumor segmentation method based on convolutional neural networks (CNNs). The proposed network, called Dilated Dense Attention Unet (DDAUnet), leverages spatial and channel attention gates in each dense block to selectively concentrate on determinant feature maps and regions. Dilated convolutional layers are used to manage GPU memory and increase the network receptive field. We collected a dataset of 792 scans from 288 distinct patients including varying anatomies with \mbox{air pockets}, feeding tubes and proximal tumors. Repeatability and reproducibility studies were conducted for three distinct splits of training and validation sets. The proposed network achieved a $\mathrm{DSC}$ value of $0.79 \pm 0.20$, a mean surface distance of $5.4 \pm 20.2mm$ and $95\%$ Hausdorff distance of $14.7 \pm 25.0mm$ for 287 test scans, demonstrating promising results with a simplified clinical workflow based on CT alone. Our code is publicly available via \url{https://github.com/yousefis/DenseUnet_Esophagus_Segmentation}.
• Abstract（参考訳）: ct画像中の食道腫瘍の手動または自動切除は非常に困難であることが知られている。 これは、腫瘍と隣接組織とのコントラストの低さ、食道の解剖学的変異、異物の存在(例:異物の存在)によるものである。 給餌管)。 したがって、医師は通常、内視鏡所見、臨床歴、PETスキャンのような画像の付加的なモダリティなどの追加的な知識を利用する。 追加情報を取得するのに時間がかかり、結果がエラーを起こし、非決定論的結果につながる可能性がある。 本稿では,CTのみに基づく簡易な臨床ワークフローが,食道腫瘍を十分な品質で自動的に分類できるかどうかを検討することを目的とする。 そこで本研究では,convolutional neural networks (cnns) を用いた完全自動食道腫瘍分割法を提案する。 提案ネットワークはDilated Dense Attention Unet (DDAUnet) と呼ばれ、各密ブロック内の空間的およびチャネル的アテンションゲートを利用して、決定的特徴マップや領域に選択的に集中する。 拡張畳み込み層はGPUメモリの管理とネットワーク受容領域の増大に使用される。 当科では, 各種解剖学, 尿管, 近位腫瘍などを含む288名の患者から, 792個の検体を採取した。 再現性と再現性の研究は3つの異なるトレーニングと検証セットに対して行われた。 提案されたネットワークは$0.79 \pm 0.20$で、平均表面距離は$5.4 \pm 20.2mm$と$95\%$ hausdorff距離は$14.7 \pm 25.0mm$ 287テストスキャンで達成され、ctのみに基づいた簡易な臨床ワークフローで有望な結果が得られた。 我々のコードは \url{https://github.com/yousefis/DenseUnet_Esophagus_Segmentation} で公開されている。

関連論文リスト

• CT-based brain ventricle segmentation via diffusion Schrödinger Bridge without target domain ground truths [0.9720086191214947]
  クリニカルCTスキャンによる高効率かつ正確な脳室分画は、腹腔鏡下手術のような緊急手術には不可欠である。 我々は,CTセグメント化の真偽を必要とせず,新しい不確実性に留意した心室分画法を導入する。 提案手法では拡散型Schr"odinger Bridgeと残像U-Netを併用し,画像診断とMRI検査を併用した。
  論文  参考訳（メタデータ） (2024-05-28T15:17:58Z)
• CathFlow: Self-Supervised Segmentation of Catheters in Interventional Ultrasound Using Optical Flow and Transformers [66.15847237150909]
  縦型超音波画像におけるカテーテルのセグメンテーションのための自己教師型ディープラーニングアーキテクチャを提案する。 ネットワークアーキテクチャは、Attention in Attentionメカニズムで構築されたセグメンテーショントランスフォーマであるAiAReSeg上に構築されている。 我々は,シリコンオルタファントムから収集した合成データと画像からなる実験データセット上で,我々のモデルを検証した。
  論文  参考訳（メタデータ） (2024-03-21T15:13:36Z)
• Thoracic Cartilage Ultrasound-CT Registration using Dense Skeleton Graph [49.11220791279602]
  一般的なアトラスから個々の患者への計画された経路を正確にマッピングすることは困難である。 アトラスから現在の設定へ計画されたパスを転送できるように、グラフベースの非厳密な登録を提案する。
  論文  参考訳（メタデータ） (2023-07-07T18:57:21Z)
• AttResDU-Net: Medical Image Segmentation Using Attention-based Residual Double U-Net [0.0]
  本稿では,既存の医用画像セグメンテーションネットワークを改善したアテンションベース残留Double U-Netアーキテクチャ(AttResDU-Net)を提案する。 CVC clinic-DB、ISIC 2018、2018 Data Science Bowlの3つのデータセットで実験を行い、それぞれ94.35%、91.68%、92.45%のDice Coefficientスコアを得た。
  論文  参考訳（メタデータ） (2023-06-25T14:28:08Z)
• CACTUSS: Common Anatomical CT-US Space for US examinations [36.45569352490318]
  腹部大動脈瘤(英: Abdominal aortic aneurysm, AAA)は、大動脈の一部が拡大し、その壁を弱め、血管を破裂させる血管疾患である。 近年の腹部CTデータセットは, 深部神経回路の訓練に有効である。 CACTUSSはCTとUSモダリティの間の仮想ブリッジとして機能し、自動AAAスクリーニングソノグラフィーを可能にする。
  論文  参考訳（メタデータ） (2022-07-18T14:05:25Z)
• Weakly-supervised Biomechanically-constrained CT/MRI Registration of the Spine [72.85011943179894]
  本稿では,各脊椎の剛性と容積を保存し,登録精度を最大化しながら,弱教師付き深層学習フレームワークを提案する。 また,CTにおける椎体自動分節化はMRIと対比してより正確な結果をもたらすため,CTラベルマップのみに依存するよう,これらの損失を特に設計する。 以上の結果から, 解剖学的認識による損失の増大は, 精度を維持しつつも, 推測変換の妥当性を高めることが示唆された。
  論文  参考訳（メタデータ） (2022-05-16T10:59:55Z)
• Segmentation of Lung Tumor from CT Images using Deep Supervision [0.8733639720576208]
  肺がんは世界中のほとんどの国で死因となっている。 本稿では,LOTUSデータセットに2次元離散ウェーブレット変換(DWT)を適用し,肺腫瘍のセグメンテーションにアプローチする。
  論文  参考訳（メタデータ） (2021-11-17T17:50:18Z)
• CNN Filter Learning from Drawn Markers for the Detection of Suggestive Signs of COVID-19 in CT Images [58.720142291102135]
  畳み込みニューラルネットワーク(CNN)のフィルタを推定するために,大規模な注釈付きデータセットやバックプロパゲーションを必要としない手法を提案する。 少数のCT画像に対して、ユーザは、代表的な正常領域と異常領域にマーカーを描画する。 本発明の方法は、カーネルがマークされたものに似た拡張領域に特有な一連の畳み込み層からなる特徴抽出器を生成する。
  論文  参考訳（メタデータ） (2021-11-16T15:03:42Z)
• 3D Graph Anatomy Geometry-Integrated Network for Pancreatic Mass Segmentation, Diagnosis, and Quantitative Patient Management [21.788423806147378]
  膵管腺癌(PDAC)と他の9つの非PDAC腫とを多相CT画像で区別する。 患者レベルの診断を行うための総合的セグメンテーション・メシュ分類網(SMCN)を提案する。
  論文  参考訳（メタデータ） (2020-12-08T19:38:01Z)
• Synergistic Learning of Lung Lobe Segmentation and Hierarchical Multi-Instance Classification for Automated Severity Assessment of COVID-19 in CT Images [61.862364277007934]
  3次元CT画像におけるCOVID-19の重症度自動評価のための相乗的学習フレームワークを提案する。 マルチタスクのディープネットワーク(M$2$UNet)が開発され、新型コロナウイルス患者の重症度を評価する。 われわれのM$2$UNetはパッチレベルのエンコーダと肺葉分画のためのセグメンテーションサブネットワークと重度評価のための分類サブネットワークから構成されている。
  論文  参考訳（メタデータ） (2020-05-08T03:16:15Z)
• 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。