Fugu-MT 論文翻訳(概要): Comparative Evaluation of 3D and 2D Deep Learning Techniques for Semantic Segmentation in CT Scans

論文の概要: Comparative Evaluation of 3D and 2D Deep Learning Techniques for Semantic Segmentation in CT Scans

arxiv url: http://arxiv.org/abs/2101.07612v1
Date: Tue, 19 Jan 2021 13:23:43 GMT
ステータス: 処理完了
システム内更新日: 2021-03-23 02:50:10.313124
Title: Comparative Evaluation of 3D and 2D Deep Learning Techniques for Semantic Segmentation in CT Scans
Title（参考訳）: CTスキャンにおけるセマンティックセグメンテーションのための3次元および2次元深層学習手法の比較評価
Authors: Abhishek Shivdeo, Rohit Lokwani, Viraj Kulkarni, Amit Kharat, Aniruddha Pant
Abstract要約: 本稿では,3次元CTスキャンにおける立体スタックを用いた深層学習手法を提案する。本研究では,この3D手法と従来の2D深層学習手法とのセグメンテーション結果,コンテキスト情報保持,推論時間に基づく比較について述べる。 3D技術により、2D技術と比較して推論時間が5倍短縮されます。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Image segmentation plays a pivotal role in several medical-imaging applications by assisting the segmentation of the regions of interest. Deep learning-based approaches have been widely adopted for semantic segmentation of medical data. In recent years, in addition to 2D deep learning architectures, 3D architectures have been employed as the predictive algorithms for 3D medical image data. In this paper, we propose a 3D stack-based deep learning technique for segmenting manifestations of consolidation and ground-glass opacities in 3D Computed Tomography (CT) scans. We also present a comparison based on the segmentation results, the contextual information retained, and the inference time between this 3D technique and a traditional 2D deep learning technique. We also define the area-plot, which represents the peculiar pattern observed in the slice-wise areas of the pathology regions predicted by these deep learning models. In our exhaustive evaluation, 3D technique performs better than the 2D technique for the segmentation of CT scans. We get dice scores of 79% and 73% for the 3D and the 2D techniques respectively. The 3D technique results in a 5X reduction in the inference time compared to the 2D technique. Results also show that the area-plots predicted by the 3D model are more similar to the ground truth than those predicted by the 2D model. We also show how increasing the amount of contextual information retained during the training can improve the 3D model's performance.
Abstract（参考訳）: 画像セグメンテーションは、関心領域のセグメンテーションを支援することで、いくつかの医療画像アプリケーションにおいて重要な役割を果たす。深層学習に基づくアプローチは医学データのセマンティクスセグメンテーションに広く採用されている。近年,2次元深層学習アーキテクチャに加えて,3次元医用画像データの予測アルゴリズムとして3次元アーキテクチャが採用されている。本稿では, 3次元ctスキャンにおいて, 固化と接地ガラスの不透明さをセグメント化するための3次元スタックベース深層学習手法を提案する。また,この3D手法と従来の2D深層学習手法のセグメンテーション結果,文脈情報保持時間,および推論時間に基づいて比較を行った。また、これらの深層学習モデルにより予測される病理領域のスライスワイズ領域で観察される特異なパターンを表す領域プロットを定義する。総括評価では,CTスキャンのセグメンテーションにおいて,3次元法の方が2次元法より優れていた。 3D法と2D法では,それぞれ79%,73%のダイススコアが得られた。 3D法は2D法と比較して推論時間を5倍に短縮する。また, 3次元モデルによって予測される領域プロットは, 2次元モデルで予測されるものよりも基底的真理に類似していることが示された。また,トレーニング中に保持する文脈情報の量を増やすことで,3次元モデルの性能が向上することを示す。
全文参考訳へのリンク