論文の概要: Automatic Segmentation of Gross Target Volume of Nasopharynx Cancer
using Ensemble of Multiscale Deep Neural Networks with Spatial Attention
- arxiv url: http://arxiv.org/abs/2101.11254v1
- Date: Wed, 27 Jan 2021 08:20:49 GMT
- ステータス: 処理完了
- システム内更新日: 2021-02-01 19:17:58.901399
- Title: Automatic Segmentation of Gross Target Volume of Nasopharynx Cancer
using Ensemble of Multiscale Deep Neural Networks with Spatial Attention
- Title（参考訳）: 空間的注意を伴う多スケール深層ニューラルネットワークを用いた鼻咽頭癌全摘量の自動分割
- Authors: Haochen Mei, Wenhui Lei, Ran Gu, Shan Ye, Zhengwentai Sun, Shichuan
Zhang, Guotai Wang
- Abstract要約: 平面内分解能と平面内分解能の差に対処する2.5次元畳み込みニューラルネットワーク(CNN)を提案する。
また,ネットワークが小さなターゲットにフォーカスできる空間的アテンションモジュールを提案し,チャネルアテンションを用いてセグメンテーション性能をさらに向上する。
- 参考スコア（独自算出の注目度）: 2.204996105506197
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Radiotherapy is the main treatment modality for nasopharynx cancer.
Delineation of Gross Target Volume (GTV) from medical images such as CT and MRI
images is a prerequisite for radiotherapy. As manual delineation is
time-consuming and laborious, automatic segmentation of GTV has a potential to
improve this process. Currently, most of the deep learning-based automatic
delineation methods of GTV are mainly performed on medical images like CT
images. However, it is challenged by the low contrast between the pathology
regions and surrounding soft tissues, small target region, and anisotropic
resolution of clinical CT images. To deal with these problems, we propose a
2.5D Convolutional Neural Network (CNN) to handle the difference of inplane and
through-plane resolution. Furthermore, we propose a spatial attention module to
enable the network to focus on small target, and use channel attention to
further improve the segmentation performance. Moreover, we use multi-scale
sampling method for training so that the networks can learn features at
different scales, which are combined with a multi-model ensemble method to
improve the robustness of segmentation results. We also estimate the
uncertainty of segmentation results based on our model ensemble, which is of
great importance for indicating the reliability of automatic segmentation
results for radiotherapy planning.
- Abstract（参考訳）: 放射線治療は鼻咽頭癌の主な治療法である。
CTやMRI画像などの医用画像からGross Target Volume(GTV)を抽出することが放射線治療の必須条件である。
手動のデライン化は時間と労力がかかるため、GTVの自動セグメンテーションは、このプロセスを改善する可能性があります。
現在、GTVの深層学習に基づく自動デライン化法のほとんどは、主にCT画像などの医療画像で行われている。
しかし, 病理組織領域と周囲の軟部組織とのコントラストが低いこと, 標的領域が小さいこと, 臨床ct画像の異方性解決が困難である。
これらの問題に対処するため,内面分解能と平面分解能の差に対処する2.5D畳み込みニューラルネットワーク(CNN)を提案する。
さらに、ネットワークが小さなターゲットに集中できるように空間的注意モジュールを提案し、チャンネルの注意を利用してセグメンテーション性能をさらに向上させます。
さらに,複数モデルアンサンブル法と組み合わせることで,ネットワークが異なるスケールで特徴を学習できるように,マルチスケールサンプリング法を用いてセグメント化結果のロバスト性を向上させる。
また,放射線治療計画における自動セグメンテーション結果の信頼性を示す上で重要なモデルアンサンブルに基づいてセグメンテーション結果の不確実性を推定した。
関連論文リスト
- Applying Conditional Generative Adversarial Networks for Imaging Diagnosis [3.881664394416534]
本研究は、スタックド・ホアーグラス・ネットワーク(SHGN)と統合されたコンディショナル・ジェネレーション・アドバイザリアル・ネットワーク(C-GAN)の革新的な応用を紹介する。
我々は、複雑な画像データセットに適用されるディープラーニングモデルに共通するオーバーフィッティングの問題に、回転とスケーリングを通じてデータを増大させることで対処する。
血管内超音波(IVUS)画像において,L1とL2再構成損失を併用したハイブリッド損失関数を導入する。
論文 参考訳（メタデータ） (2024-07-17T23:23:09Z) - CGAM: Click-Guided Attention Module for Interactive Pathology Image
Segmentation via Backpropagating Refinement [8.590026259176806]
腫瘍領域のセグメンテーションは、デジタル病理の定量的解析に欠かせない課題である。
最近のディープニューラルネットワークは、様々な画像分割タスクで最先端のパフォーマンスを示している。
本稿では,クリック型ユーザインタラクションによるディープニューラルネットワークの出力を改良する対話的セグメンテーション手法を提案する。
論文 参考訳（メタデータ） (2023-07-03T13:45:24Z) - Scale-aware Super-resolution Network with Dual Affinity Learning for
Lesion Segmentation from Medical Images [50.76668288066681]
低解像度医用画像から様々な大きさの病変を適応的に分割する,スケールアウェアな超解像ネットワークを提案する。
提案するネットワークは,他の最先端手法と比較して一貫した改善を実現した。
論文 参考訳（メタデータ） (2023-05-30T14:25:55Z) - Two-stage MR Image Segmentation Method for Brain Tumors based on
Attention Mechanism [27.08977505280394]
CycleGAN(CycleGAN)に基づく協調・空間的注意生成対向ネットワーク(CASP-GAN)を提案する。
ジェネレータの性能は、コーディネート・アテンション(CA)モジュールと空間アテンション(SA)モジュールを導入することで最適化される。
元の医用画像の構造情報と詳細な情報を抽出する能力は、所望の画像をより高品質に生成するのに役立つ。
論文 参考訳（メタデータ） (2023-04-17T08:34:41Z) - Reliable Joint Segmentation of Retinal Edema Lesions in OCT Images [55.83984261827332]
本稿では,信頼性の高いマルチスケールウェーブレットエンハンストランスネットワークを提案する。
本研究では,ウェーブレット型特徴抽出器ネットワークとマルチスケール変圧器モジュールを統合したセグメンテーションバックボーンを開発した。
提案手法は,他の最先端セグメンテーション手法と比較して信頼性の高いセグメンテーション精度を実現する。
論文 参考訳（メタデータ） (2022-12-01T07:32:56Z) - RCA-IUnet: A residual cross-spatial attention guided inception U-Net
model for tumor segmentation in breast ultrasound imaging [0.6091702876917281]
本稿では,腫瘍セグメンテーションのトレーニングパラメータが最小限に抑えられたRCA-IUnetモデルについて紹介する。
RCA-IUnetモデルは、U-Netトポロジに従い、奥行きの深い分離可能な畳み込みとハイブリッドプール層を持つ。
無関係な特徴を抑え、対象構造に焦点を合わせるために、空間横断型アテンションフィルタが加えられる。
論文 参考訳（メタデータ） (2021-08-05T10:35:06Z) - Few-shot Medical Image Segmentation using a Global Correlation Network
with Discriminative Embedding [60.89561661441736]
医療画像分割のための新しい手法を提案する。
深層畳み込みネットワークを用いた数ショット画像セグメンタを構築します。
深層埋め込みの識別性を高め,同一クラスの特徴領域のクラスタリングを促進する。
論文 参考訳（メタデータ） (2020-12-10T04:01:07Z) - Boosted EfficientNet: Detection of Lymph Node Metastases in Breast
Cancer Using Convolutional Neural Network [6.444922476853511]
The Convolutional Neutral Network (CNN) は乳癌のリンパ節転移の予測と分類に応用されている。
そこで本研究では,小さな解像度画像を容易にするためのRandom Center Cropping (RCC) という新しいデータ拡張手法を提案する。
論文 参考訳（メタデータ） (2020-10-10T15:18:56Z) - Explaining Clinical Decision Support Systems in Medical Imaging using
Cycle-Consistent Activation Maximization [112.2628296775395]
ディープニューラルネットワークを用いた臨床意思決定支援は、着実に関心が高まりつつあるトピックとなっている。
臨床医は、その根底にある意思決定プロセスが不透明で理解しにくいため、この技術の採用をためらうことが多い。
そこで我々は,より小さなデータセットであっても,分類器決定の高品質な可視化を生成するCycleGANアクティベーションに基づく,新たな意思決定手法を提案する。
論文 参考訳（メタデータ） (2020-10-09T14:39:27Z) - 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) - Inf-Net: Automatic COVID-19 Lung Infection Segmentation from CT Images [152.34988415258988]
CT画像からの肺感染症の自動検出は、新型コロナウイルスに対処するための従来の医療戦略を強化する大きな可能性を秘めている。
CTスライスから感染領域を分割することは、高い感染特性の変化、感染と正常な組織の間の低強度のコントラストなど、いくつかの課題に直面している。
これらの課題に対処するため, 胸部CTスライスから感染部位を自動的に同定する, 新型のCOVID-19 Deep Lung infection Network (Inf-Net) が提案されている。
論文 参考訳（メタデータ） (2020-04-22T07:30:56Z)
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。