論文の概要: Automatic Segmentation of Organs-at-Risk from Head-and-Neck CT using
Separable Convolutional Neural Network with Hard-Region-Weighted Loss
- arxiv url: http://arxiv.org/abs/2102.01897v1
- Date: Wed, 3 Feb 2021 06:31:38 GMT
- ステータス: 処理完了
- システム内更新日: 2021-02-04 21:00:49.550966
- Title: Automatic Segmentation of Organs-at-Risk from Head-and-Neck CT using
Separable Convolutional Neural Network with Hard-Region-Weighted Loss
- Title（参考訳）: 分割型畳み込みニューラルネットワークを用いた頭頸部ctによる臓器自動分節化
- Authors: Wenhui Lei, Haochen Mei, Zhengwentai Sun, Shan Ye, Ran Gu, Huan Wang,
Rui Huang, Shichuan Zhang, Shaoting Zhang, Guotai Wang
- Abstract要約: 鼻咽頭癌 (Nasopharyngeal Carcinoma, NPC) は, 北極, 中国, 東南アジア, 中東/北アフリカにおける頭頸部癌(HAN)の進行型である。
不確実性のあるCT画像からのOrgans-at-Risk(OAR)の正確なセグメンテーションは、NPC治療のための放射線治療を効果的に計画するために重要である。
本稿では,信頼性の高い不確実性推定を伴う高精度OARセグメンテーションのための新しいフレームワークを提案する。
- 参考スコア（独自算出の注目度）: 10.93840864507459
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: Nasopharyngeal Carcinoma (NPC) is a leading form of Head-and-Neck (HAN)
cancer in the Arctic, China, Southeast Asia, and the Middle East/North Africa.
Accurate segmentation of Organs-at-Risk (OAR) from Computed Tomography (CT)
images with uncertainty information is critical for effective planning of
radiation therapy for NPC treatment. Despite the stateof-the-art performance
achieved by Convolutional Neural Networks (CNNs) for automatic segmentation of
OARs, existing methods do not provide uncertainty estimation of the
segmentation results for treatment planning, and their accuracy is still
limited by several factors, including the low contrast of soft tissues in CT,
highly imbalanced sizes of OARs and large inter-slice spacing. To address these
problems, we propose a novel framework for accurate OAR segmentation with
reliable uncertainty estimation. First, we propose a Segmental Linear Function
(SLF) to transform the intensity of CT images to make multiple organs more
distinguishable than existing methods based on a simple window width/level that
often gives a better visibility of one organ while hiding the others. Second,
to deal with the large inter-slice spacing, we introduce a novel 2.5D network
(named as 3D-SepNet) specially designed for dealing with clinic HAN CT scans
with anisotropic spacing. Thirdly, existing hardness-aware loss function often
deal with class-level hardness, but our proposed attention to hard voxels (ATH)
uses a voxel-level hardness strategy, which is more suitable to dealing with
some hard regions despite that its corresponding class may be easy. Our code is
now available at https://github.com/HiLab-git/SepNet.
- Abstract（参考訳）: 鼻咽頭癌 (Nasopharyngeal Carcinoma, NPC) は, 北極, 中国, 東南アジア, 中東/北アフリカにおける頭頸部癌(HAN)の進行型である。
npc治療のための放射線治療の効果的な計画には不確かさ情報を有するct画像からの臓器・リスク(oar)の正確な分割が重要である。
コンボリューションニューラルネットワーク(CNN)がOARの自動セグメンテーションのために達成した最新のパフォーマンスにもかかわらず、既存の方法は治療計画のためのセグメンテーション結果の不確実性推定を提供しておらず、その精度はCTにおける軟部組織の低コントラスト、OARの高度に不均衡なサイズ、および大きなスライス間間隔を含むいくつかの要因によって制限されています。
これらの問題に対処するため,信頼性の高い不確実性推定を行うための新しいOARセグメンテーションフレームワークを提案する。
まず,SLF(Segmental Linear Function)を用いてCT画像の強度を変換し,複数の臓器を従来の方法よりも識別しやすくする手法を提案する。
第2に,大規模なスライス間スペーシングに対処するために,臨床用ハンctスキャンと異方性スペーシングを扱うために特別に設計された2.5dネットワーク(3d-sepnet)を導入する。
第3に,既存の硬度認識損失関数はクラスレベルの硬さに対処することが多いが,本提案した硬度ボクセル(ATH)に対する注意は,対応するクラスが容易であるにもかかわらず,いくつかの硬度領域を扱うのに適したボクセルレベルの硬さ戦略を用いている。
コードはhttps://github.com/HiLab-git/SepNetで入手できます。
関連論文リスト
- 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) - A unified 3D framework for Organs at Risk Localization and Segmentation
for Radiation Therapy Planning [56.52933974838905]
現在の医療ワークフローは、OAR(Organs-at-risk)のマニュアル記述を必要とする
本研究は,OARローカライゼーション・セグメンテーションのための統合された3Dパイプラインの導入を目的とする。
提案手法は医用画像に固有の3Dコンテキスト情報の活用を可能にする。
論文 参考訳（メタデータ） (2022-03-01T17:08:41Z) - A Novel Hybrid Convolutional Neural Network for Accurate Organ
Segmentation in 3D Head and Neck CT Images [31.245109574064532]
本研究では,2次元と3次元の畳み込みを融合させて異なる空間解像度に対処し,3次元HaNCT画像から効果的なエッジとセマンティック特徴を抽出するハイブリッドCNNを提案する。
MICCAI 2015チャレンジデータセットの実験は、OrganNet2.5Dが最先端の手法と比較して有望なパフォーマンスを達成することを示した。
論文 参考訳（メタデータ） (2021-09-26T15:37:47Z) - DFENet: A Novel Dimension Fusion Edge Guided Network for Brain MRI
Segmentation [0.0]
本稿では,2次元CNNと3次元CNNの特徴を融合させることにより,これらの要件を満たす新しいDFENetを提案する。
提案手法は, 既存の方法よりも頑健で正確であり, バイオメディカルな応用に頼ることができる。
論文 参考訳（メタデータ） (2021-05-17T15:43:59Z) - FocusNetv2: Imbalanced Large and Small Organ Segmentation with
Adversarial Shape Constraint for Head and Neck CT Images [82.48587399026319]
organ-at-risk (oars) は、健康な臓器の損傷を避けるために放射線治療計画において重要なステップである。
本研究では,この課題を解決するために,2段階の深層ニューラルネットワークであるFocusNetv2を提案する。
従来のFocusNetに加えて,小臓器に新たな対角的形状制約を導入し,推定小臓器形状と臓器形状との整合性を確保する。
論文 参考訳（メタデータ） (2021-04-05T04:45:31Z) - Nested-block self-attention for robust radiotherapy planning
segmentation [3.2541650155921142]
深層畳み込みネットワークは、頭頸部(HN)臓器のリスクセグメンテーション(OAR)において広く研究されている。
定期的な臨床治療計画のためのそれらの使用は、イメージングアーティファクトへの堅牢性の欠如、CT上の低い軟組織コントラスト、および異常な解剖の存在によって制限される。
我々は,任意の畳み込みネットワークと組み合わせることができる計算効率の良いネストブロック自己アテンション法(NBSA)を開発した。
論文 参考訳（メタデータ） (2021-02-26T15:28:47Z) - Automatic Segmentation of Gross Target Volume of Nasopharynx Cancer
using Ensemble of Multiscale Deep Neural Networks with Spatial Attention [2.204996105506197]
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。
論文 参考訳（メタデータ） (2021-01-27T08:20:49Z) - An Uncertainty-Driven GCN Refinement Strategy for Organ Segmentation [53.425900196763756]
本研究では,不確実性解析とグラフ畳み込みネットワークに基づくセグメンテーション改善手法を提案する。
半教師付きグラフ学習問題を定式化するために、特定の入力ボリュームにおける畳み込みネットワークの不確実性レベルを用いる。
本手法は膵臓で1%,脾臓で2%向上し,最先端のCRF改善法よりも優れていた。
論文 参考訳（メタデータ） (2020-12-06T18:55:07Z) - DSU-net: Dense SegU-net for automatic head-and-neck tumor segmentation
in MR images [30.747375849126925]
MRIにおける鼻咽頭癌(NPC)分類のためのDense SegU-net(DSU-net)フレームワークを提案する。
潜在的な消滅段階的問題に対処するために,特徴の伝播と再利用を容易にする高密度ブロックを導入する。
提案するアーキテクチャは,既存の最先端セグメンテーションネットワークよりも優れている。
論文 参考訳（メタデータ） (2020-06-11T09:33:41Z) - Deep Reinforcement Learning for Organ Localization in CT [59.23083161858951]
我々はCTにおける臓器局所化のための深層強化学習手法を提案する。
この研究において、人工エージェントは、その主張や誤りから学習することで、CT内の臓器の局所化を積極的に行う。
本手法は,任意の臓器をローカライズするためのプラグイン・アンド・プレイモジュールとして利用できる。
論文 参考訳（メタデータ） (2020-05-11T10:06:13Z) - 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。