論文の概要: Mediastinal lymph nodes segmentation using 3D convolutional neural
network ensembles and anatomical priors guiding
- arxiv url: http://arxiv.org/abs/2102.06515v1
- Date: Thu, 11 Feb 2021 14:51:34 GMT
- ステータス: 処理完了
- システム内更新日: 2021-02-15 13:12:25.147561
- Title: Mediastinal lymph nodes segmentation using 3D convolutional neural
network ensembles and anatomical priors guiding
- Title(参考訳): 3次元畳み込みニューラルネットワークアンサンブルと解剖学的前駆体を用いた縦隔リンパ節分節
- Authors: David Bouget, Andr\'e Pedersen, Johanna Vanel, Haakon O. Leira, Thomas
Lang{\o}
- Abstract要約: 拡大および潜在的悪性リンパ節の存在を評価し、疾患の進行を適切に推定し、最良の治療戦略を選択する必要があります。
3D畳み込みニューラルネットワークの使用について,スラブ方式や全ボリュームのダウンサンプリングを利用する方法を検討した。
短軸直径$geq10$ mmの1178リンパ節では、私たちの最高のパフォーマンスアプローチは92%の患者ワイズリコール、5の患者ごとの偽陽性比と80.5%の分割重複に達しました。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: As lung cancer evolves, the presence of enlarged and potentially malignant
lymph nodes must be assessed to properly estimate disease progression and
select the best treatment strategy. Following the clinical guidelines,
estimation of short-axis diameter and mediastinum station are paramount for
correct diagnosis. A method for accurate and automatic segmentation is hence
decisive for quantitatively describing lymph nodes. In this study, the use of
3D convolutional neural networks, either through slab-wise schemes or the
leveraging of downsampled entire volumes, is investigated. Furthermore, the
potential impact from simple ensemble strategies is considered. As lymph nodes
have similar attenuation values to nearby anatomical structures, we suggest
using the knowledge of other organs as prior information to guide the
segmentation task. To assess the segmentation and instance detection
performances, a 5-fold cross-validation strategy was followed over a dataset of
120 contrast-enhanced CT volumes. For the 1178 lymph nodes with a short-axis
diameter $\geq10$ mm, our best performing approach reached a patient-wise
recall of 92%, a false positive per patient ratio of 5, and a segmentation
overlap of 80.5%. The method performs similarly well across all stations.
Fusing a slab-wise and a full volume approach within an ensemble scheme
generated the best performances. The anatomical priors guiding strategy is
promising, yet a larger set than four organs appears needed to generate an
optimal benefit. A larger dataset is also mandatory, given the wide range of
expressions a lymph node can exhibit (i.e., shape, location, and attenuation),
and contrast uptake variations.
- Abstract(参考訳): 肺癌が進展するにつれて,腫瘍の進展を適切に推定し,最善の治療法を選択するために,拡大し,潜在的に悪性リンパ節の存在を評価する必要がある。
臨床ガイドラインに従って、正確な診断には短軸径と縦隔局の推定が不可欠です。
したがって、リンパ節を定量的に記述するための正確かつ自動分割方法が決定的である。
本研究では,3次元畳み込みニューラルネットワークを用いて,スラブ方式や全ボリュームのダウンサンプリングを利用する方法を検討した。
さらに,単純なアンサンブル戦略の影響も検討した。
リンパ節は近くの解剖学的構造と類似した減衰値を持つため,他の臓器の知識を先行情報として利用して分節作業の指導を行う。
セグメンテーションとインスタンス検出性能を評価するため、5倍のクロスバリデーション戦略を120個の造影CTボリュームのデータセット上で追従した。
短軸径$\geq10$ mmの1178リンパ節では、私たちの最高のパフォーマンスアプローチは、患者の賢明なリコール92%、患者1人当たりの偽陽性比5、セグメント化重複80.5%に達しました。
この方法も同様に全ての駅でよく機能する。
スラブワイドとフルボリュームのアプローチをアンサンブルスキームに組み込むことで、最高のパフォーマンスを実現した。
anatomical priors guideing strategyは有望だが、最適な利益を生み出すには4つ以上の臓器が必要と思われる。
リンパ節が示すことができる表現の広い範囲(すなわち、形状、位置、減衰)とコントラストの取り込みの変動を考えると、より大きなデータセットも必須である。
関連論文リスト
- Weakly-Supervised Detection of Bone Lesions in CT [48.34559062736031]
骨格領域は乳腺と前立腺に転移性癌が拡がる一般的な部位の1つである。
代用セグメンテーションタスクによりCTボリュームの骨病変を検出するパイプラインを開発した。
不完全および部分的トレーニングデータを用いたにもかかわらず,CTでは96.7%,47.3%の精度で骨病変が検出された。
論文 参考訳(メタデータ) (2024-01-31T21:05:34Z) - Segmentation of Mediastinal Lymph Nodes in CT with Anatomical Priors [2.087440644034646]
胸部リンパ節(LNs)は肺がんや肺炎などの諸疾患により増大する傾向にある。
我々は28の異なる構造の解剖学的先行を生かして縦隔にLNを分節することを提案する。
NIH CT Lymph Nodeデータセットで利用可能な89人の患者のCTボリュームを使用して、3D nnUNetモデルをトレーニングし、LNをセグメンテーションした。
論文 参考訳(メタデータ) (2024-01-11T21:59:42Z) - Accurate Fine-Grained Segmentation of Human Anatomy in Radiographs via
Volumetric Pseudo-Labeling [66.75096111651062]
我々は,10,021個の胸部CTと157個のラベルの大規模データセットを作成した。
解剖学的擬似ラベル抽出のために3次元解剖分類モデルのアンサンブルを適用した。
得られたセグメンテーションモデルはCXRで顕著な性能を示した。
論文 参考訳(メタデータ) (2023-06-06T18:01:08Z) - Tissue Classification During Needle Insertion Using Self-Supervised
Contrastive Learning and Optical Coherence Tomography [53.38589633687604]
針先端で取得した複雑なCT信号の位相および強度データから組織を分類するディープニューラルネットワークを提案する。
トレーニングセットの10%で、提案した事前学習戦略により、モデルが0.84のF1スコアを達成するのに対して、モデルが0.60のF1スコアを得るのに対して、モデルが0.84のF1スコアを得るのに役立ちます。
論文 参考訳(メタデータ) (2023-04-26T14:11:04Z) - 3D PETCT Tumor Lesion Segmentation via GCN Refinement [4.929126432666667]
グラフ畳み込みニューラルネットワーク(GCN)に基づく後処理手法を提案する。
MICCIA2022 autoPET ChallengeにおいてPET/CTデータセットの腫瘍分画実験を行った。
実験結果から, nnUNet-GCNの改良により偽陽性率が効果的に減少することが示唆された。
論文 参考訳(メタデータ) (2023-02-24T10:52:08Z) - Improving Small Lesion Segmentation in CT Scans using Intensity
Distribution Supervision: Application to Small Bowel Carcinoid Tumor [4.204844286979697]
小さな病変のセグメンテーションを改善する1つのアプローチは、関心領域を減らし、それを全領域に対して実行するよりも高い感度で検査することである。
そこで本研究では,対象病変の強度分布を付加的なラベル付けコストで利用し,背景から病変が検出可能な領域を効果的に分離することを提案する。
論文 参考訳(メタデータ) (2022-07-29T14:14:00Z) - Building Brains: Subvolume Recombination for Data Augmentation in Large
Vessel Occlusion Detection [56.67577446132946]
この戦略をデータから学ぶためには、標準的なディープラーニングベースのモデルに対して、大規模なトレーニングデータセットが必要である。
そこで本研究では, 異なる患者から血管木セグメントを組換えることで, 人工的なトレーニングサンプルを生成する方法を提案する。
拡張スキームに則って,タスク固有の入力を入力した3D-DenseNetを用いて,半球間の比較を行う。
論文 参考訳(メタデータ) (2022-05-05T10:31:57Z) - EMT-NET: Efficient multitask network for computer-aided diagnosis of
breast cancer [58.720142291102135]
乳腺腫瘍の分類と分別を同時に行うための,効率的で軽量な学習アーキテクチャを提案する。
腫瘍分類ネットワークにセグメンテーションタスクを組み込むことにより,腫瘍領域に着目したバックボーンネットワークで表現を学習する。
腫瘍分類の精度、感度、特異性はそれぞれ88.6%、94.1%、85.3%である。
論文 参考訳(メタデータ) (2022-01-13T05:24:40Z) - A Deep Learning Approach to Predicting Collateral Flow in Stroke
Patients Using Radiomic Features from Perfusion Images [58.17507437526425]
側方循環は、血流を妥協した領域に酸素を供給する特殊な無酸素流路から生じる。
実際のグレーティングは主に、取得した画像の手動検査によって行われる。
MR灌流データから抽出した放射線学的特徴に基づいて,脳卒中患者の側方血流低下を予測するための深層学習手法を提案する。
論文 参考訳(メタデータ) (2021-10-24T18:58:40Z) - Lymph Node Gross Tumor Volume Detection and Segmentation via
Distance-based Gating using 3D CT/PET Imaging in Radiotherapy [18.958512013804462]
本研究では,放射線腫瘍学者による高レベル推論プロトコルをシミュレーションし,単純化するための効果的な距離ベースゲーティング手法を提案する。
1つのGTVLNカテゴリの特徴を学習する各ブランチで、新しいマルチブランチ検出・セグメンテーションネットワークを訓練する。
以上の結果から,従来の最先端技術と比較して,平均リコール率を72.5%から78.2%に改善した。
論文 参考訳(メタデータ) (2020-08-27T00:37:50Z) - Detecting Scatteredly-Distributed, Small, andCritically Important
Objects in 3D OncologyImaging via Decision Stratification [23.075722503902714]
本研究は腫瘍学的に重要なリンパ節(または不審な癌転移)の検出と分節に焦点を当てた。
我々はOSLNを腫瘍近位・腫瘍遠位分類に分割する分断型決定階層化手法を提案する。
局所的な3D画像パッチから得られた特徴と高次病変特性を組み合わせた新しいグローバルローカルネットワーク(GLNet)を提案する。
論文 参考訳(メタデータ) (2020-05-27T23:12:11Z)
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。