論文の概要: PSA-Net: Deep Learning based Physician Style-Aware Segmentation Network
for Post-Operative Prostate Cancer Clinical Target Volume
- arxiv url: http://arxiv.org/abs/2102.07880v1
- Date: Mon, 15 Feb 2021 22:42:52 GMT
- ステータス: 処理完了
- システム内更新日: 2021-02-17 14:55:18.323137
- Title: PSA-Net: Deep Learning based Physician Style-Aware Segmentation Network
for Post-Operative Prostate Cancer Clinical Target Volume
- Title（参考訳）: psa-net : 術後前立腺癌の臨床ターゲットボリュームのための深層学習型医師スタイル・アウェアセグメンテーションネットワーク
- Authors: Anjali Balagopal, Howard Morgan, Michael Dohopoloski, Ramsey
Timmerman, Jie Shan, Daniel F. Heitjan, Wei Liu, Dan Nguyen, Raquibul Hannan,
Aurelie Garant, Neil Desai, Steve Jiang
- Abstract要約: 本研究は,医師スタイルが治療結果と毒性に与える影響について,医師スタイルの一貫性と学習性について検討する。
パーセプチュアルロスで訓練されたエンコーダマルチデコーダネットワークであるドクタースタイルアウェア(PSA)セグメンテーションという概念が提案されている。
- 参考スコア（独自算出の注目度）: 5.90921279461999
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Automatic segmentation of medical images with DL algorithms has proven to be
highly successful. With most of these algorithms, inter-observer variation is
an acknowledged problem, leading to sub-optimal results. This problem is even
more significant in post-operative clinical target volume (post-op CTV)
segmentation due to the absence of macroscopic visual tumor in the image. This
study, using post-op CTV segmentation as the test bed, tries to determine if
physician styles are consistent and learnable, if there is an impact of
physician styles on treatment outcome and toxicity; and how to explicitly deal
with physician styles in DL algorithms to facilitate its clinical acceptance. A
classifier is trained to identify which physician has contoured the CTV from
just the contour and corresponding CT scan, to determine if physician styles
are consistent and learnable. Next, we evaluate if adapting automatic
segmentation to physician styles would be clinically feasible based on a lack
of difference between outcomes. For modeling different physician styles of CTV
segmentation, a concept called physician style-aware (PSA) segmentation is
proposed which is an encoder-multidecoder network trained with perceptual loss.
With the proposed physician style-aware network (PSA-Net), Dice similarity
coefficient (DSC) accuracy increases on an average of 3.4% for all physicians
from a general model that is not style adapted. We show that stylistic
contouring variations also exist between institutions that follow the same
segmentation guidelines and show the effectiveness of the proposed method in
adapting to new institutional styles. We observed an accuracy improvement of 5%
in terms of DSC when adapting to the style of a separate institution.
- Abstract（参考訳）: dlアルゴリズムによる医用画像の自動分割は非常に成功している。
これらのアルゴリズムの多くでは、サーバ間の変動は認識される問題であり、準最適結果をもたらす。
この問題は、画像にマクロ視的視覚腫瘍が存在しないため、術後臨床標的量(術後CTV)セグメンテーションにおいてさらに重要である。
本研究は,CTV後のセグメンテーションをテストベッドとして用い,医師スタイルの整合性と学習性,医師スタイルが治療成績と毒性に与える影響,DLアルゴリズムの医師スタイルを明示的に扱う方法,臨床的受容を促進する方法について検討する。
分類器は、医師のスタイルが一貫性があり、学習可能であるかどうかを判断するために、輪郭と対応するCTスキャンからCTVを輪郭化した医師を特定するように訓練されます。
次に, 結果の差異の欠如により, 医師のスタイルに自動的セグメンテーションを適用することが臨床的に実現可能かどうかを評価する。
ctvセグメンテーションの異なる医師スタイルをモデル化するために、知覚損失を訓練したエンコーダマルチデコーダネットワークであるdoctor style-aware(psa)セグメンテーションという概念が提案されている。
提案されたドクタースタイル認識ネットワーク(PSA-Net)では、Diceの類似度係数(DSC)の精度は、スタイルに適合していない一般的なモデルからすべてのドクターの平均3.4%増加します。
本研究では,同じセグメンテーションガイドラインに従った制度間での様式的輪郭変動も存在し,提案手法が新たな制度スタイルに適応する効果を示す。
別施設のスタイルに適応した場合,DSCでは5%の精度向上が観察された。
関連論文リスト
- A Multimodal Approach For Endoscopic VCE Image Classification Using BiomedCLIP-PubMedBERT [0.62914438169038]
本稿では,マルチモーダルモデルであるBiomedCLIP PubMedBERTの微細調整によるビデオカプセル内視鏡フレームの異常の分類について述べる。
本手法では, 血管拡張症, 出血, エロージョン, エリテマ, 異物, リンパ管拡張症, ポリープ, 潰瘍, ワーム, 正常の10種類の画像に分類する。
分類、精度、リコール、F1スコアなどのパフォーマンス指標は、内視鏡フレームの異常を正確に識別する強力な能力を示している。
論文 参考訳（メタデータ） (2024-10-25T19:42:57Z) - MedUHIP: Towards Human-In-the-Loop Medical Segmentation [5.520419627866446]
医用画像のセグメンテーションは、固有の不確実性によって特に複雑である。
我々はtextbfuncertainty-aware モデルと textbf Human-in-the-loop 相互作用を統合する新しいアプローチを提案する。
提案手法は,決定論的および不確実性を考慮したモデルよりも優れたセグメンテーション能力を示す。
論文 参考訳（メタデータ） (2024-08-03T01:06:02Z) - Anatomy-guided Pathology Segmentation [56.883822515800205]
本研究では, 解剖学的特徴と病理学的情報を組み合わせた汎用的セグメンテーションモデルを構築し, 病理学的特徴のセグメンテーション精度を高めることを目的とする。
我々の解剖学・病理学交流(APEx)訓練では,ヒト解剖学の問合せ表現に結合特徴空間をデコードする問合せベースのセグメンテーション変換器を用いている。
これにより、FDG-PET-CTとChest X-Rayの病理分類タスクにおいて、強力なベースライン法に比べて最大3.3%のマージンで、ボード全体で最高の結果を報告できる。
論文 参考訳（メタデータ） (2024-07-08T11:44:15Z) - Dual-scale Enhanced and Cross-generative Consistency Learning for Semi-supervised Medical Image Segmentation [49.57907601086494]
医用画像のセグメンテーションはコンピュータ支援診断において重要な役割を担っている。
半教師型医用画像(DEC-Seg)のための新しいDual-scale Enhanced and Cross-generative consistency learning frameworkを提案する。
論文 参考訳（メタデータ） (2023-12-26T12:56:31Z) - Multi-task Explainable Skin Lesion Classification [54.76511683427566]
少ないラベル付きデータでよく一般化する皮膚病変に対する数発のショットベースアプローチを提案する。
提案手法は,アテンションモジュールや分類ネットワークとして機能するセグメンテーションネットワークの融合を含む。
論文 参考訳（メタデータ） (2023-10-11T05:49:47Z) - Rethinking Semi-Supervised Medical Image Segmentation: A
Variance-Reduction Perspective [51.70661197256033]
医用画像セグメンテーションのための階層化グループ理論を用いた半教師付きコントラスト学習フレームワークARCOを提案する。
まず、分散還元推定の概念を用いてARCOを構築することを提案し、特定の分散還元技術が画素/ボクセルレベルのセグメンテーションタスクにおいて特に有用であることを示す。
5つの2D/3D医療データセットと3つのセマンティックセグメンテーションデータセットのラベル設定が異なる8つのベンチマークで、我々のアプローチを実験的に検証する。
論文 参考訳（メタデータ） (2023-02-03T13:50:25Z) - Prior Guided Deep Difference Meta-Learner for Fast Adaptation to
Stylized Segmentation [1.1091582432763736]
先行誘導型DDLネットワークは、患者の初期グループのために臨床医が承認したモデルと最終輪郭の系統的差異を学習する。
モデルは、練習スタイルと解剖学的構造とは独立している。
新しい練習スタイルや新しい解剖学的構造に適応するために臨床用途に展開できるが、さらなる訓練は行わない。
論文 参考訳（メタデータ） (2022-11-19T05:06:16Z) - Systematic Clinical Evaluation of A Deep Learning Method for Medical
Image Segmentation: Radiosurgery Application [48.89674088331313]
3次元医用画像分割作業において,Deep Learning (DL) 手法を体系的に評価した。
本手法は放射線外科治療プロセスに統合され,臨床ワークフローに直接影響を及ぼす。
論文 参考訳（メタデータ） (2021-08-21T16:15:40Z) - Dosimetric impact of physician style variations in contouring CTV for
post-operative prostate cancer: A deep learning based simulation study [0.6464439696329373]
腫瘍のセグメンテーションでは、オブザーバ間変異が重要な問題であることが認識されている。
本研究では, 深層学習を用いて臨床ワークフローをシミュレートすることにより, これらの医師のスタイル変化が臓器リスク量(OAR)に与える影響を解析した。
論文 参考訳（メタデータ） (2021-02-01T17:34:37Z) - 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 deep learning-based framework for segmenting invisible clinical target
volumes with estimated uncertainties for post-operative prostate cancer
radiotherapy [0.6262579136517118]
前立腺癌に対する術後放射線療法では,前立腺癌は外科的に摘出されているため,照射すべき臨床標的体積(CTV)は腫瘍細胞の顕微鏡的拡散を含んでいる。
現在の臨床実践では、医師は近くの臓器や他の臨床情報との関係に基づいて、手動でCTVを分類する。
本稿では,まず周辺臓器を分割し,次にCTVとの関係を利用してCTVセグメンテーションを支援することによって,この問題を克服する深層学習モデルを提案する。
論文 参考訳（メタデータ） (2020-04-28T04:29:46Z)
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。