Fugu-MT 論文翻訳(概要): Squeeze-and-Excitation Normalization for Automated Delineation of Head and Neck Primary Tumors in Combined PET and CT Images

論文の概要: Squeeze-and-Excitation Normalization for Automated Delineation of Head and Neck Primary Tumors in Combined PET and CT Images

arxiv url: http://arxiv.org/abs/2102.10446v1
Date: Sat, 20 Feb 2021 21:06:59 GMT
ステータス: 処理完了
システム内更新日: 2021-02-24 03:44:25.952810
Title: Squeeze-and-Excitation Normalization for Automated Delineation of Head and Neck Primary Tumors in Combined PET and CT Images
Title（参考訳）: pet画像とct画像の併用による頭頸部原発腫瘍の自動切除法の検討
Authors: Andrei Iantsen, Dimitris Visvikis, Mathieu Hatt
Abstract要約: ポジトロン発光トモグラフィ/CT(PET/CT)画像を組み合わせることで、ヘッドアンドネック(H&N)一次腫瘍分割の自動化に貢献します。残層を持つU-Netアーキテクチャを設計し,Squeeze-and-Excitation Normalizationを補足した。本手法は,クロスバリデーション (DSC 0.745, 精度 0.760, リコール 0.789) と試験セット (DSC 0.759, 精度 0.833, リコール 0.740) で達成し, HECKTORチャレンジで優勝した。
参考スコア（独自算出の注目度）: 3.2694564664990753
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Development of robust and accurate fully automated methods for medical image segmentation is crucial in clinical practice and radiomics studies. In this work, we contributed an automated approach for Head and Neck (H&N) primary tumor segmentation in combined positron emission tomography / computed tomography (PET/CT) images in the context of the MICCAI 2020 Head and Neck Tumor segmentation challenge (HECKTOR). Our model was designed on the U-Net architecture with residual layers and supplemented with Squeeze-and-Excitation Normalization. The described method achieved competitive results in cross-validation (DSC 0.745, precision 0.760, recall 0.789) performed on different centers, as well as on the test set (DSC 0.759, precision 0.833, recall 0.740) that allowed us to win first prize in the HECKTOR challenge among 21 participating teams. The full implementation based on PyTorch and the trained models are available at https://github.com/iantsen/hecktor
Abstract（参考訳）: 医用画像分割のための堅牢で正確な完全自動化手法の開発は,臨床および放射線医学研究において重要である。本研究では、MICCAI 2020 Head and Neck Tumor segmentation Challenge (HECKTOR) の文脈において、ポジトロン放射トモグラフィ/計算トモグラフィ(PET/CT)画像を組み合わせることで、ヘッドアンドネック(H&N)プライマリ腫瘍セグメンテーション(H&N)の自動アプローチに貢献した。残層を持つU-Netアーキテクチャを設計し,Squeeze-and-Excitation Normalizationを補足した。提案手法は,異なるセンターで実施したクロスバリデーション (dsc 0.745, precision 0.760, recall 0.789) とテストセット (dsc 0.759, precision 0.833, recall 0.740) において,21チーム中21チームがヘクターチャレンジで優勝した。 PyTorchとトレーニングされたモデルに基づく完全な実装はhttps://github.com/iantsen/hecktorで公開されている。

関連論文リスト

Lesion Segmentation in Whole-Body Multi-Tracer PET-CT Images; a Contribution to AutoPET 2024 Challenge [0.0]
本研究は, 画像前処理, トレーサ分類, 病変分割ステップを組み込んだワークフローによるAutoPET MICCAI 2024チャレンジに寄与する。このパイプラインの実装により、モデルのセグメンテーション精度が大幅に向上した。
論文参考訳（メタデータ） (2024-09-22T14:50:46Z)
TotalSegmentator MRI: Sequence-Independent Segmentation of 59 Anatomical Structures in MR images [62.53931644063323]
本研究では,TotalSegmentatorをMR画像に拡張した。このデータセットに基づいてnnU-Netセグメンテーションアルゴリズムを訓練し、類似度係数(Dice)を計算し、モデルの性能を評価した。このモデルは、他の2つの公開セグメンテーションモデル(Dice score 0.824 vs 0.762; p0.001 and 0.762 versus 0.542; p)を大きく上回った。
論文参考訳（メタデータ） (2024-05-29T20:15:54Z)
Analysis of the BraTS 2023 Intracranial Meningioma Segmentation Challenge [44.586530244472655]
我々はBraTS 2023の頭蓋内髄膜腫チャレンジの設計と結果について述べる。 BraTS髄膜腫チャレンジ(BraTS Meningioma Challenge)は、髄膜腫に焦点を当てた以前のBraTSグリオーマチャレンジとは異なる。上層部は腫瘍,腫瘍コア,腫瘍全体の拡張のために0.976,0.976,0.964の病変中央値類似係数(DSC)を有していた。
論文参考訳（メタデータ） (2024-05-16T03:23:57Z)
Revisiting Computer-Aided Tuberculosis Diagnosis [56.80999479735375]
結核(TB)は世界的な健康上の脅威であり、毎年何百万人もの死者を出している。深層学習を用いたコンピュータ支援結核診断 (CTD) は有望であるが, 限られたトレーニングデータによって進行が妨げられている。結核X線(TBX11K)データセットは11,200個の胸部X線(CXR)画像とそれに対応するTB領域のバウンディングボックスアノテーションを含む。このデータセットは、高品質なCTDのための洗練された検出器のトレーニングを可能にする。
論文参考訳（メタデータ） (2023-07-06T08:27:48Z)
Attention-based Saliency Maps Improve Interpretability of Pneumothorax Classification [52.77024349608834]
視覚変換器(ViT)の胸部X線撮影(CXR)分類性能と注意ベース唾液の解釈可能性について検討する。 ViTは、CheXpert、Chest X-Ray 14、MIMIC CXR、VinBigDataの4つの公開データセットを用いて、肺疾患分類のために微調整された。 ViTsは最先端のCNNと比べてCXR分類AUCに匹敵するものであった。
論文参考訳（メタデータ） (2023-03-03T12:05:41Z)
Automatic Segmentation of Head and Neck Tumor: How Powerful Transformers Are? [0.0]
我々は,H&N腫瘍を自動デライン化するための視覚変換器を用いた手法を開発した。我々は、その結果をCNNベースのモデルと比較する。選択した変換器ベースモデルにより,CNNベースモデルと同等の結果が得られることを示す。
論文参考訳（メタデータ） (2022-01-17T07:31:52Z)
Weaving Attention U-net: A Novel Hybrid CNN and Attention-based Method for Organs-at-risk Segmentation in Head and Neck CT Images [11.403827695550111]
我々は、畳み込みニューラルネットワーク(CNN)と自己認識機構を組み合わせた、新しいハイブリッドディープラーニングアプローチを開発した。提案手法は10臓器対リスク(OAR)の基底真理によく似た輪郭を生成する。新しいウィービング注意U-netは頭頸部CT画像のセグメンテーションに優れているか類似した性能を示した。
論文参考訳（メタデータ） (2021-07-10T14:27:46Z)
H2NF-Net for Brain Tumor Segmentation using Multimodal MR Imaging: 2nd Place Solution to BraTS Challenge 2020 Segmentation Task [96.49879910148854]
当社のH2NF-Netは、単一およびカスケードのHNF-Netを使用して、異なる脳腫瘍サブリージョンを分割します。我々は、マルチモーダル脳腫瘍チャレンジ(BraTS)2020データセットでモデルをトレーニングし、評価した。提案手法は,80名近い参加者のうち,brats 2020チャレンジセグメンテーションタスクで2位となった。
論文参考訳（メタデータ） (2020-12-30T20:44:55Z)
Combining CNN and Hybrid Active Contours for Head and Neck Tumor Segmentation in CT and PET images [16.76087435628378]
本稿では,畳み込みニューラルネットワーク(cnns)とハイブリッド・アクティブ輪郭を併用した頭頸部腫瘍の自動分割法を提案する。 MCCAI 2020 HECKTORでは,平均Dice similarity Coefficient, precision, recallが0.752, 0.838, 0.717で2位となった。
論文参考訳（メタデータ） (2020-12-28T12:12:14Z)
Multiple resolution residual network for automatic thoracic organs-at-risk segmentation from CT [2.9023633922848586]
我々は,CT画像からのOAR分割のためのMRRN(Multiple resolution residual Network)の実装と評価を行った。提案手法は,複数画像解像度で計算された特徴ストリームと残差接続による特徴レベルを同時に組み合わせる。左肺, 心臓, 食道, 脊髄を分画する検査を35回行った肺がん患者206例の胸部CT検査を用いて, アプローチを訓練した。
論文参考訳（メタデータ） (2020-05-27T22:39:09Z)
Co-Heterogeneous and Adaptive Segmentation from Multi-Source and Multi-Phase CT Imaging Data: A Study on Pathological Liver and Lesion Segmentation [48.504790189796836]
我々は,新しいセグメンテーション戦略,コヘテロジネティック・アダプティブセグメンテーション(CHASe)を提案する。本稿では,外見に基づく半スーパービジョン,マスクに基づく対向ドメイン適応,擬似ラベルを融合した多目的フレームワークを提案する。 CHASeは4.2% sim 9.4%$の範囲で、病理的な肝臓マスクDice-Sorensen係数をさらに改善することができる。
論文参考訳（メタデータ） (2020-05-27T06:58:39Z)

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。