論文の概要: Nested-block self-attention for robust radiotherapy planning
segmentation
- arxiv url: http://arxiv.org/abs/2102.13541v1
- Date: Fri, 26 Feb 2021 15:28:47 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-01 13:51:36.356089
- Title: Nested-block self-attention for robust radiotherapy planning
segmentation
- Title（参考訳）: 堅牢な放射線治療計画セグメント化のためのネストブロック自己アテンション
- Authors: Harini Veeraraghavan, Jue Jiang, Sharif Elguindi, Sean L. Berry,
Ifeanyirochukwu Onochie, Aditya Apte, Laura Cervino, Joseph O. Deasy
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 3.2541650155921142
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Although deep convolutional networks have been widely studied for head and
neck (HN) organs at risk (OAR) segmentation, their use for routine clinical
treatment planning is limited by a lack of robustness to imaging artifacts, low
soft tissue contrast on CT, and the presence of abnormal anatomy. In order to
address these challenges, we developed a computationally efficient nested block
self-attention (NBSA) method that can be combined with any convolutional
network. Our method achieves computational efficiency by performing non-local
calculations within memory blocks of fixed spatial extent. Contextual
dependencies are captured by passing information in a raster scan order between
blocks, as well as through a second attention layer that causes bi-directional
attention flow. We implemented our approach on three different networks to
demonstrate feasibility. Following training using 200 cases, we performed
comprehensive evaluations using conventional and clinical metrics on a separate
set of 172 test scans sourced from external and internal institution datasets
without any exclusion criteria. NBSA required a similar number of computations
(15.7 gflops) as the most efficient criss-cross attention (CCA) method and
generated significantly more accurate segmentations for brain stem (Dice of
0.89 vs. 0.86) and parotid glands (0.86 vs. 0.84) than CCA. NBSA's
segmentations were less variable than multiple 3D methods, including for small
organs with low soft-tissue contrast such as the submandibular glands (surface
Dice of 0.90).
- Abstract（参考訳）: 頭頸部(HN)臓器のセグメンテーション(OAR)に対する深層畳み込みネットワークの研究は盛んに行われているが, 画像アーチファクトに対する堅牢性の欠如, CT上の軟組織コントラストの低下, 異常解剖の存在など, 定期的な臨床治療計画のための利用は限られている。
これらの課題を解決するために,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高いネストブロック自己アテンション(NBSA)法を開発した。
固定空間領域のメモリブロック内で非局所計算を行うことで,計算効率を実現する。
コンテキスト依存は、双方向の注意の流れを引き起こす第2の注意層を通じて、ブロック間でラスタースキャン順序で情報を渡すことでキャプチャされる。
実現可能性を示すために,3つの異なるネットワークにアプローチを実装した。
200例のトレーニングの後、外部および内部機関のデータセットから得られた172個のテストスキャンを除外基準なしで、従来の測定値と臨床指標を使用して包括的な評価を実施しました。
NBSAは、最も効率的なCCA(criss-cross attention)法として同様の数の計算(15.7 gflops)を必要とし、脳幹(0.89対0.86)および耳下腺(0.86対0.84)に対して、CCAよりも著しく正確な分割を生成する。
NBSAのセグメンテーションは, 下顎下腺などの軟らかいコントラストの低い小臓器(表面ジス0.90)を含む, 複数の3D法に比べて変化が少なかった。
関連論文リスト
- CT-based brain ventricle segmentation via diffusion Schrödinger Bridge without target domain ground truths [0.9720086191214947]
クリニカルCTスキャンによる高効率かつ正確な脳室分画は、腹腔鏡下手術のような緊急手術には不可欠である。
我々は,CTセグメント化の真偽を必要とせず,新しい不確実性に留意した心室分画法を導入する。
提案手法では拡散型Schr"odinger Bridgeと残像U-Netを併用し,画像診断とMRI検査を併用した。
論文 参考訳（メタデータ） (2024-05-28T15:17:58Z) - CIS-UNet: Multi-Class Segmentation of the Aorta in Computed Tomography
Angiography via Context-Aware Shifted Window Self-Attention [10.335899694123711]
大動脈セグメンテーションのためのディープラーニングモデルであるContext Infused Swin-UNet(CIS-UNet)を紹介する。
CIS-UNetは、CNNエンコーダ、対称デコーダ、スキップ接続、新しいコンテキスト対応シフトウィンドウ自己認識(CSW-SA)をボトルネックブロックとする階層型エンコーダデコーダ構造を採用している。
CIS-UNetは,従来のSwinUNetRセグメンテーションモデルよりも優れた平均Dice係数0.713を達成し,コンピュータ断層撮影(CT)の訓練を行った。
論文 参考訳（メタデータ） (2024-01-23T19:17:20Z) - Segmentation of Aortic Vessel Tree in CT Scans with Deep Fully
Convolutional Networks [4.062948258086793]
大動脈疾患の早期発見,診断,予後には,CTスキャンによる大動脈血管木の自動的,正確な分画が不可欠である。
我々は2段階の完全畳み込みネットワーク(FCN)を用いて、複数のセンターからスキャン中のAVTを自動的に分割する。
論文 参考訳（メタデータ） (2023-05-16T22:24:01Z) - Generative Adversarial Networks for Weakly Supervised Generation and Evaluation of Brain Tumor Segmentations on MR Images [0.0]
本研究は2次元磁気共鳴画像におけるセグメント異常に対する弱教師付きアプローチを示す。
我々は,癌画像を健全な変種に変換するGAN(Generative Adversarial Network)を訓練する。
非共役な変種は、弱監督的な方法で分割を評価するためにも用いられる。
論文 参考訳（メタデータ） (2022-11-10T00:04:46Z) - Fuzzy Attention Neural Network to Tackle Discontinuity in Airway
Segmentation [67.19443246236048]
気道セグメンテーションは肺疾患の検査、診断、予後に重要である。
いくつかの小型の気道支線(気管支や終端など)は自動セグメンテーションの難しさを著しく増す。
本稿では,新しいファジィアテンションニューラルネットワークと包括的損失関数を備える,気道セグメンテーションの効率的な手法を提案する。
論文 参考訳（メタデータ） (2022-09-05T16:38:13Z) - 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) - 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) - 3D Structural Analysis of the Optic Nerve Head to Robustly Discriminate
Between Papilledema and Optic Disc Drusen [44.754910718620295]
我々は3次元光コヒーレンストモグラフィー(OCT)スキャンで視神経頭部(ONH)の組織構造を同定する深層学習アルゴリズムを開発した。
1: ODD, 2: papilledema, 3: healthy) の分類を150 OCTボリュームで行うように設計した。
われわれのAIアプローチは,1本のCTスキャンを用いて,パピレデマからODDを正確に識別する。
論文 参考訳（メタデータ） (2021-12-18T17:05:53Z) - Hepatic vessel segmentation based on 3Dswin-transformer with inductive
biased multi-head self-attention [46.46365941681487]
Indu BIased Multi-Head Attention Vessel Net という,堅牢なエンドツーエンドのコンテナセグメンテーションネットワークを提案する。
正確な肝血管のボクセルを見つけるために,パッチワイド埋め込みよりもボクセルワイド埋め込みを導入する。
一方,絶対位置埋め込みから帰納的バイアス付き相対的位置埋め込みを学習する帰納的バイアス付きマルチヘッド自己アテンションを提案する。
論文 参考訳（メタデータ） (2021-11-05T10:17:08Z) - 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) - Automatic Segmentation of Organs-at-Risk from Head-and-Neck CT using
Separable Convolutional Neural Network with Hard-Region-Weighted Loss [10.93840864507459]
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。
論文 参考訳（メタデータ） (2021-02-03T06:31:38Z)
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。