論文の概要: Improving prostate whole gland segmentation in t2-weighted MRI with
synthetically generated data
- arxiv url: http://arxiv.org/abs/2103.14955v1
- Date: Sat, 27 Mar 2021 18:04:11 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-01 13:59:21.464908
- Title: Improving prostate whole gland segmentation in t2-weighted MRI with
synthetically generated data
- Title（参考訳）: 合成データを用いたt2強調MRIにおける前立腺全腺セグメンテーションの改善
- Authors: Alvaro Fernandez-Quilez and Steinar Valle Larsen and Morten Goodwin
and Thor Ole Gulsurd and Svein Reidar Kjosavik and Ketil Oppedal
- Abstract要約: 前立腺の全身(WG)の区分は前立腺癌の検出、ステージングおよび処置計画で重要な役割を担います。
本研究では, WGセグメンテーションマスクを生成し, 前立腺のT2強調MRIを合成するパイプラインを提案する。
その結果,標準的な拡張技術と比較してWGセグメンテーションの品質は向上した。
- 参考スコア（独自算出の注目度）: 1.315041045243413
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Whole gland (WG) segmentation of the prostate plays a crucial role in
detection, staging and treatment planning of prostate cancer (PCa). Despite
promise shown by deep learning (DL) methods, they rely on the availability of a
considerable amount of annotated data. Augmentation techniques such as
translation and rotation of images present an alternative to increase data
availability. Nevertheless, the amount of information provided by the
transformed data is limited due to the correlation between the generated data
and the original. Based on the recent success of generative adversarial
networks (GAN) in producing synthetic images for other domains as well as in
the medical domain, we present a pipeline to generate WG segmentation masks and
synthesize T2-weighted MRI of the prostate based on a publicly available
multi-center dataset. Following, we use the generated data as a form of data
augmentation. Results show an improvement in the quality of the WG segmentation
when compared to standard augmentation techniques.
- Abstract（参考訳）: 前立腺全腺(WG)分節は前立腺癌(PCa)の検出、ステージング、治療計画において重要な役割を担っている。
ディープラーニング(DL)メソッドが示す約束にもかかわらず、かなりの量の注釈付きデータの可用性に依存している。
画像の翻訳や回転などの拡張技術は、データの可用性を高める代替手段となる。
それでも、生成されたデータと原データとの相関により、変換されたデータによって提供される情報量が制限される。
本稿では,他の領域および医療領域における合成画像の生成におけるgan(generative adversarial networks)の最近の成功に基づいて,wgセグメンテーションマスクを生成し,マルチセンターデータセットに基づいた前立腺のt2強調mriを合成するパイプラインを提案する。
次に、生成されたデータをデータ拡張の形式として使用します。
その結果,標準的な拡張技術と比較してWGセグメンテーションの品質は向上した。
関連論文リスト
- Test-Time Generative Augmentation for Medical Image Segmentation [20.12850876150199]
本稿では,テスト期間中の医用画像のセグメンテーションを強化する新しい手法を提案する。
入力テスト画像に手作り変換や関数を使う代わりに、先進的なドメインファインチューニング生成モデル(GM)の利用を提唱する。
医用画像分割作業におけるTTGAの有効性と有用性を示す実験を行った。
論文 参考訳（メタデータ） (2024-06-25T14:53:01Z) - 3D MRI Synthesis with Slice-Based Latent Diffusion Models: Improving Tumor Segmentation Tasks in Data-Scarce Regimes [2.8498944632323755]
本稿では,ボリュームデータ生成の複雑さに対処するスライスに基づく遅延拡散アーキテクチャを提案する。
この手法は,医療用画像と関連するマスクの同時分布モデルを拡張し,データスカース体制下での同時生成を可能にする。
構造は, 大きさ, 形状, 相対位置などの腫瘍特性によって調節できるため, 腫瘍の多様性は様々である。
論文 参考訳（メタデータ） (2024-06-08T09:53:45Z) - Cancer-Net PCa-Gen: Synthesis of Realistic Prostate Diffusion Weighted
Imaging Data via Anatomic-Conditional Controlled Latent Diffusion [68.45407109385306]
カナダでは、前立腺がんは男性でもっとも一般的ながんであり、2022年のこの人口統計では、新しいがん症例の20%を占めている。
拡散強調画像(DWI)データを用いた前立腺癌診断,予後,治療計画のためのディープニューラルネットワークの開発には大きな関心が寄せられている。
本研究では,解剖学的条件制御型潜伏拡散戦略の導入により,現実的な前立腺DWIデータを生成するための潜伏拡散の有効性について検討した。
論文 参考訳（メタデータ） (2023-11-30T15:11:03Z) - Generating 3D Brain Tumor Regions in MRI using Vector-Quantization
Generative Adversarial Networks [5.380977479547755]
本稿では、ベクトル量子化GANとマスクトークンモデリングを取り入れたトランスフォーマーを用いて、高分解能で多様な3次元脳腫瘍ROIを生成する新しいフレームワークを提案する。
提案手法は,MRIでまれな脳腫瘍の正確な診断を容易にする可能性がある。
論文 参考訳（メタデータ） (2023-10-02T14:39:10Z) - ArSDM: Colonoscopy Images Synthesis with Adaptive Refinement Semantic
Diffusion Models [69.9178140563928]
大腸内視鏡検査は臨床診断や治療に不可欠である。
注釈付きデータの不足は、既存の手法の有効性と一般化を制限する。
本稿では, 下流作業に有用な大腸内視鏡画像を生成するために, 適応Refinement Semantic Diffusion Model (ArSDM)を提案する。
論文 参考訳（メタデータ） (2023-09-03T07:55:46Z) - AlignTransformer: Hierarchical Alignment of Visual Regions and Disease
Tags for Medical Report Generation [50.21065317817769]
本稿では,Align Hierarchical Attention (AHA)とMulti-Grained Transformer (MGT)モジュールを含むAlign Transformerフレームワークを提案する。
パブリックなIU-XrayとMIMIC-CXRデータセットの実験は、AlignTransformerが2つのデータセットの最先端メソッドと競合する結果が得られることを示している。
論文 参考訳（メタデータ） (2022-03-18T13:43:53Z) - METGAN: Generative Tumour Inpainting and Modality Synthesis in Light
Sheet Microscopy [4.872960046536882]
本稿では,実解剖情報を活用し,腫瘍の現実的な画像ラベル対を生成する新しい生成法を提案する。
解剖学的画像とラベルのためのデュアルパス生成器を構築し, 独立して事前学習されたセグメンタによって制約された, サイクル一貫性のある設定で学習する。
生成した画像は,既存の手法に比べて定量的に顕著に改善された。
論文 参考訳（メタデータ） (2021-04-22T11:18:17Z) - GS-WGAN: A Gradient-Sanitized Approach for Learning Differentially
Private Generators [74.16405337436213]
我々は、GS-WGAN(Gradient-sanitized Wasserstein Generative Adrial Networks)を提案する。
GS-WGANは、厳格なプライバシー保証を備えた機密データの衛生的な形式での公開を可能にする。
このアプローチは、複数のメトリクスにわたる最先端のアプローチよりも一貫して優れています。
論文 参考訳（メタデータ） (2020-06-15T10:01:01Z) - SAGE: Sequential Attribute Generator for Analyzing Glioblastomas using
Limited Dataset [17.61939796730505]
GAN(Generative Adversarial Networks)は、最近、より多くのデータを生成することでそのようなデータセットを扱うのに非常に効果的である。
本稿では,新たな生成フレームワークであるSequential Attribute GEnerator(SAGE)を提案する。
SAGEは、限られたデータセットから学習しながら、詳細な腫瘍イメージング機能を生成する。
論文 参考訳（メタデータ） (2020-05-14T19:14:28Z) - Automatic Data Augmentation via Deep Reinforcement Learning for
Effective Kidney Tumor Segmentation [57.78765460295249]
医用画像セグメンテーションのための新しい学習ベースデータ拡張法を開発した。
本手法では,データ拡張モジュールと後続のセグメンテーションモジュールをエンドツーエンドのトレーニング方法で一貫した損失と,革新的に組み合わせる。
提案法の有効性を検証したCT腎腫瘍分節法について,本法を広範囲に評価した。
論文 参考訳（メタデータ） (2020-02-22T14:10:13Z) - MS-Net: Multi-Site Network for Improving Prostate Segmentation with
Heterogeneous MRI Data [75.73881040581767]
本稿では,ロバスト表現を学習し,前立腺のセグメンテーションを改善するための新しいマルチサイトネットワーク(MS-Net)を提案する。
当社のMS-Netは,すべてのデータセットのパフォーマンスを一貫して改善し,マルチサイト学習における最先端の手法よりも優れています。
論文 参考訳（メタデータ） (2020-02-09T14:11:50Z)
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。