論文の概要: FocusNetv2: Imbalanced Large and Small Organ Segmentation with
Adversarial Shape Constraint for Head and Neck CT Images
- arxiv url: http://arxiv.org/abs/2104.01771v1
- Date: Mon, 5 Apr 2021 04:45:31 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-06 14:22:27.177170
- Title: FocusNetv2: Imbalanced Large and Small Organ Segmentation with
Adversarial Shape Constraint for Head and Neck CT Images
- Title（参考訳）: FocusNetv2: 頭頸部CT像に対する逆方向形状制約を伴う大小臓器分割の非バランス化
- Authors: Yunhe Gao, Rui Huang, Yiwei Yang, Jie Zhang, Kainan Shao, Changjuan
Tao, Yuanyuan Chen, Dimitris N. Metaxas, Hongsheng Li, Ming Chen
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 82.48587399026319
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Radiotherapy is a treatment where radiation is used to eliminate cancer
cells. The delineation of organs-at-risk (OARs) is a vital step in radiotherapy
treatment planning to avoid damage to healthy organs. For nasopharyngeal
cancer, more than 20 OARs are needed to be precisely segmented in advance. The
challenge of this task lies in complex anatomical structure, low-contrast organ
contours, and the extremely imbalanced size between large and small organs.
Common segmentation methods that treat them equally would generally lead to
inaccurate small-organ labeling. We propose a novel two-stage deep neural
network, FocusNetv2, to solve this challenging problem by automatically
locating, ROI-pooling, and segmenting small organs with specifically designed
small-organ localization and segmentation sub-networks while maintaining the
accuracy of large organ segmentation. In addition to our original FocusNet, we
employ a novel adversarial shape constraint on small organs to ensure the
consistency between estimated small-organ shapes and organ shape prior
knowledge. Our proposed framework is extensively tested on both self-collected
dataset of 1,164 CT scans and the MICCAI Head and Neck Auto Segmentation
Challenge 2015 dataset, which shows superior performance compared with
state-of-the-art head and neck OAR segmentation methods.
- Abstract（参考訳）: 放射線療法は、がん細胞を除去するために放射線を使用する治療である。
OAR(Organs-at-risk)は、健康な臓器の損傷を避けるための放射線治療計画において重要なステップである。
鼻咽喉頭癌では,20以上のOARを事前に正確に分類する必要がある。
この課題は、複雑な解剖学的構造、低コントラストの臓器輪郭、そして大きな臓器と小さな臓器の間の非常に不均衡な大きさにある。
それらを等しく扱う一般的なセグメンテーション法は、通常は不正確な小組織ラベリングを引き起こす。
そこで本研究では,小臓器の自動配置,roiプーリング,セグメンテーションを行い,小臓器の局所配置とセグメンテーションを特異的に設計し,大規模臓器セグメンテーションの精度を維持しつつ,この課題を解決するための新しい2段階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。
提案するフレームワークは,1,164個のCTスキャンの自己収集データセットとMICCAIヘッドとネックオートセグメンテーションチャレンジ2015データセットの両方で広範囲にテストされ,最先端の頭頸部OARセグメンテーション法と比較して優れた性能を示している。
関連論文リスト
- AG-CRC: Anatomy-Guided Colorectal Cancer Segmentation in CT with
Imperfect Anatomical Knowledge [9.961742312147674]
自動生成臓器マスクを利用する新しい解剖ガイドセグメンテーションフレームワークを開発した。
提案手法を2つのCRCセグメンテーションデータセット上で広範囲に評価する。
論文 参考訳（メタデータ） (2023-10-07T03:22:06Z) - Uncertainty Driven Bottleneck Attention U-net for Organ at Risk
Segmentation [20.865775626533434]
CT画像におけるオルガン・アット・リスク(OAR)セグメンテーションは,自動セグメンテーション法では難しい課題である。
本稿では,複数のデコーダU-netアーキテクチャを提案し,ネットワークのボトルネックに注目するために,デコーダ間のセグメンテーションの不一致を利用する。
正確なセグメンテーションのために,CT強度統合正規化損失も提案した。
論文 参考訳（メタデータ） (2023-03-19T23:45:32Z) - 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) - External Attention Assisted Multi-Phase Splenic Vascular Injury
Segmentation with Limited Data [72.99534552950138]
脾臓は腹部外傷において最も多く損傷を受けた固形臓器の1つである。
脾臓血管損傷の 正確な分節化は 以下の理由から 困難です
論文 参考訳（メタデータ） (2022-01-04T02:35:56Z) - Generalized Organ Segmentation by Imitating One-shot Reasoning using
Anatomical Correlation [55.1248480381153]
そこで我々は,アノテーション付きオルガンクラスから一般化されたオルガン概念を学習し,その概念を未知のクラスに転送するOrganNetを提案する。
そこで,OrganNetは臓器形態の幅広い変化に効果的に抵抗でき,一発分節タスクで最先端の結果が得られることを示す。
論文 参考訳（メタデータ） (2021-03-30T13:41:12Z) - 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) - RAP-Net: Coarse-to-Fine Multi-Organ Segmentation with Single Random
Anatomical Prior [4.177877537413942]
粗密な腹部マルチオルガンセグメンテーションは、高解像度セグメンテーションの抽出を容易にします。
複数の臓器に対応するモデルに代えて,全腹部臓器を分節する単一改良モデルを提案する。
提案手法は,平均diceスコアが84.58%と,81.69% (p0.0001) の13モデルにおいて,最先端を上回っている。
論文 参考訳（メタデータ） (2020-12-23T00:22:05Z) - An Uncertainty-Driven GCN Refinement Strategy for Organ Segmentation [53.425900196763756]
本研究では,不確実性解析とグラフ畳み込みネットワークに基づくセグメンテーション改善手法を提案する。
半教師付きグラフ学習問題を定式化するために、特定の入力ボリュームにおける畳み込みネットワークの不確実性レベルを用いる。
本手法は膵臓で1%,脾臓で2%向上し,最先端のCRF改善法よりも優れていた。
論文 参考訳（メタデータ） (2020-12-06T18:55:07Z) - Deep Reinforcement Learning for Organ Localization in CT [59.23083161858951]
我々はCTにおける臓器局所化のための深層強化学習手法を提案する。
この研究において、人工エージェントは、その主張や誤りから学習することで、CT内の臓器の局所化を積極的に行う。
本手法は,任意の臓器をローカライズするためのプラグイン・アンド・プレイモジュールとして利用できる。
論文 参考訳（メタデータ） (2020-05-11T10:06:13Z) - AttentionAnatomy: A unified framework for whole-body organs at risk
segmentation using multiple partially annotated datasets [30.23917416966188]
CT(Computed tomography)におけるOAR(Organs-at-risk)記述は,放射線治療(RT)計画において重要なステップである。
提案したエンドツーエンドの畳み込みニューラルネットワークモデルである textbfAttentionAnatomy は、3つの部分注釈付きデータセットで共同でトレーニングできる。
提案手法の実験結果から, ソレンセン・ディース係数 (DSC) と95%ハウスドルフ距離の両面で有意な改善が得られた。
論文 参考訳（メタデータ） (2020-01-13T18:31:34Z)
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。