Fugu-MT 論文翻訳(概要): Lesion Segmentation and RECIST Diameter Prediction via Click-driven Attention and Dual-path Connection

論文の概要: Lesion Segmentation and RECIST Diameter Prediction via Click-driven Attention and Dual-path Connection

arxiv url: http://arxiv.org/abs/2105.01828v1
Date: Wed, 5 May 2021 02:00:14 GMT
ステータス: 処理完了
システム内更新日: 2021-05-06 12:40:48.448380
Title: Lesion Segmentation and RECIST Diameter Prediction via Click-driven Attention and Dual-path Connection
Title（参考訳）: クリック駆動型注意とデュアルパス接続による病変分節と直腸径予測
Authors: Youbao Tang, Ke Yan, Jinzheng Cai, Lingyun Huang, Guotong Xie, Jing Xiao, Jingjing Lu, Gigin Lin, and Le Lu
Abstract要約: 病変の大きさを測定することは、腫瘍の成長を評価し、疾患の進行と治療反応を監視する上で重要なステップである。全身に共通する病変を分断するためのPDNet(preside-guided dual-path network)を提案する。 PDNetは、タスクの総合的かつ代表的な深部画像機能を学び、より正確な結果を生成する。
参考スコア（独自算出の注目度）: 16.80758525711538
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Measuring lesion size is an important step to assess tumor growth and monitor disease progression and therapy response in oncology image analysis. Although it is tedious and highly time-consuming, radiologists have to work on this task by using RECIST criteria (Response Evaluation Criteria In Solid Tumors) routinely and manually. Even though lesion segmentation may be the more accurate and clinically more valuable means, physicians can not manually segment lesions as now since much more heavy laboring will be required. In this paper, we present a prior-guided dual-path network (PDNet) to segment common types of lesions throughout the whole body and predict their RECIST diameters accurately and automatically. Similar to [1], a click guidance from radiologists is the only requirement. There are two key characteristics in PDNet: 1) Learning lesion-specific attention matrices in parallel from the click prior information by the proposed prior encoder, named click-driven attention; 2) Aggregating the extracted multi-scale features comprehensively by introducing top-down and bottom-up connections in the proposed decoder, named dual-path connection. Experiments show the superiority of our proposed PDNet in lesion segmentation and RECIST diameter prediction using the DeepLesion dataset and an external test set. PDNet learns comprehensive and representative deep image features for our tasks and produces more accurate results on both lesion segmentation and RECIST diameter prediction.
Abstract（参考訳）: 腫瘍径の計測は腫瘍の成長を評価する重要なステップであり,腫瘍画像解析における疾患進展と治療反応のモニタリングである。退屈で時間を要するが、放射線技師はRECIST基準(Response Evaluation Criteria In Solid tumors)を日常的かつ手動で使用することにより、この課題に取り組む必要がある。病変のセグメンテーションがより正確で臨床的に価値のある手段であるとしても、医師はより重い労働を必要とするため、手動で病変のセグメンテーションを行うことはできない。本稿では,全身に共通する病変を分割し,そのRECIST径を正確に自動予測する,事前誘導型デュアルパスネットワーク(PDNet)を提案する。 [1]と同様、放射線技師によるクリックガイダンスが唯一の要件である。 PDNetには2つの重要な特徴がある: 1) 提案した先行エンコーダによるクリック先行情報から並列に病変特異的な注意行列を学習する; クリック駆動型注意; 2) 提案するデコーダにトップダウンおよびボトムアップ接続を導入することにより、抽出されたマルチスケール特徴を包括的に集約する。 DeepLesionデータセットと外部テストセットを用いて,病変分割とRECIST径予測におけるPDNetの優位性を示す実験を行った。 PDNetは我々のタスクの包括的かつ代表的な深部画像の特徴を学習し、病変分割とRECIST径予測のどちらにおいてもより正確な結果が得られる。

関連論文リスト

Assessing the Performance of the DINOv2 Self-supervised Learning Vision Transformer Model for the Segmentation of the Left Atrium from MRI Images [1.2499537119440245]
DINOv2は、MRIを用いたLAセグメンテーションのための自然画像に基づいて訓練された自己教師型学習視覚変換器である。我々は、Diceスコアが.871で、Jaccard Indexが.792で、エンドツーエンドの微調整が可能な、正確で一貫したセグメンテーションを提供する能力を示す。これらの結果は、DINOv2がMRIに限られたデータで効果的に適応し、セグメンテーションの競争ツールとしての可能性を強調し、医療画像の幅広い利用を促進することを示唆している。
論文参考訳（メタデータ） (2024-11-14T17:15:51Z)
An Attention Based Pipeline for Identifying Pre-Cancer Lesions in Head and Neck Clinical Images [1.0957311485487375]
頭頸部癌は外科生検後に専門病院で診断されるが、診断が遅れる可能性がある。疑わしい病変,分節を同定し,非異形成性,異形成性,癌性病変に分類するアテンションベースパイプラインを提案する。
論文参考訳（メタデータ） (2024-05-03T09:02:17Z)
Real-time guidewire tracking and segmentation in intraoperative x-ray [52.51797358201872]
リアルタイムガイドワイヤ分割と追跡のための2段階のディープラーニングフレームワークを提案する。第1段階では、ヨロフ5検出器が元のX線画像と合成画像を使って訓練され、ターゲットのガイドワイヤのバウンディングボックスを出力する。第2段階では、検出された各バウンディングボックスにガイドワイヤを分割するために、新規で効率的なネットワークが提案されている。
論文参考訳（メタデータ） (2024-04-12T20:39:19Z)
Accurate and Robust Lesion RECIST Diameter Prediction and Segmentation with Transformers [22.528235432455524]
本稿では, 病変RECIST径予測とセグメント化のためのトランスフォーマーネットワークを提案する。病変のセグメンテーション、熱マップ予測、キーポイント回帰の3つの相関的および補的タスクとして定式化されている。 MeaFormerは大規模DeepLesionデータセット上でのRDPSの最先端のパフォーマンスを実現する。
論文参考訳（メタデータ） (2022-08-28T01:43:21Z)
Data-Efficient Vision Transformers for Multi-Label Disease Classification on Chest Radiographs [55.78588835407174]
視覚変換器(ViT)は一般的な画像の分類性能が高いにもかかわらず、このタスクには適用されていない。 ViTは、畳み込みではなくパッチベースの自己アテンションに依存しており、CNNとは対照的に、ローカル接続に関する事前の知識は存在しない。以上の結果から,ViTとCNNのパフォーマンスはViTの利点に匹敵するものの,DeiTsはトレーニング用に適度に大規模なデータセットが利用可能であれば,前者よりも優れることがわかった。
論文参考訳（メタデータ） (2022-08-17T09:07:45Z)
Two-Stage Mesh Deep Learning for Automated Tooth Segmentation and Landmark Localization on 3D Intraoral Scans [56.55092443401416]
TS-MDLの最初の段階では、mphiMeshSegNetは0.953pm0.076$で平均Dice類似係数(DSC)に達した。 PointNet-Reg は平均絶対誤差 (MAE) が 0.623pm0.718, mm$ であり、ランドマーク検出の他のネットワークよりも優れている。
論文参考訳（メタデータ） (2021-09-24T13:00:26Z)
RECIST-Net: Lesion detection via grouping keypoints on RECIST-based annotation [37.006151248641125]
病変検出のための新しいアプローチであるRECIST-Netを提案し,RECIST径の4つの極点と中心点を検出する。実験により、RECIST-Netはイメージ毎に4つの偽陽性で92.49%の感度を達成することが示された。
論文参考訳（メタデータ） (2021-07-19T09:41:13Z)
BiteNet: Bidirectional Temporal Encoder Network to Predict Medical Outcomes [53.163089893876645]
本稿では,患者の医療旅行におけるコンテキスト依存と時間的関係を捉える,新たな自己注意機構を提案する。エンド・ツー・エンドの双方向時間エンコーダネットワーク(BiteNet)が患者の旅路の表現を学習する。実世界のEHRデータセットを用いた2つの教師付き予測と2つの教師なしクラスタリングタスクにおける手法の有効性を評価した。
論文参考訳（メタデータ） (2020-09-24T00:42:36Z)
One Click Lesion RECIST Measurement and Segmentation on CT Scans [16.93574675459732]
臨床試験では、放射線技師の日常的な仕事は、RECIST基準を用いて医療画像上の腫瘍の大きさを測定することである。本稿ではセミオートマチックな病変テキストセグメンテーションとRECISTテキストEstimationのためのSEENetという統合フレームワークを提案する。
論文参考訳（メタデータ） (2020-07-21T20:53:43Z)
PraNet: Parallel Reverse Attention Network for Polyp Segmentation [155.93344756264824]
大腸内視鏡画像の高精度なポリープ分割のための並列リバースアテンションネットワーク(PraNet)を提案する。並列部分復号器(PPD)を用いて,まず高層層に特徴を集約する。さらに,エリアとバウンダリの関連性を確立するために,リバースアテンション(RA)モジュールを用いて境界キューをマイニングする。
論文参考訳（メタデータ） (2020-06-13T08:13:43Z)
VerSe: A Vertebrae Labelling and Segmentation Benchmark for Multi-detector CT Images [121.31355003451152]
大規模Vertebrae Challenge(VerSe)は、2019年と2020年に開催されたMICCAI(International Conference on Medical Image Computing and Computer Assisted Intervention)と共同で設立された。本評価の結果を報告するとともに,脊椎レベル,スキャンレベル,および異なる視野での性能変化について検討した。
論文参考訳（メタデータ） (2020-01-24T21:09:18Z)

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。