論文の概要: Joint Registration and Segmentation via Multi-Task Learning for Adaptive Radiotherapy of Prostate Cancer

• arxiv url: http://arxiv.org/abs/2105.01844v1
• Date: Wed, 5 May 2021 02:45:49 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-06 20:51:40.891590
• Title: Joint Registration and Segmentation via Multi-Task Learning for Adaptive Radiotherapy of Prostate Cancer
• Title（参考訳）: 前立腺癌適応放射線治療のためのマルチタスク学習による関節登録と分節化
• Authors: Mohamed S. Elmahdy, Laurens Beljaards, Sahar Yousefi, Hessam Sokooti, Fons Verbeek, U. A. van der Heide, and Marius Staring
• Abstract要約: マルチタスク学習設定による共同問題として登録とセグメンテーションを定式化する。 このアプローチは、前立腺癌に対する適応画像誘導放射線療法の文脈で検討する。
• 参考スコア（独自算出の注目度）: 3.0929226049096217
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Medical image registration and segmentation are two of the most frequent tasks in medical image analysis. As these tasks are complementary and correlated, it would be beneficial to apply them simultaneously in a joint manner. In this paper, we formulate registration and segmentation as a joint problem via a Multi-Task Learning (MTL) setting, allowing these tasks to leverage their strengths and mitigate their weaknesses through the sharing of beneficial information. We propose to merge these tasks not only on the loss level, but on the architectural level as well. We studied this approach in the context of adaptive image-guided radiotherapy for prostate cancer, where planning and follow-up CT images as well as their corresponding contours are available for training. The study involves two datasets from different manufacturers and institutes. The first dataset was divided into training (12 patients) and validation (6 patients), and was used to optimize and validate the methodology, while the second dataset (14 patients) was used as an independent test set. We carried out an extensive quantitative comparison between the quality of the automatically generated contours from different network architectures as well as loss weighting methods. Moreover, we evaluated the quality of the generated deformation vector field (DVF). We show that MTL algorithms outperform their Single-Task Learning (STL) counterparts and achieve better generalization on the independent test set. The best algorithm achieved a mean surface distance of $1.06 \pm 0.3$ mm, $1.27 \pm 0.4$ mm, $0.91 \pm 0.4$ mm, and $1.76 \pm 0.8$ mm on the validation set for the prostate, seminal vesicles, bladder, and rectum, respectively. The high accuracy of the proposed method combined with the fast inference speed, makes it a promising method for automatic re-contouring of follow-up scans for adaptive radiotherapy.
• Abstract（参考訳）: 医用画像の登録とセグメンテーションは、医用画像分析において最も頻繁な作業である。 これらのタスクは相補的で相関性があるので、共同でそれらを同時に適用することは有益である。 本稿では,マルチタスク学習(mtl)による統合問題として登録とセグメンテーションを定式化し,それらの課題の強みを活用し,有益な情報共有による弱みを緩和する。 我々は、これらのタスクを損失レベルだけでなく、アーキテクチャレベルでもマージすることを提案します。 本手法は前立腺癌に対する適応的画像誘導放射線治療の文脈において検討され,CT画像とそれに対応する輪郭の計画と追跡を行った。 この研究には、異なる製造業者や研究所のデータセットが2つ含まれている。 第1データセットはトレーニング(12例)と検証(6例)に分けられ,方法論の最適化と検証に用いられ,第2データセット(14例)は独立したテストセットとして使用された。 本研究では,異なるネットワークアーキテクチャから自動生成した輪郭の品質と損失重み付け手法を定量的に比較した。 さらに, 生成した変形ベクトル場(dvf)の品質評価を行った。 MTLアルゴリズムはSTL(Single-Task Learning)アルゴリズムよりも優れており、独立したテストセット上でより優れた一般化を実現する。 最良のアルゴリズムは、それぞれ前立腺、精巣、膀胱、直腸の検証セットにおいて、1.06 pm 0.3$ mm、1.27 pm 0.4$ mm、$0.91 pm 0.4$ mm、および1.76 pm 0.8$ mmの平均表面距離を達成した。 提案手法の高精度化と高速推論速度の併用により, 適応的放射線治療のためのフォローアップスキャンの自動再構成が期待できる。

関連論文リスト

• PMT: Progressive Mean Teacher via Exploring Temporal Consistency for Semi-Supervised Medical Image Segmentation [51.509573838103854]
  医用画像セグメンテーションのための半教師付き学習フレームワークであるプログレッシブ平均教師(PMT)を提案する。 我々のPMTは、トレーニングプロセスにおいて、堅牢で多様な特徴を学習することで、高忠実な擬似ラベルを生成する。 CT と MRI の異なる2つのデータセットに対する実験結果から,本手法が最先端の医用画像分割法より優れていることが示された。
  論文  参考訳（メタデータ） (2024-09-08T15:02:25Z)
• Hybrid Representation-Enhanced Sampling for Bayesian Active Learning in Musculoskeletal Segmentation of Lower Extremities [0.9287179270753105]
  本研究では,密度と多様性の両基準を統合したハイブリッドな表現強化サンプリング戦略を提案する。 MRIとCT画像の2つの下肢(LE)データセットで実験を行った。
  論文  参考訳（メタデータ） (2023-07-26T06:52:29Z)
• LVM-Med: Learning Large-Scale Self-Supervised Vision Models for Medical Imaging via Second-order Graph Matching [59.01894976615714]
  LVM-Medは、大規模医療データセットに基づいてトレーニングされた、最初のディープネットワークファミリーである。 55の公開データセットから約13万の医療画像を収集しました。 LVM-Medは、多くの最先端の教師付き、自己監督型、基礎モデルよりも経験的に優れている。
  論文  参考訳（メタデータ） (2023-06-20T22:21:34Z)
• DLTTA: Dynamic Learning Rate for Test-time Adaptation on Cross-domain Medical Images [56.72015587067494]
  DLTTAと呼ばれるテスト時間適応のための新しい動的学習率調整法を提案する。 本手法は,現在最先端のテスト時間適応法よりも一貫した性能向上を図り,有効かつ高速なテスト時間適応を実現する。
  論文  参考訳（メタデータ） (2022-05-27T02:34:32Z)
• Real-time landmark detection for precise endoscopic submucosal dissection via shape-aware relation network [51.44506007844284]
  内視鏡下粘膜下郭清術における高精度かつリアルタイムなランドマーク検出のための形状認識型関係ネットワークを提案する。 まず,ランドマーク間の空間的関係に関する先行知識を直感的に表現する関係キーポイント・ヒートマップを自動生成するアルゴリズムを考案する。 次に、事前知識を学習プロセスに段階的に組み込むために、2つの補完的な正規化手法を開発する。
  論文  参考訳（メタデータ） (2021-11-08T07:57:30Z)
• Self-Training Based Unsupervised Cross-Modality Domain Adaptation for Vestibular Schwannoma and Cochlea Segmentation [0.2609784101826761]
  自己学習に基づく教師なし学習フレームワークを提案する。このフレームワークは,高分解能T2スキャンにおいて,前庭神経ショーノマ(VS)とコクランの自動セグメンテーションを行う。 提案手法は,1) 造影T1スキャンから高分解能T2スキャンへのVS保存コントラスト変換,2) T1スキャンにアノテーションを付加したT2スキャンにおけるトレーニングセグメンテーション,3) 非注釈実T2スキャンにおける擬似ラベルの推測の4段階からなる。 平均Diceスコアと平均Symmetric Surface Distance (ASSD) は0.8570 (0.0705) であった。
  論文  参考訳（メタデータ） (2021-09-22T12:04:41Z)
• Self-transfer learning via patches: A prostate cancer triage approach based on bi-parametric MRI [1.3934382972253603]
  前立腺癌(PCa)は世界で2番目に多いがんである。 現在のPCa診断経路は、かなりの過剰診断のコストがかかり、不必要な治療とさらなる検査に繋がる。 臨床的に有意な (cS) 病変と非有意な (ncS) 病変を区別するためのパッチベースの事前訓練戦略を提案する。
  論文  参考訳（メタデータ） (2021-07-22T17:02:38Z)
• Learning Multi-Modal Volumetric Prostate Registration with Weak Inter-Subject Spatial Correspondence [2.6894568533991543]
  MRシークエンスにおける前立腺の位置に関する事前情報のための補助入力をニューラルネットワークに導入する。 MR-TRUS前立腺データのラベルが弱いことから,最先端のディープラーニング手法に匹敵する登録品質を示した。
  論文  参考訳（メタデータ） (2021-02-09T16:48:59Z)
• Appearance Learning for Image-based Motion Estimation in Tomography [60.980769164955454]
  トモグラフィー画像では、取得した信号に擬似逆フォワードモデルを適用することにより、解剖学的構造を再構成する。 患者の動きは、復元過程における幾何学的アライメントを損なうため、運動アーティファクトが生じる。 本研究では,スキャン対象から独立して剛性運動の構造を認識する外観学習手法を提案する。
  論文  参考訳（メタデータ） (2020-06-18T09:49:11Z)
• MetricUNet: Synergistic Image- and Voxel-Level Learning for Precise CT Prostate Segmentation via Online Sampling [66.01558025094333]
  本稿では,前立腺領域を高速に局在させる第1段階と,前立腺領域を正確に区分する第2段階の2段階のフレームワークを提案する。 マルチタスクネットワークにおけるボクセルワイドサンプリングによる新しいオンラインメトリック学習モジュールを提案する。 本手法は,従来のクロスエントロピー学習法やDice損失学習法と比較して,より代表的なボクセルレベルの特徴を効果的に学習することができる。
  論文  参考訳（メタデータ） (2020-05-15T10:37:02Z)
• A Cross-Stitch Architecture for Joint Registration and Segmentation in Adaptive Radiotherapy [1.433758865948252]
  本稿では,画像間のセグメンテーション伝搬を統合した登録ネットワークと,セグメンテーションを直接予測するセグメンテーションネットワークを提案する。 これらのネットワークは、いわゆるクロススティッチユニットを介して単一のジョイントアーキテクチャに接続される。 前立腺CT画像を用いた適応的画像誘導放射線療法の文脈で評価した。
  論文  参考訳（メタデータ） (2020-04-17T08:55:23Z)

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。