論文の概要: A self-supervised learning strategy for postoperative brain cavity
segmentation simulating resections
- arxiv url: http://arxiv.org/abs/2105.11239v1
- Date: Mon, 24 May 2021 12:27:06 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-25 14:58:41.838431
- Title: A self-supervised learning strategy for postoperative brain cavity
segmentation simulating resections
- Title(参考訳): 手術をシミュレートした術後脳空洞分節の自己教師あり学習戦略
- Authors: Fernando P\'erez-Garc\'ia, Reuben Dorent, Michele Rizzi, Francesco
Cardinale, Valerio Frazzini, Vincent Navarro, Caroline Essert, Ir\`ene
Ollivier, Tom Vercauteren, Rachel Sparks, John S. Duncan and S\'ebastien
Ourselin
- Abstract要約: 畳み込みニューラルネットワーク(CNN)は最先端の画像セグメンテーション技術である。
CNNはトレーニングに大量の注釈付きデータセットを必要とする。
自己教師型学習戦略は、トレーニングにラベルのないデータを活用することができる。
- 参考スコア(独自算出の注目度): 46.414990784180546
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Accurate segmentation of brain resection cavities (RCs) aids in postoperative
analysis and determining follow-up treatment. Convolutional neural networks
(CNNs) are the state-of-the-art image segmentation technique, but require large
annotated datasets for training. Annotation of 3D medical images is
time-consuming, requires highly-trained raters, and may suffer from high
inter-rater variability. Self-supervised learning strategies can leverage
unlabeled data for training.
We developed an algorithm to simulate resections from preoperative magnetic
resonance images (MRIs). We performed self-supervised training of a 3D CNN for
RC segmentation using our simulation method. We curated EPISURG, a dataset
comprising 430 postoperative and 268 preoperative MRIs from 430 refractory
epilepsy patients who underwent resective neurosurgery. We fine-tuned our model
on three small annotated datasets from different institutions and on the
annotated images in EPISURG, comprising 20, 33, 19 and 133 subjects.
The model trained on data with simulated resections obtained median
(interquartile range) Dice score coefficients (DSCs) of 81.7 (16.4), 82.4
(36.4), 74.9 (24.2) and 80.5 (18.7) for each of the four datasets. After
fine-tuning, DSCs were 89.2 (13.3), 84.1 (19.8), 80.2 (20.1) and 85.2 (10.8).
For comparison, inter-rater agreement between human annotators from our
previous study was 84.0 (9.9).
We present a self-supervised learning strategy for 3D CNNs using simulated
RCs to accurately segment real RCs on postoperative MRI. Our method generalizes
well to data from different institutions, pathologies and modalities. Source
code, segmentation models and the EPISURG dataset are available at
https://github.com/fepegar/ressegijcars .
- Abstract(参考訳): 脳切除腔(RC)の正確なセグメンテーションは術後分析と経過観察に有効である。
畳み込みニューラルネットワーク(CNN)は最先端の画像セグメンテーション技術であるが、トレーニングには大きな注釈付きデータセットを必要とする。
3d医療画像のアノテーションは時間を要するもので、高度に訓練されたレートラーを必要とし、高いレート間変動に苦しむ可能性がある。
自己教師付き学習戦略は、ラベルのないデータをトレーニングに活用することができる。
術前磁気共鳴画像(MRI)から切除をシミュレートするアルゴリズムを開発した。
RCセグメンテーションのための3次元CNNの自己指導訓練をシミュレーション法を用いて行った。
難治性てんかん430例の術前MRI430例と術前MRI268例からなるEPISURGを切除した。
20,33,19,133名からなるEPISURGの3つのアノテートデータセットおよびアノテート画像に基づいて,本モデルを微調整した。
4つのデータセットごとに81.7 (16.4), 82.4 (36.4), 74.9 (24.2) 、80.5 (18.7) のDiceスコア係数(DSC) の中央値を得た。
微調整後、DSCは89.2 (13.3)、84.1 (19.8)、80.2 (20.1)、85.2 (10.8)であった。
比較対象は, 前回の研究では, 84.0 (9.9) であった。
そこで本研究では,シミュレーションrcsを用いた3次元cnnの自己教師あり学習法を提案する。
本手法は, 組織, 病理, モダリティの異なるデータに対してよく一般化する。
ソースコード、セグメンテーションモデル、EPISURGデータセットはhttps://github.com/fepegar/ressegijcars.orgで公開されている。
関連論文リスト
- Predicting recovery following stroke: deep learning, multimodal data and
feature selection using explainable AI [3.797471910783104]
主な課題は、ニューロイメージングデータの非常に高次元性と、学習に利用可能なデータセットの比較的小さなサイズである。
我々は、MRIから抽出された関心領域を組み合わせた画像に対して、畳み込みニューラルネットワーク(CNN)を訓練する新しいアプローチを導入する。
病院のスキャナーの画像を用いて、現在のモデルがどのように改善され、さらに高いレベルの精度が得られるかを提案する。
論文 参考訳(メタデータ) (2023-10-29T22:31:20Z) - CMRxRecon: An open cardiac MRI dataset for the competition of
accelerated image reconstruction [62.61209705638161]
ディープラーニングベースのCMRイメージングアルゴリズムへの関心が高まっている。
ディープラーニング手法は大規模なトレーニングデータセットを必要とする。
このデータセットには300人の被験者のマルチコントラスト、マルチビュー、マルチスライス、マルチコイルCMRイメージングデータが含まれている。
論文 参考訳(メタデータ) (2023-09-19T15:14:42Z) - CovidExpert: A Triplet Siamese Neural Network framework for the
detection of COVID-19 [0.0]
我々は、この危険な病気のポストエフェクトを減らすために、新型コロナウイルスの早期検出のための数発の学習モデルを開発した。
提案したアーキテクチャは、数ショットの学習と事前訓練された畳み込みニューラルネットワークのアンサンブルを組み合わせる。
提案されたモデルでは、全体的な精度は98.719%、特異性は99.36%、感度は98.72%、ROCスコアは99.9%であった。
論文 参考訳(メタデータ) (2023-02-17T17:18:02Z) - Lightweight 3D Convolutional Neural Network for Schizophrenia diagnosis
using MRI Images and Ensemble Bagging Classifier [1.487444917213389]
本稿では,MRI画像を用いた統合失調症診断のための軽量3次元畳み込みニューラルネットワーク(CNN)フレームワークを提案する。
精度は92.22%、感度94.44%、特異度90%、精度90.43%、リコール94.44%、F1スコア92.39%、G平均92.19%である。
論文 参考訳(メタデータ) (2022-11-05T10:27:37Z) - TotalSegmentator: robust segmentation of 104 anatomical structures in CT
images [48.50994220135258]
身体CT画像の深層学習セグメント化モデルを提案する。
このモデルは、臓器の容積、疾患の特徴、外科的または放射線療法計画などのユースケースに関連する104の解剖学的構造を区分することができる。
論文 参考訳(メタデータ) (2022-08-11T15:16:40Z) - Deep learning-based COVID-19 pneumonia classification using chest CT
images: model generalizability [54.86482395312936]
深層学習(DL)分類モデルは、異なる国の3DCTデータセット上で、COVID-19陽性患者を特定するために訓練された。
我々は、データセットと72%の列車、8%の検証、20%のテストデータを組み合わせたDLベースの9つの同一分類モデルを訓練した。
複数のデータセットでトレーニングされ、トレーニングに使用されるデータセットの1つからテストセットで評価されたモデルは、よりよいパフォーマンスを示した。
論文 参考訳(メタデータ) (2021-02-18T21:14:52Z) - 3D U-Net for segmentation of COVID-19 associated pulmonary infiltrates
using transfer learning: State-of-the-art results on affordable hardware [0.0]
肺浸潤物はCOVID-19の重症度を評価するのに役立ちますが、手動セグメンテーションは労働力と時間集約的です。
神経ネットワークを用いて肺浸潤を分断すると、このタスクは自動化される。
限られたハードウェアと短時間で最先端のセグメンテーションモデルをトレーニングするためのトランスファーラーニングの使用方法に関するソリューションを開発し、テストしました。
論文 参考訳(メタデータ) (2021-01-25T09:37:32Z) - Classification of COVID-19 in CT Scans using Multi-Source Transfer
Learning [91.3755431537592]
我々は,従来のトランスファー学習の改良にマルチソース・トランスファー・ラーニングを応用して,CTスキャンによる新型コロナウイルスの分類を提案する。
マルチソースファインチューニングアプローチでは、ImageNetで微調整されたベースラインモデルよりも優れています。
我々の最高のパフォーマンスモデルは、0.893の精度と0.897のリコールスコアを達成でき、ベースラインのリコールスコアを9.3%上回った。
論文 参考訳(メタデータ) (2020-09-22T11:53:06Z) - Simulation of Brain Resection for Cavity Segmentation Using
Self-Supervised and Semi-Supervised Learning [36.121815158077446]
畳み込みニューラルネットワーク(CNN)は最先端の画像セグメンテーション技術である。
CNNはトレーニングのために大量の注釈付きデータを必要とする。
自己教師付き学習は、ラベルのないデータからトレーニングインスタンスを生成するために使用することができる。
論文 参考訳(メタデータ) (2020-06-28T20:03:39Z) - 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)
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。