論文の概要: Spatio-Temporal Dual-Stream Neural Network for Sequential Whole-Body PET Segmentation

• arxiv url: http://arxiv.org/abs/2106.04961v1
• Date: Wed, 9 Jun 2021 10:15:20 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-10 14:59:39.280889
• Title: Spatio-Temporal Dual-Stream Neural Network for Sequential Whole-Body PET Segmentation
• Title（参考訳）: 逐次完全PETセグメント化のための時空間デュアルストリームニューラルネットワーク
• Authors: Kai-Chieh Liang, Lei Bi, Ashnil Kumar, Michael Fulham, Jinman Kim
• Abstract要約: 連続体PETスキャンをセグメント化する「デュアルストリーム」ニューラルネットワーク(ST-DSNN)を提案する。 我々のST-DSNNは、時間とともに行われたPET画像から画像の特徴を学習し、蓄積する。 その結果,本手法は最新のPET画像分割法よりも優れていた。
• 参考スコア（独自算出の注目度）: 10.344707825773252
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Sequential whole-body 18F-Fluorodeoxyglucose (FDG) positron emission tomography (PET) scans are regarded as the imaging modality of choice for the assessment of treatment response in the lymphomas because they detect treatment response when there may not be changes on anatomical imaging. Any computerized analysis of lymphomas in whole-body PET requires automatic segmentation of the studies so that sites of disease can be quantitatively monitored over time. State-of-the-art PET image segmentation methods are based on convolutional neural networks (CNNs) given their ability to leverage annotated datasets to derive high-level features about the disease process. Such methods, however, focus on PET images from a single time-point and discard information from other scans or are targeted towards specific organs and cannot cater for the multiple structures in whole-body PET images. In this study, we propose a spatio-temporal 'dual-stream' neural network (ST-DSNN) to segment sequential whole-body PET scans. Our ST-DSNN learns and accumulates image features from the PET images done over time. The accumulated image features are used to enhance the organs / structures that are consistent over time to allow easier identification of sites of active lymphoma. Our results show that our method outperforms the state-of-the-art PET image segmentation methods.
• Abstract（参考訳）: 全身18f-フルオロデオキシグルコース(fdg)ポジトロントモグラフィ(pet)スキャンは、解剖学的画像で変化しない場合の治療反応を検出できるため、リンパ腫の治療反応の評価に最適なイメージングモードとみなされる。 全身PETにおけるリンパ腫のコンピュータ解析は、疾患の部位を時間とともに定量的に監視できるように、研究の自動セグメンテーションを必要とする。 最新のPET画像セグメンテーション手法は、注釈付きデータセットを活用して疾患プロセスに関する高レベルな特徴を導き出す能力から、畳み込みニューラルネットワーク(CNN)に基づいている。 しかし、そのような方法は、1つの時間点からのPET画像に焦点をあて、他のスキャンからの情報を捨てたり、特定の臓器に向けられたりすることで、全身PET画像の複数の構造に注意を向けることができない。 本研究では, 逐次的全体PETスキャンのための時空間「デュアルストリーム」ニューラルネットワーク (ST-DSNN) を提案する。 我々のST-DSNNは、時間とともに行われたPET画像から画像の特徴を学習し、蓄積する。 蓄積された画像の特徴は、活動性リンパ腫の部位の同定を容易にするために、時間とともに一貫した臓器や構造を強化するために使用される。 その結果,本手法は最新のPET画像分割法よりも優れていた。

関連論文リスト

• st-DTPM: Spatial-Temporal Guided Diffusion Transformer Probabilistic Model for Delayed Scan PET Image Prediction [6.812140684449128]
  いくつかの研究によると、二重時間PET画像は悪性腫瘍と良性腫瘍を区別する可能性を秘めている。 両時間PET画像予測問題を解くために, 時空間誘導拡散変換器確率モデル(st-DTPM)を提案する。
  論文  参考訳（メタデータ） (2024-10-30T06:37:55Z)
• Two-Phase Multi-Dose-Level PET Image Reconstruction with Dose Level Awareness [43.45142393436787]
  線量レベルの認識が可能な新しい二相多段PET再構成アルゴリズムを設計する。 事前学習フェーズは、きめ細かい識別特徴と効果的な意味表現の両方を探索するために考案された。 SPET予測フェーズは、事前学習した線量レベルを利用した粗い予測ネットワークを採用して予備結果を生成する。
  論文  参考訳（メタデータ） (2024-04-02T01:57:08Z)
• Revolutionizing Disease Diagnosis with simultaneous functional PET/MR and Deeply Integrated Brain Metabolic, Hemodynamic, and Perfusion Networks [40.986069119392944]
  マルチモーダルなMiXture-of-expertsアライメント再構成とモデルであるMX-ARMを提案する。 モダリティは分離可能で交換可能であり、異なる多層パーセプトロン(「専門家の混合」)を学習可能な重みを通して動的に割り当て、異なるモダリティからそれぞれの表現を学ぶ。
  論文  参考訳（メタデータ） (2024-03-29T08:47:49Z)
• A cascaded deep network for automated tumor detection and segmentation in clinical PET imaging of diffuse large B-cell lymphoma [0.41579653852022364]
  PET画像からのDLBCL腫瘍の自動検出と分画のための高速で効率的な3段階の深層学習モデルの開発と検証を行った。 本モデルは,全身PET画像における腫瘍の分節化において,単一のエンドツーエンドネットワークよりも有効である。
  論文  参考訳（メタデータ） (2024-03-11T18:36:55Z)
• Contrastive Diffusion Model with Auxiliary Guidance for Coarse-to-Fine PET Reconstruction [62.29541106695824]
  本稿では, 粗い予測モジュール (CPM) と反復的修正モジュール (IRM) から構成される粗大なPET再構成フレームワークを提案する。 計算オーバーヘッドの大部分をCPMに委譲することで,本手法のサンプリング速度を大幅に向上させることができる。 2つの追加戦略、すなわち補助的な誘導戦略と対照的な拡散戦略が提案され、再構築プロセスに統合される。
  論文  参考訳（メタデータ） (2023-08-20T04:10:36Z)
• LOTUS: Learning to Optimize Task-based US representations [39.81131738128329]
  超音波画像における臓器の解剖学的セグメンテーションは多くの臨床応用に不可欠である。 既存のディープニューラルネットワークは、臨床的に許容できるパフォーマンスを達成するために、トレーニングのために大量のラベル付きデータを必要とする。 本稿では,タスクベース超音速画像表現を最適化する学習手法を提案する。
  論文  参考訳（メタデータ） (2023-07-29T16:29:39Z)
• CG-3DSRGAN: A classification guided 3D generative adversarial network for image quality recovery from low-dose PET images [10.994223928445589]
  PET画像では, トレーサー線量による高放射能が主な関心事である。 投与量を減少させると、画像の質が不十分になる。 CNNを用いた低線量PET合成法が開発されている。
  論文  参考訳（メタデータ） (2023-04-03T05:39:02Z)
• Whole-Body Lesion Segmentation in 18F-FDG PET/CT [11.662584140924725]
  提案モデルは, 全身の病変を予測するために, 2D と 3D nnUNET アーキテクチャを基礎として設計されている。 提案手法は, ダイススコア, 偽陽性ボリューム, 偽陰性ボリュームの計測値において, 病変のセグメンテーション性能を計測するAutoPet Challengeの文脈で評価する。
  論文  参考訳（メタデータ） (2022-09-16T10:49:53Z)
• Preservation of High Frequency Content for Deep Learning-Based Medical Image Classification [74.84221280249876]
  大量の胸部ラジオグラフィーの効率的な分析は、医師や放射線技師を助けることができる。 本稿では,視覚情報の効率的な識別と符号化のための離散ウェーブレット変換(DWT)を提案する。
  論文  参考訳（メタデータ） (2022-05-08T15:29:54Z)
• Predicting Distant Metastases in Soft-Tissue Sarcomas from PET-CT scans using Constrained Hierarchical Multi-Modality Feature Learning [14.60163613315816]
  Distant metastases (DM) は軟部肉腫 (STS) 患者における主要な死因である STS患者が転移を発症する画像研究から判断することは困難である。 PET-CTデータから患者のDMを予測する3D CNNについて概説する。
  論文  参考訳（メタデータ） (2021-04-23T05:12:02Z)
• Residual Attention U-Net for Automated Multi-Class Segmentation of COVID-19 Chest CT Images [46.844349956057776]
  新型コロナウイルス感染症(COVID-19)は世界中で急速に広がり、公衆衛生や経済に大きな影響を及ぼしている。 新型コロナウイルスによる肺感染症を効果的に定量化する研究はいまだにない。 複数の新型コロナウイルス感染症領域の自動セグメンテーションのための新しいディープラーニングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-04-12T16:24:59Z)

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。