論文の概要: RootPainter3D: Interactive-machine-learning enables rapid and accurate contouring for radiotherapy

• arxiv url: http://arxiv.org/abs/2106.11942v1
• Date: Tue, 22 Jun 2021 17:26:58 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-23 16:28:55.138453
• Title: RootPainter3D: Interactive-machine-learning enables rapid and accurate contouring for radiotherapy
• Title（参考訳）: rootpainter3d: インタラクティブ・マシン・ラーニングによる放射線治療の迅速かつ正確な構築
• Authors: Abraham George Smith, Jens Petersen, Cynthia Terrones-Campos, Anne Kiil Berthelsen, Nora Jarrett Forbes, Sune Darkner, Lena Specht, and Ivan Richter Vogelius
• Abstract要約: 本研究では,対話型機械学習手法による臓器・リスク調整作業の精度と省時間性について検討する。 提案手法をEclipseコンツーリングソフトウェアと比較したところ,手作業による記述と強い一致を示し,ダイススコアは0.95である。 本実験は, 深層学習モデルの学習方法として, 修正アノテーションを用いた対話型機械学習が有効であることを示す。
• 参考スコア（独自算出の注目度）: 3.11778721999985
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Organ-at-risk contouring is still a bottleneck in radiotherapy, with many deep learning methods falling short of promised results when evaluated on clinical data. We investigate the accuracy and time-savings resulting from the use of an interactive-machine-learning method for an organ-at-risk contouring task. We compare the method to the Eclipse contouring software and find strong agreement with manual delineations, with a dice score of 0.95. The annotations created using corrective-annotation also take less time to create as more images are annotated, resulting in substantial time savings compared to manual methods, with hearts that take 2 minutes and 2 seconds to delineate on average, after 923 images have been delineated, compared to 7 minutes and 1 seconds when delineating manually. Our experiment demonstrates that interactive-machine-learning with corrective-annotation provides a fast and accessible way for non computer-scientists to train deep-learning models to segment their own structures of interest as part of routine clinical workflows. Source code is available at \href{https://github.com/Abe404/RootPainter3D}{this HTTPS URL}.
• Abstract（参考訳）: 臓器・リスクコントーリングは依然として放射線治療のボトルネックであり、多くの深層学習法は臨床データで評価すると約束された結果に届かない。 本研究では,対話型機械学習手法による臓器・リスク調整作業の精度と省時間性について検討する。 我々はこの手法をeclipse contouringソフトウェアと比較し、手動記述と強い一致を示し、diceスコアは0.95である。 修正注釈を使って作成されたアノテーションは、より多くの画像に注釈を付ければ作成する時間も少なくなるため、手作業の方法に比べてかなりの時間節約が可能で、手作業で923枚の画像が区切られた後、平均で2分2秒かかるハートは、手作業で区切られた場合の7分1秒に比較して、平均的に区切られている。 本実験は,非計算機科学者がディープラーニングモデルを訓練することで,日常的な臨床ワークフローの一部として自身の興味のある構造を分割できる,高速でアクセス可能な方法を提供することを実証する。 ソースコードは \href{https://github.com/Abe404/RootPainter3D}{this HTTPS URL} で入手できる。

関連論文リスト

• MOCA: Self-supervised Representation Learning by Predicting Masked Online Codebook Assignments [72.6405488990753]
  自己教師付き学習は、ビジョントランスフォーマーネットワークの欲求を軽減できる。 所望のプロパティを統一する単段および単段のMOCAを提案する。 我々は,様々な評価プロトコルにおいて,低照度設定と強力な実験結果に対して,最先端の新たな結果を得る。
  論文  参考訳（メタデータ） (2023-07-18T15:46:20Z)
• Data Efficient Contrastive Learning in Histopathology using Active Sampling [0.0]
  ディープラーニングアルゴリズムは、デジタル病理学において堅牢な定量的分析を提供することができる。 これらのアルゴリズムは大量の注釈付きトレーニングデータを必要とする。 アドホックなプリテキストタスクを用いて特徴を学習するための自己教師付き手法が提案されている。 そこで本研究では,小規模なプロキシネットワークを用いたトレーニングセットから情報的メンバを積極的に抽出する手法を提案する。
  論文  参考訳（メタデータ） (2023-03-28T18:51:22Z)
• Light-weight Deformable Registration using Adversarial Learning with Distilling Knowledge [17.475408305030278]
  本稿では,競争精度を向上しつつ計算コストを大幅に削減する軽量変形型レジストレーションネットワークを提案する。 特に,有効だが高価な教師ネットワークから学生ネットワークへの有意義な情報を活用した蒸留知識アルゴリズムを用いた新たな逆学習を提案する。 各種公開データセットに対する実験結果から,提案手法は最先端の精度を達成できる一方で,最近の手法よりもはるかに高速であることがわかった。
  論文  参考訳（メタデータ） (2021-10-04T09:59:01Z)
• Geography-Aware Self-Supervised Learning [79.4009241781968]
  異なる特徴により、標準ベンチマークにおけるコントラスト学習と教師あり学習の間には、非自明なギャップが持続していることが示される。 本稿では,リモートセンシングデータの空間的整合性を利用した新しいトレーニング手法を提案する。 提案手法は,画像分類,オブジェクト検出,セマンティックセグメンテーションにおけるコントラスト学習と教師あり学習のギャップを埋めるものである。
  論文  参考訳（メタデータ） (2020-11-19T17:29:13Z)
• Going to Extremes: Weakly Supervised Medical Image Segmentation [12.700841704699615]
  セグメンテーションモデルをトレーニングするために、極端点クリックという形で最小限のユーザインタラクションを使うことを提案する。 ランダムウォーカアルゴリズムを利用した極端点に基づいて初期セグメンテーションを生成する。 この初期セグメンテーションは、完全な畳み込みネットワークを訓練するためにノイズの多い監視信号として使用される。
  論文  参考訳（メタデータ） (2020-09-25T00:28:10Z)
• Real-Time Segmentation of Non-Rigid Surgical Tools based on Deep Learning and Tracking [12.408997542491152]
  リアルタイムツールセグメンテーションはコンピュータ支援手術システムにおいて欠かせない要素である。 本稿では,FCN(Fully Convolutional Networks)と光フロートラッキングに基づく新しいリアルタイム自動手法を提案する。
  論文  参考訳（メタデータ） (2020-09-07T11:06:14Z)
• LoCo: Local Contrastive Representation Learning [93.98029899866866]
  重なり合うローカルブロックが重なり合うことで、デコーダの深さを効果的に増加させ、上位ブロックが暗黙的に下位ブロックにフィードバックを送ることができることを示す。 このシンプルな設計は、ローカル学習とエンドツーエンドのコントラスト学習アルゴリズムのパフォーマンスギャップを初めて埋める。
  論文  参考訳（メタデータ） (2020-08-04T05:41:29Z)
• Learning Motion Flows for Semi-supervised Instrument Segmentation from Robotic Surgical Video [64.44583693846751]
  本研究は,スパースアノテーションを用いたロボット手術ビデオから半教師楽器のセグメンテーションについて検討する。 生成されたデータペアを利用することで、我々のフレームワークはトレーニングシーケンスの時間的一貫性を回復し、強化することができます。 その結果,本手法は最先端の半教師あり手法よりも大きなマージンで優れていることがわかった。
  論文  参考訳（メタデータ） (2020-07-06T02:39:32Z)
• LRTD: Long-Range Temporal Dependency based Active Learning for Surgical Workflow Recognition [67.86810761677403]
  本稿では,費用対効果の高い手術ビデオ解析のための新しい能動的学習法を提案する。 具体的には,非局所的再帰的畳み込みネットワーク (NL-RCNet) を提案する。 手術ワークフロー認識タスクを実行することで,大規模な手術ビデオデータセット(Cholec80)に対するアプローチを検証する。
  論文  参考訳（メタデータ） (2020-04-21T09:21:22Z)
• Confident Coreset for Active Learning in Medical Image Analysis [57.436224561482966]
  本稿では,情報的サンプルを効果的に選択するための,不確実性と分散性を考慮した新しい能動的学習手法である信頼コアセットを提案する。 2つの医用画像解析タスクの比較実験により,本手法が他の活動的学習方法より優れていることを示す。
  論文  参考訳（メタデータ） (2020-04-05T13:46:16Z)

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。