論文の概要: Training deep cross-modality conversion models with a small amount of
data and its application to MVCT to kVCT conversion
- arxiv url: http://arxiv.org/abs/2107.05238v1
- Date: Mon, 12 Jul 2021 07:43:41 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-13 15:46:54.232022
- Title: Training deep cross-modality conversion models with a small amount of
data and its application to MVCT to kVCT conversion
- Title（参考訳）: 少量のデータを用いた深層モード変換モデルの訓練とMVCTからkVCT変換への応用
- Authors: Sho Ozaki, Shizuo Kaji, Kanabu Nawa, Toshikazu Imae, Atsushi Aoki,
Takahiro Nakamoto, Takeshi Ohta, Yuki Nozawa, Hideomi Yamashita, Akihiro
Haga, Keiichi Nakagawa
- Abstract要約: 提案手法は,CT画像に適した複数の拡張を持つGAN(Generative Adversarial Network)に基づく。
深層学習に基づくMVCTからkVCTへの変換モデルを開発した。
- 参考スコア（独自算出の注目度）: 1.4746127876003345
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Deep-learning-based image processing has emerged as a valuable tool in recent
years owing to its high performance. However, the quality of
deep-learning-based methods relies heavily on the amount of training data, and
the cost of acquiring a large amount of data is often prohibitive in medical
fields. Therefore, we performed CT modality conversion based on deep learning
requiring only a small number of unsupervised images. The proposed method is
based on generative adversarial networks (GANs) with several extensions
tailored for CT images. This method emphasizes the preservation of the
structure in the processed images and reduction in the amount of training data.
This method was applied to realize the conversion of mega-voltage computed
tomography (MVCT) to kilo-voltage computed tomography (kVCT) images. Training
was performed using several datasets acquired from patients with head and neck
cancer. The size of the datasets ranged from 16 slices (for two patients) to
2745 slices (for 137 patients) of MVCT and 2824 slices of kVCT for 98 patients.
The quality of the processed MVCT images was considerably enhanced, and the
structural changes in the images were minimized. With an increase in the size
of training data, the image quality exhibited a satisfactory convergence from a
few hundred slices. In addition to statistical and visual evaluations, these
results were clinically evaluated by medical doctors in terms of the accuracy
of contouring. We developed an MVCT to kVCT conversion model based on deep
learning, which can be trained using a few hundred unpaired images. The
stability of the model against the change in the data size was demonstrated.
This research promotes the reliable use of deep learning in clinical medicine
by partially answering the commonly asked questions: "Is our data enough? How
much data must we prepare?"
- Abstract（参考訳）: ディープラーニングベースの画像処理は、その高性能のため近年、貴重なツールとして現れている。
しかし、ディープラーニングベースの手法の品質はトレーニングデータの量に大きく依存しており、大量のデータを取得するコストは医療分野においてしばしば禁じられている。
そこで本研究では,少数の教師なし画像のみを必要とする深層学習に基づくCTモダリティ変換を行った。
提案手法は,CT画像に適した複数の拡張を持つGAN(Generative Adversarial Network)に基づく。
この方法は、処理された画像中の構造の保存とトレーニングデータの量の削減を強調する。
メガ電圧ct (mvct) からキロ電圧ct (kvct) 画像への変換を実現するために, 本手法を適用した。
頭頸部癌患者から得られた複数のデータセットを用いて訓練を行った。
データセットのサイズは、16スライス(2人)から2745スライス(137人)、2824スライスのkvct(98人)であった。
処理したMVT画像の品質は大幅に向上し,画像の構造変化は最小限に抑えられた。
トレーニングデータのサイズが増加するにつれて、画像品質は数百スライスから十分な収束を示した。
統計学的および視覚的評価に加えて, コントーリングの正確性の観点から, 医師による臨床評価を行った。
深層学習に基づくMVCTからkVCTへの変換モデルを開発した。
データサイズの変化に対するモデルの安定性が実証された。
この研究は、一般的な質問に部分的に答えることで、臨床医学におけるディープラーニングの信頼性の高い利用を促進する。
どれくらいのデータを用意しなければならないか?
関連論文リスト
- Self-supervised 3D anatomy segmentation using self-distilled masked
image transformer (SMIT) [2.7298989068857487]
自己教師型学習は、畳み込みネットワークを用いた医用画像のセグメンテーションに成功している。
我々は、我々のアプローチがより正確で、他のプリテキストタスクよりも微調整データセットを少なくする必要があることを示した。
論文 参考訳（メタデータ） (2022-05-20T17:55:14Z) - Development of an algorithm for medical image segmentation of bone
tissue in interaction with metallic implants [58.720142291102135]
本研究では,金属インプラントとの接触部における骨成長の計算アルゴリズムを開発した。
骨とインプラント組織はトレーニングデータセットに手動でセグメンテーションされた。
ネットワーク精度の面では、モデルは約98%に達した。
論文 参考訳（メタデータ） (2022-04-22T08:17:20Z) - Incremental Cross-view Mutual Distillation for Self-supervised Medical
CT Synthesis [88.39466012709205]
本稿では,スライス間の分解能を高めるために,新しい医療スライスを構築した。
臨床実践において, 根本・中間医療スライスは常に欠落していることを考慮し, 相互蒸留の段階的相互蒸留戦略を導入する。
提案手法は,最先端のアルゴリズムよりも明確なマージンで優れる。
論文 参考訳（メタデータ） (2021-12-20T03:38:37Z) - CT-SGAN: Computed Tomography Synthesis GAN [4.765541373485143]
胸部CTスキャンの小さなデータセットを用いて,大規模な3次元合成CTスキャンボリュームを生成するCT-SGANモデルを提案する。
その結果,CT-SGANは大量の合成データに基づいて結節を事前訓練することにより,肺検出精度を著しく向上させることができることがわかった。
論文 参考訳（メタデータ） (2021-10-14T22:20:40Z) - Deep Learning models for benign and malign Ocular Tumor Growth
Estimation [3.1558405181807574]
臨床医はしばしば、医用画像データに適した画像処理アルゴリズムを選択する際に問題に直面している。
ここでは、適切なモデルを選択するための戦略を示す。
論文 参考訳（メタデータ） (2021-07-09T05:40:25Z) - Image Synthesis for Data Augmentation in Medical CT using Deep
Reinforcement Learning [31.677682150726383]
本手法は, 新規かつ解剖学的に高精度な高解像度CT画像の大量かつ多種多様な生成に有効であることを示す。
私たちのアプローチは、多くの研究者が利用可能な画像データの少ない量を考えると望ましい小さな画像データセットでも機能するように特別に設計されています。
論文 参考訳（メタデータ） (2021-03-18T19:47:11Z) - A Multi-Stage Attentive Transfer Learning Framework for Improving
COVID-19 Diagnosis [49.3704402041314]
新型コロナの診断を改善するための多段階集中移動学習フレームワークを提案する。
提案するフレームワークは、複数のソースタスクと異なるドメインのデータから知識を学習し、正確な診断モデルを訓練する3つの段階からなる。
本稿では,肺CT画像のマルチスケール表現を学習するための自己教師付き学習手法を提案する。
論文 参考訳（メタデータ） (2021-01-14T01:39:19Z) - 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) - Data Consistent CT Reconstruction from Insufficient Data with Learned
Prior Images [70.13735569016752]
偽陰性病変と偽陽性病変を呈示し,CT画像再構成における深層学習の堅牢性について検討した。
本稿では,圧縮センシングと深層学習の利点を組み合わせた画像品質向上のためのデータ一貫性再構築手法を提案する。
提案手法の有効性は,円錐ビームCTにおいて,トランキャットデータ,リミテッドアングルデータ,スパースビューデータで示される。
論文 参考訳（メタデータ） (2020-05-20T13:30:49Z) - Synergistic Learning of Lung Lobe Segmentation and Hierarchical
Multi-Instance Classification for Automated Severity Assessment of COVID-19
in CT Images [61.862364277007934]
3次元CT画像におけるCOVID-19の重症度自動評価のための相乗的学習フレームワークを提案する。
マルチタスクのディープネットワーク(M$2$UNet)が開発され、新型コロナウイルス患者の重症度を評価する。
われわれのM$2$UNetはパッチレベルのエンコーダと肺葉分画のためのセグメンテーションサブネットワークと重度評価のための分類サブネットワークから構成されている。
論文 参考訳（メタデータ） (2020-05-08T03:16:15Z)
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。