論文の概要: Deep Reinforcement Learning for L3 Slice Localization in Sarcopenia Assessment

• arxiv url: http://arxiv.org/abs/2107.12800v1
• Date: Tue, 27 Jul 2021 13:15:42 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-28 20:25:51.778106
• Title: Deep Reinforcement Learning for L3 Slice Localization in Sarcopenia Assessment
• Title（参考訳）: サルコペンピア評価におけるl3スライス局在の深部強化学習
• Authors: Othmane Laousy, Guillaume Chassagnon, Edouard Oyallon, Nikos Paragios, Marie-Pierre Revel, Maria Vakalopoulou
• Abstract要約: 定量的診断法は、第3腰椎領域(L3)の中央を通過するCTスライスと、このレベルでの分節筋を局在させることである。 本稿では,L3CTスライスを高精度に局所化するための深部強化学習法を提案する。
• 参考スコア（独自算出の注目度）: 20.926429545064465
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Sarcopenia is a medical condition characterized by a reduction in muscle mass and function. A quantitative diagnosis technique consists of localizing the CT slice passing through the middle of the third lumbar area (L3) and segmenting muscles at this level. In this paper, we propose a deep reinforcement learning method for accurate localization of the L3 CT slice. Our method trains a reinforcement learning agent by incentivizing it to discover the right position. Specifically, a Deep Q-Network is trained to find the best policy to follow for this problem. Visualizing the training process shows that the agent mimics the scrolling of an experienced radiologist. Extensive experiments against other state-of-the-art deep learning based methods for L3 localization prove the superiority of our technique which performs well even with limited amount of data and annotations.
• Abstract（参考訳）: サルコペンシア(sarcopenia)は、筋肉の質量と機能の減少を特徴とする疾患である。 定量的診断法は、第3腰椎領域(L3)の中央を通過するCTスライスと、このレベルの分節筋を局在させることである。 本稿では,L3CTスライスを高精度に局所化するための深部強化学習法を提案する。 本手法は強化学習エージェントに対して,適切な位置を検出するためのインセンティブを与える。 特に、深いqネットワークは、この問題に従うべき最良のポリシーを見つけるように訓練されます。 トレーニングプロセスの可視化は、エージェントが経験豊富な放射線技師のスクロールを模倣していることを示している。 L3ローカライゼーションのための他の最先端のディープラーニング手法に対する広範囲な実験は、限られた量のデータやアノテーションでもうまく機能する手法の優位性を証明している。

関連論文リスト

• Panoptic Segmentation and Labelling of Lumbar Spine Vertebrae using Modified Attention Unet [2.8730926763860687]
  腰椎の3次元スライスMRIデータのパノプティカルセグメンテーションのための改良型注意U-Netアーキテクチャを提案する。 本手法は,新しいマスキングロジックを取り入れた99.5%の精度を実現する。
  論文  参考訳（メタデータ） (2024-04-28T19:35:00Z)
• Multi-View Vertebra Localization and Identification from CT Images [57.56509107412658]
  我々は,CT画像からの多視点椎体局在と同定を提案する。 本研究では,3次元問題を異なる視点における2次元局所化および識別タスクに変換する。 本手法は,多視点グローバル情報を自然に学習することができる。
  論文  参考訳（メタデータ） (2023-07-24T14:43:07Z)
• Agent with Tangent-based Formulation and Anatomical Perception for Standard Plane Localization in 3D Ultrasound [56.7645826576439]
  3D USにおけるSP自動位置決めのための新しい強化学習フレームワークを提案する。 まず、RLにおける接点に基づく問題として、3D USにおけるSP局所化を定式化し、作用空間を再構成する。 第2に、平面探索における非SPとSPの交差する微妙な違いを認識するモデルの能力を高めるための補助的タスク学習戦略を設計する。
  論文  参考訳（メタデータ） (2022-07-01T14:53:27Z)
• Localizing the Recurrent Laryngeal Nerve via Ultrasound with a Bayesian Shape Framework [65.19784967388934]
  RLN(recurrent laryngeal nerve)の腫瘍浸潤は, 甲状腺摘出術の抗腫瘍剤であり, 標準喉頭鏡による検出が困難である。 本稿では,外科医がRLNを周囲の臓器に従って識別する標準的なアプローチを模倣した,RLNの局所化のための知識駆動型フレームワークを提案する。 実験結果から, 提案手法は, 最先端手法と比較して, 高いヒット率とかなり小さい距離誤差を達成できることが示唆された。
  論文  参考訳（メタデータ） (2022-06-30T13:04:42Z)
• Weakly-supervised Biomechanically-constrained CT/MRI Registration of the Spine [72.85011943179894]
  本稿では,各脊椎の剛性と容積を保存し,登録精度を最大化しながら,弱教師付き深層学習フレームワークを提案する。 また,CTにおける椎体自動分節化はMRIと対比してより正確な結果をもたらすため,CTラベルマップのみに依存するよう,これらの損失を特に設計する。 以上の結果から, 解剖学的認識による損失の増大は, 精度を維持しつつも, 推測変換の妥当性を高めることが示唆された。
  論文  参考訳（メタデータ） (2022-05-16T10:59:55Z)
• Organ localisation using supervised and semi supervised approaches combining reinforcement learning with imitation learning [6.198237241838559]
  コンピュータ支援診断は、しばしば放射線検査における関心領域の分析を必要とする。 ディープラーニングアルゴリズムは、大量の注釈付きデータの可用性に依存している。 この制限に対処する必要性から、複数の臓器の局在化と検出へのアプローチが提示される。
  論文  参考訳（メタデータ） (2021-12-06T14:04:38Z)
• SAR: Scale-Aware Restoration Learning for 3D Tumor Segmentation [23.384259038420005]
  3次元腫瘍分割のためのSAR(Scale-Aware Restoration)を提案する。 新たなプロキシタスク、すなわちスケール差別は、自己回復タスクと組み合わせて3Dニューラルネットワークを事前訓練するために定式化される。 脳腫瘍セグメンテーション(Brain tumor segmentation),すなわち膵腫瘍セグメンテーション(Pancreas tumor segmentation)の2つの課題に対して,本手法の有効性を実証した。
  論文  参考訳（メタデータ） (2020-10-13T01:23:17Z)
• Deep Q-Network-Driven Catheter Segmentation in 3D US by Hybrid Constrained Semi-Supervised Learning and Dual-UNet [74.22397862400177]
  本稿では,教師付き学習手法よりも少ないアノテーションを要求できる新しいカテーテルセグメンテーション手法を提案する。 提案手法では,Voxelレベルのアノテーションを避けるために,深層Q学習を事前局所化ステップとみなす。 検出されたカテーテルでは、パッチベースのDual-UNetを使用してカテーテルを3Dボリュームデータに分割する。
  論文  参考訳（メタデータ） (2020-06-25T21:10:04Z)
• Deep Reinforcement Learning for Organ Localization in CT [59.23083161858951]
  我々はCTにおける臓器局所化のための深層強化学習手法を提案する。 この研究において、人工エージェントは、その主張や誤りから学習することで、CT内の臓器の局所化を積極的に行う。 本手法は,任意の臓器をローカライズするためのプラグイン・アンド・プレイモジュールとして利用できる。
  論文  参考訳（メタデータ） (2020-05-11T10:06:13Z)
• Accurately identifying vertebral levels in large datasets [4.210140995696958]
  この研究の目的は、大規模な異種データセットのL1レベルを正確に識別できるシステムを開発することである。 最初のアプローチは、3D U-Netを使用してスキャンボリューム全体を使用してL1椎骨を直接分割し、コンテキストを提供する。 L1椎骨の同定には98%の精度が得られたが, 頭蓋骨レベルでの平均誤差は4.5mmであった。
  論文  参考訳（メタデータ） (2020-01-28T18:15:02Z)

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。