論文の概要: A Proof-of-Concept Study of Artificial Intelligence Assisted Contour Revision

• arxiv url: http://arxiv.org/abs/2107.13465v1
• Date: Wed, 28 Jul 2021 16:18:29 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-29 13:52:00.225463
• Title: A Proof-of-Concept Study of Artificial Intelligence Assisted Contour Revision
• Title（参考訳）: 人工知能支援輪郭修正に関する概念実証研究
• Authors: Ti Bai, Anjali Balagopal, Michael Dohopolski, Howard E. Morgan, Rafe McBeth, Jun Tan, Mu-Han Lin, David J. Sher, Dan Nguyen, and Steve Jiang
• Abstract要約: 人工知能支援輪郭修正(AIACR)という新しい概念を提案する。 このコンセプトは、深層学習(DL)モデルを使用して、臨床医が輪郭を効率的かつ効果的に修正するのを支援する。 頭頸部癌データセットの2次元X線CT画像を用いてその実現可能性を示した。
• 参考スコア（独自算出の注目度）: 4.195764918318819
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Automatic segmentation of anatomical structures is critical for many medical applications. However, the results are not always clinically acceptable and require tedious manual revision. Here, we present a novel concept called artificial intelligence assisted contour revision (AIACR) and demonstrate its feasibility. The proposed clinical workflow of AIACR is as follows given an initial contour that requires a clinicians revision, the clinician indicates where a large revision is needed, and a trained deep learning (DL) model takes this input to update the contour. This process repeats until a clinically acceptable contour is achieved. The DL model is designed to minimize the clinicians input at each iteration and to minimize the number of iterations needed to reach acceptance. In this proof-of-concept study, we demonstrated the concept on 2D axial images of three head-and-neck cancer datasets, with the clinicians input at each iteration being one mouse click on the desired location of the contour segment. The performance of the model is quantified with Dice Similarity Coefficient (DSC) and 95th percentile of Hausdorff Distance (HD95). The average DSC/HD95 (mm) of the auto-generated initial contours were 0.82/4.3, 0.73/5.6 and 0.67/11.4 for three datasets, which were improved to 0.91/2.1, 0.86/2.4 and 0.86/4.7 with three mouse clicks, respectively. Each DL-based contour update requires around 20 ms. We proposed a novel AIACR concept that uses DL models to assist clinicians in revising contours in an efficient and effective way, and we demonstrated its feasibility by using 2D axial CT images from three head-and-neck cancer datasets.
• Abstract（参考訳）: 解剖学的構造の自動分割は多くの医学的応用に不可欠である。 しかし、この結果は必ずしも臨床的に受け入れられるものではなく、面倒な手作業による修正が必要である。 本稿では人工知能支援輪郭修正(AIACR)という新しい概念を提案し,その実現可能性を示す。 提案したAIACRの臨床ワークフローは, 臨床医の修正が必要な初期輪郭, 臨床医の大規模な改訂が必要な場所, 訓練された深層学習(DL)モデルが入力を取り込み, 輪郭を更新する。 このプロセスは臨床的に許容される輪郭が達成されるまで繰り返される。 DLモデルは、各イテレーションで入力される臨床医を最小化し、受け入れに必要なイテレーション数を最小化するように設計されている。 本研究は,3つの頭頸部癌データセットの2次元軸画像に関する概念を実証し,各反復で入力された臨床医は,輪郭領域の所望位置をマウスクリックで1回行った。 モデルの性能はDice similarity Coefficient (DSC) と Hausdorff Distance (HD95) の95%で定量化される。 自動生成した初期輪郭の平均dsc/hd95 (mm) は、3つのデータセットで 0.82/4.3, 0.73/5.6, 0.67/11.4 であり、それぞれ 0.91/2.1, 0.86/2.4, 0.86/4.7 にマウスクリックで改善された。 dlに基づく輪郭の更新には約20ミリ秒を要する。我々は,dlモデルを用いて臨床医の輪郭を効率的かつ効果的な方法で修正する新しいaiacrの概念を提案し,3つの頭頸部癌データセットからの2次元軸ct画像を用いてその実現可能性を示した。

関連論文リスト

• The effect of data augmentation and 3D-CNN depth on Alzheimer's Disease detection [51.697248252191265]
  この研究は、データハンドリング、実験設計、モデル評価に関するベストプラクティスを要約し、厳密に観察する。 我々は、アルツハイマー病(AD)の検出に焦点を当て、医療における課題のパラダイム的な例として機能する。 このフレームワークでは,3つの異なるデータ拡張戦略と5つの異なる3D CNNアーキテクチャを考慮し,予測15モデルを訓練する。
  論文  参考訳（メタデータ） (2023-09-13T10:40:41Z)
• Prompt Tuning for Parameter-efficient Medical Image Segmentation [79.09285179181225]
  2つの医用画像データセットのセマンティックセグメンテーションにパラメータ効率が良いが効果的な適応を実現するために,いくつかのコントリビューションを提案し,検討する。 我々はこのアーキテクチャを、オンライン生成プロトタイプへの割り当てに基づく専用密集型セルフスーパービジョンスキームで事前訓練する。 得られたニューラルネットワークモデルにより、完全に微調整されたモデルとパラメータに適応したモデルとのギャップを緩和できることを実証する。
  論文  参考訳（メタデータ） (2022-11-16T21:55:05Z)
• Deep Learning-based Framework for Automatic Cranial Defect Reconstruction and Implant Modeling [0.2020478014317493]
  本研究の目的は、頭蓋骨欠損の再建とインプラントのモデリングを行うための、頑健で、高速で、完全に自動化された手法を提案することである。 本稿では,修正U-Netアーキテクチャを用いた2段階の深層学習手法を提案する。 次に, 3Dプリンティングが可能なモデルの自動生成に続いて, インプラント形状を改善するための専用反復手順を提案する。
  論文  参考訳（メタデータ） (2022-04-13T11:33:26Z)
• 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)
• Detection of Large Vessel Occlusions using Deep Learning by Deforming Vessel Tree Segmentations [5.408694811103598]
  この研究は、船体木分割マスクの弾性変形で訓練されたケースレベルの分類に畳み込みニューラルネットワークを使用し、トレーニングデータを人工的に増強する。 ニューラルネットワークは、LVOと影響を受ける半球の存在を分類する。 5倍のクロス検証アブレーション実験において,提案手法を用いることで,少数のデータセットからでも頑健なモデルを訓練できることが実証された。
  論文  参考訳（メタデータ） (2021-12-03T09:07:29Z)
• Systematic Clinical Evaluation of A Deep Learning Method for Medical Image Segmentation: Radiosurgery Application [48.89674088331313]
  3次元医用画像分割作業において,Deep Learning (DL) 手法を体系的に評価した。 本手法は放射線外科治療プロセスに統合され,臨床ワークフローに直接影響を及ぼす。
  論文  参考訳（メタデータ） (2021-08-21T16:15:40Z)
• Weaving Attention U-net: A Novel Hybrid CNN and Attention-based Method for Organs-at-risk Segmentation in Head and Neck CT Images [11.403827695550111]
  我々は、畳み込みニューラルネットワーク(CNN)と自己認識機構を組み合わせた、新しいハイブリッドディープラーニングアプローチを開発した。 提案手法は10臓器対リスク(OAR)の基底真理によく似た輪郭を生成する。 新しいウィービング注意U-netは頭頸部CT画像のセグメンテーションに優れているか類似した性能を示した。
  論文  参考訳（メタデータ） (2021-07-10T14:27:46Z)
• Revisiting 3D Context Modeling with Supervised Pre-training for Universal Lesion Detection in CT Slices [48.85784310158493]
  CTスライスにおける普遍的病変検出のための3Dコンテキスト強化2D特徴を効率的に抽出するための修飾擬似3次元特徴ピラミッドネットワーク(MP3D FPN)を提案する。 新たな事前学習手法により,提案したMP3D FPNは,DeepLesionデータセット上での最先端検出性能を実現する。 提案された3Dプリトレーニングウェイトは、他の3D医療画像分析タスクのパフォーマンスを高めるために使用できる。
  論文  参考訳（メタデータ） (2020-12-16T07:11:16Z)
• Segmentation-free Estimation of Aortic Diameters from MRI Using Deep Learning [2.231365407061881]
  大動脈径の直接推定のための教師付き深層学習法を提案する。 提案手法では,3Dスキャンを入力とし,所定の位置で大動脈径を出力する3D+2D畳み込みニューラルネットワーク(CNN)を用いる。 全体として、3D+2D CNNは大動脈の位置によって2.2-2.4mmの平均的な絶対誤差を達成した。
  論文  参考訳（メタデータ） (2020-09-09T18:28:00Z)
• 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)
• 2D Convolutional Neural Networks for 3D Digital Breast Tomosynthesis Classification [20.245580301060418]
  分類のための自動手法を開発する際の主な課題は、スライス数の可変処理とスライス・ツー・スライスの変更の維持である。 本稿では,両課題を同時に克服する,新しい2次元畳み込みニューラルネットワーク(CNN)アーキテクチャを提案する。 提案手法は,スライス数にかかわらず全ボリュームで動作するため,特徴抽出に2次元CNNを事前学習することが可能である。
  論文  参考訳（メタデータ） (2020-02-27T18:32:52Z)

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。