論文の概要: Deep PET/CT fusion with Dempster-Shafer theory for lymphoma segmentation
- arxiv url: http://arxiv.org/abs/2108.05422v1
- Date: Wed, 11 Aug 2021 19:24:40 GMT
- ステータス: 処理完了
- システム内更新日: 2021-08-13 14:37:32.892753
- Title: Deep PET/CT fusion with Dempster-Shafer theory for lymphoma segmentation
- Title(参考訳): Dempster-Shafer理論と深部PET/CT併用による悪性リンパ腫の鑑別
- Authors: Ling Huang, Thierry Denoeux, David Tonnelet, Pierre Decazes, and Su
Ruan
- Abstract要約: PET/CTボリュームからのリンパ腫の検出とセグメンテーションは外科的適応と放射線治療に不可欠である。
PET/CT融合層を有するUNetを用いた悪性リンパ腫のセグメンテーションモデルを提案する。
Diceスコア0.726で正確なセグメンテーション結果を得る。
- 参考スコア(独自算出の注目度): 17.623576885481747
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Lymphoma detection and segmentation from whole-body Positron Emission
Tomography/Computed Tomography (PET/CT) volumes are crucial for surgical
indication and radiotherapy. Designing automatic segmentation methods capable
of effectively exploiting the information from PET and CT as well as resolving
their uncertainty remain a challenge. In this paper, we propose an lymphoma
segmentation model using an UNet with an evidential PET/CT fusion layer.
Single-modality volumes are trained separately to get initial segmentation maps
and an evidential fusion layer is proposed to fuse the two pieces of evidence
using Dempster-Shafer theory (DST). Moreover, a multi-task loss function is
proposed: in addition to the use of the Dice loss for PET and CT segmentation,
a loss function based on the concordance between the two segmentation is added
to constrain the final segmentation. We evaluate our proposal on a database of
polycentric PET/CT volumes of patients treated for lymphoma, delineated by the
experts. Our method get accurate segmentation results with Dice score of 0.726,
without any user interaction. Quantitative results show that our method is
superior to the state-of-the-art methods.
- Abstract(参考訳): 全身ポジトロントモグラフィー/CT(PET/CT)ボリュームからのリンパ腫の検出とセグメンテーションは,外科的診断と放射線治療に不可欠である。
petやctの情報を効果的に活用できる自動セグメンテーション手法の設計や、不確かさの解消が課題となっている。
本稿では,PET/CT融合層を有するUNetを用いたリンパ腫分離モデルを提案する。
単モダリティボリュームは初期セグメンテーションマップを得るために別々に訓練され、デンプスター・シェーファー理論(dst)を用いて2つの証拠を融合する証拠融合層が提案されている。
さらに,pet と ct のセグメンテーションに dice ロスを使用するのに加え,2 つのセグメンテーションの一致度に基づく損失関数を追加して最終セグメンテーションを制約するマルチタスクロス関数を提案する。
悪性リンパ腫患者の多中心性pet/ct量データベースについて,専門家による検討を行った。
提案手法は,diceスコア0.726で,ユーザインタラクションを伴わずに正確なセグメンテーション結果を得る。
その結果,本手法は最先端手法よりも優れていることがわかった。
関連論文リスト
- Vision Transformer-based Multimodal Feature Fusion Network for Lymphoma
Segmentation on PET/CT Images [6.715992297496958]
18F-Fluorodeoxyglucose positron emission tomography (PET) とCT画像によるリンパ腫分画の精度向上を目指した。
悪性リンパ腫のセグメンテーションのアプローチは,視覚トランスフォーマーとデュアルエンコーダを併用し,マルチモーダル・クロスアテンション・フュージョン(MMCAF)モジュールを介してPETおよびCTデータを浮き彫りにする。
論文 参考訳(メタデータ) (2024-02-04T05:25:12Z) - 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) - Diffusion Models for Counterfactual Generation and Anomaly Detection in
Brain Images [59.85702949046042]
病気の画像の健全なバージョンを生成し,それを用いて画素単位の異常マップを得るための弱教師付き手法を提案する。
健常者を対象にした拡散モデルを用いて, サンプリングプロセスの各ステップで拡散拡散確率モデル (DDPM) と拡散拡散確率モデル (DDIM) を組み合わせる。
本手法が正常なサンプルに適用された場合,入力画像は大幅な修正を伴わずに再構成されることを確認した。
論文 参考訳(メタデータ) (2023-08-03T21:56:50Z) - Reliable Joint Segmentation of Retinal Edema Lesions in OCT Images [55.83984261827332]
本稿では,信頼性の高いマルチスケールウェーブレットエンハンストランスネットワークを提案する。
本研究では,ウェーブレット型特徴抽出器ネットワークとマルチスケール変圧器モジュールを統合したセグメンテーションバックボーンを開発した。
提案手法は,他の最先端セグメンテーション手法と比較して信頼性の高いセグメンテーション精度を実現する。
論文 参考訳(メタデータ) (2022-12-01T07:32:56Z) - Exploring Vanilla U-Net for Lesion Segmentation from Whole-body
FDG-PET/CT Scans [16.93163630413171]
FDG-PETスキャンは代謝情報のみを提供するため、不規則なグルコース消費を伴う健康な組織や良性疾患はがんと誤認される可能性がある。
本稿では,ネットワークアーキテクチャ,データ前処理,データ拡張という3つの側面から,全身FDG-PET/CTスキャンにおける病変分割のためのU-Netの可能性について検討する。
本手法は, AutoPET 2022 チャレンジの予備的, 最終的リーダボードにおいて第1位となる。
論文 参考訳(メタデータ) (2022-10-14T03:37:18Z) - Automatic Tumor Segmentation via False Positive Reduction Network for
Whole-Body Multi-Modal PET/CT Images [12.885308856495353]
PET/CT画像評価では,腫瘍の自動切除が重要なステップである。
既存の方法は腫瘍領域を過剰に分離し、正常な高臓器、炎症、その他の感染症などの領域を含む傾向がある。
この制限を克服するために、偽陽性削減ネットワークを導入します。
論文 参考訳(メタデータ) (2022-09-16T04:01:14Z) - Improving Classification Model Performance on Chest X-Rays through Lung
Segmentation [63.45024974079371]
本稿では, セグメンテーションによる異常胸部X線(CXR)識別性能を向上させるための深層学習手法を提案する。
提案手法は,CXR画像中の肺領域を局所化するための深層ニューラルネットワーク(XLSor)と,大規模CXRデータセットで事前学習した自己教師あり運動量コントラスト(MoCo)モデルのバックボーンを用いたCXR分類モデルである。
論文 参考訳(メタデータ) (2022-02-22T15:24:06Z) - CoRSAI: A System for Robust Interpretation of CT Scans of COVID-19
Patients Using Deep Learning [133.87426554801252]
我々は,深部畳み込み神経網のアンサンブルを用いた肺CTスキャンのセグメンテーションによるアプローチを採用した。
本モデルを用いて, 病変の分類, 患者の動態の評価, 病変による肺の相対体積の推定, 肺の損傷ステージの評価が可能となった。
論文 参考訳(メタデータ) (2021-05-25T12:06:55Z) - Evidential segmentation of 3D PET/CT images [20.65495780362289]
3D PET/CT画像におけるリンパ腫のセグメント化には、信念関数に基づくセグメンテーション法が提案されている。
アーキテクチャは特徴抽出モジュールと明白なセグメンテーション(ES)モジュールで構成されている。
びまん性大細胞性b細胞リンパ腫173例のデータベース上で評価した。
論文 参考訳(メタデータ) (2021-04-27T16:06:27Z) - Multimodal Spatial Attention Module for Targeting Multimodal PET-CT Lung
Tumor Segmentation [11.622615048002567]
マルチモーダル空間アテンションモジュール(MSAM)は腫瘍に関連する領域を強調することを学ぶ。
MSAMは一般的なバックボーンアーキテクチャやトレーニングされたエンドツーエンドに適用できる。
論文 参考訳(メタデータ) (2020-07-29T10:27:22Z) - 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。