論文の概要: DeepStationing: Thoracic Lymph Node Station Parsing in CT Scans using
Anatomical Context Encoding and Key Organ Auto-Search
- arxiv url: http://arxiv.org/abs/2109.09271v1
- Date: Mon, 20 Sep 2021 02:32:50 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-22 05:41:07.494387
- Title: DeepStationing: Thoracic Lymph Node Station Parsing in CT Scans using
Anatomical Context Encoding and Key Organ Auto-Search
- Title（参考訳）: DeepStationing:解剖学的文脈エンコーディングとキーオーガナイズドオートサーチを用いたCTスキャンにおける胸部リンパ節郭清
- Authors: Dazhou Guo, Xianghua Ye, Jia Ge, Xing Di, Le Lu, Lingyun Huang,
Guotong Xie, Jing Xiao, Zhongjie Liu, Ling Peng, Senxiang Yan, Dakai Jin
- Abstract要約: CTスキャンからのLymph node station (LNS) delineationは放射線腫瘍学のワークフローにおいて必須のステップである。
以前の研究は、事前に定義されたアドホックマージンに基づいてLSNを推測するために解剖学的先行を悪用していた。
解剖学的臓器を用いた深部空間的・文脈的解析問題として定式化する。
- 参考スコア（独自算出の注目度）: 13.642187665173427
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Lymph node station (LNS) delineation from computed tomography (CT) scans is
an indispensable step in radiation oncology workflow. High inter-user
variabilities across oncologists and prohibitive laboring costs motivated the
automated approach. Previous works exploit anatomical priors to infer LNS based
on predefined ad-hoc margins. However, without voxel-level supervision, the
performance is severely limited. LNS is highly context-dependent - LNS
boundaries are constrained by anatomical organs - we formulate it as a deep
spatial and contextual parsing problem via encoded anatomical organs. This
permits the deep network to better learn from both CT appearance and organ
context. We develop a stratified referencing organ segmentation protocol that
divides the organs into anchor and non-anchor categories and uses the former's
predictions to guide the later segmentation. We further develop an auto-search
module to identify the key organs that opt for the optimal LNS parsing
performance. Extensive four-fold cross-validation experiments on a dataset of
98 esophageal cancer patients (with the most comprehensive set of 12 LNSs + 22
organs in thoracic region to date) are conducted. Our LNS parsing model
produces significant performance improvements, with an average Dice score of
81.1% +/- 6.1%, which is 5.0% and 19.2% higher over the pure CT-based deep
model and the previous representative approach, respectively.
- Abstract（参考訳）: CTスキャンからのLymph node station (LNS) delineationは放射線腫瘍学のワークフローにおいて必須のステップである。
ユーザ間の高い多様性と禁止労働コストは、自動化アプローチの動機となった。
以前の研究では、事前定義されたad-hocマージンに基づいてlsnを推論するために解剖学的前処理を利用する。
しかし、ボクセルレベルの監督がなければ、性能は極めて制限される。
LNSは、高度に文脈依存的であり、LSS境界は解剖学的臓器によって制約されている。
これにより、深層ネットワークは、CTの外観と臓器コンテキストの両方からより良く学習することができる。
我々は,臓器をアンカーと非アンカーのカテゴリに分割し,前者の予測を用いて後続のセグメンテーションを導く階層的参照臓器セグメンテーションプロトコルを開発した。
さらに,最適なLSS解析性能を選択する重要な臓器を同定する自動探索モジュールを開発した。
食道癌患者98名(胸部領域に12個のLSS+22臓器の包括的セットを含む)のデータセットの4倍のクロスバリデーション実験を行った。
私たちのlns解析モデルは、平均siceスコアが81.1%+/- 6.1%で、純粋なctベースのディープモデルよりも5.%、以前の代表的アプローチよりも19.2%高かった。
関連論文リスト
- AG-CRC: Anatomy-Guided Colorectal Cancer Segmentation in CT with
Imperfect Anatomical Knowledge [9.961742312147674]
自動生成臓器マスクを利用する新しい解剖ガイドセグメンテーションフレームワークを開発した。
提案手法を2つのCRCセグメンテーションデータセット上で広範囲に評価する。
論文 参考訳（メタデータ） (2023-10-07T03:22:06Z) - A deep local attention network for pre-operative lymph node metastasis
prediction in pancreatic cancer via multiphase CT imaging [22.57399272278884]
そこで本研究では,LNの転移状況予測タスクを容易化するために,完全自動LNセグメンテーションと識別ネットワークを提案する。
関連臓器や血管から注意マップを誘導することにより,膵LN位置の解剖学的背景を解明する。
腫瘍領域から抽出したLNの分類・同定と深部画像特徴を併用したLN転移状況予測ネットワークを開発した。
論文 参考訳（メタデータ） (2023-01-04T05:14:31Z) - Comparative analysis of deep learning approaches for AgNOR-stained
cytology samples interpretation [52.77024349608834]
本稿では, 深層学習手法を用いて, 好気性ヌクレオラオーガナイザ領域 (AgNOR) 染色スライダを解析する方法を提案する。
以上の結果から,バックボーンとしてResNet-18やResNet-34を用いたU-Netを用いたセマンティックセマンティックセマンティックセマンティクスは類似した結果を示す。
最も優れたモデルは、それぞれ0.83、0.92、0.99の核、クラスター、衛星のIoUを示す。
論文 参考訳（メタデータ） (2022-10-19T15:15:32Z) - Towards A Device-Independent Deep Learning Approach for the Automated
Segmentation of Sonographic Fetal Brain Structures: A Multi-Center and
Multi-Device Validation [0.0]
胎児脳USG画像(2D)から得られた2軸平面から10個の重要な胎児脳構造の自動分割のためのDLベースセグメンテーションフレームワークを提案する。
提案するDLシステムは,有望かつ汎用的な性能(マルチセンタ,マルチデバイス)を提供し,画像品質のデバイスによる変動を支持する証拠を提示する。
論文 参考訳（メタデータ） (2022-02-28T05:42:03Z) - 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) - Anatomy X-Net: A Semi-Supervised Anatomy Aware Convolutional Neural
Network for Thoracic Disease Classification [3.888080947524813]
この研究は、解剖学的注意に基づくアーキテクチャAnatomy X-Netを提案する。
事前に同定された解剖学的領域によって導かれる空間的特徴を優先する。
提案手法は,AUCスコアが0.8439のNIHテストセットに対して,新しい最先端性能を設定できる。
論文 参考訳（メタデータ） (2021-06-10T17:01:23Z) - COVID-Net CT-2: Enhanced Deep Neural Networks for Detection of COVID-19
from Chest CT Images Through Bigger, More Diverse Learning [70.92379567261304]
胸部CT画像からのCOVID-19検出のための深部ニューラルネットワークであるCOVID-Net CT-2を導入する。
説明力を活用して、COVID-Net CT-2の意思決定行動を調査します。
結果は有望であり、コンピュータ支援型COVID-19アセスメントの有効なツールとして、ディープニューラルネットワークの強い可能性を示唆している。
論文 参考訳（メタデータ） (2021-01-19T03:04:09Z) - CHS-Net: A Deep learning approach for hierarchical segmentation of
COVID-19 infected CT images [0.6091702876917281]
新型重症急性呼吸器症候群(SARS-CoV-2)のパンデミックが世界中で広がっています。
CT(Computerd Tomography)、X線などの医療画像は、臓器の構造に関する優れた詳細を提示することにより、患者の診断に重要な役割を果たします。
ディープラーニング技術は、新型コロナウイルスなどの疾患やウイルスの迅速な診断を支援するために、そのようなスキャンを分析する強みを示しています。
論文 参考訳（メタデータ） (2020-12-13T15:02:05Z) - An Uncertainty-Driven GCN Refinement Strategy for Organ Segmentation [53.425900196763756]
本研究では,不確実性解析とグラフ畳み込みネットワークに基づくセグメンテーション改善手法を提案する。
半教師付きグラフ学習問題を定式化するために、特定の入力ボリュームにおける畳み込みネットワークの不確実性レベルを用いる。
本手法は膵臓で1%,脾臓で2%向上し,最先端のCRF改善法よりも優れていた。
論文 参考訳（メタデータ） (2020-12-06T18:55:07Z) - iPhantom: a framework for automated creation of individualized
computational phantoms and its application to CT organ dosimetry [58.943644554192936]
本研究の目的は、患者固有の幻覚やデジタル双眼鏡の自動作成のための新しいフレームワーク、iPhantomを開発し、検証することである。
この枠組みは、個々の患者のCT画像における放射線感受性臓器への放射線線量を評価するために応用される。
iPhantomは、アンカーオルガンのDice similarity Coefficients (DSC) >0.6の精度で全ての臓器の位置を正確に予測し、他のオルガンのDSCは0.3-0.9である。
論文 参考訳（メタデータ） (2020-08-20T01:50:49Z) - A Global Benchmark of Algorithms for Segmenting Late Gadolinium-Enhanced
Cardiac Magnetic Resonance Imaging [90.29017019187282]
現在世界最大の心臓LGE-MRIデータセットである154個の3D LGE-MRIを用いた「2018 left Atrium Challenge」。
技術および生物学的指標を用いた提案アルゴリズムの解析を行った。
その結果, 最上部法は93.2%, 平均表面は0.7mmであった。
論文 参考訳（メタデータ） (2020-04-26T08:49:17Z)
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。