論文の概要: Body Part Regression for CT Images
- arxiv url: http://arxiv.org/abs/2110.09148v1
- Date: Mon, 18 Oct 2021 10:03:42 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-22 13:02:34.409648
- Title: Body Part Regression for CT Images
- Title(参考訳): CT画像における身体部分回帰
- Authors: Sarah Schuhegger
- Abstract要約: CTボリュームの自己教師付き身体部分回帰モデルを開発し、異種CT研究の収集に基づいて訓練した。
本研究は, このアルゴリズムが医療モデルの医院への堅牢かつ信頼性の高い移行にどのように貢献するかを示す。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: One of the greatest challenges in the medical imaging domain is to
successfully transfer deep learning models into clinical practice. Since models
are often trained on a specific body region, a robust transfer into the clinic
necessitates the selection of images with body regions that fit the algorithm
to avoid false-positive predictions in unknown regions. Due to the insufficient
and inaccurate nature of manually-defined imaging meta-data, automated body
part recognition is a key ingredient towards the broad and reliable adoption of
medical deep learning models. While some approaches to this task have been
presented in the past, building and evaluating robust algorithms for
fine-grained body part recognition remains challenging. So far, no easy-to-use
method exists to determine the scanned body range of medical Computed
Tomography (CT) volumes. In this thesis, a self-supervised body part regression
model for CT volumes is developed and trained on a heterogeneous collection of
CT studies. Furthermore, it is demonstrated how the algorithm can contribute to
the robust and reliable transfer of medical models into the clinic. Finally,
easy application of the developed method is ensured by integrating it into the
medical platform toolkit Kaapana and providing it as a python package at
https://github.com/MIC-DKFZ/BodyPartRegression .
- Abstract(参考訳): 医療画像領域における最大の課題の1つは、ディープラーニングモデルを臨床に導入することである。
モデルは特定の身体領域で訓練されることが多いため、診療所へのロバストな移動は、未知の領域での偽陽性の予測を避けるためにアルゴリズムに適合する身体領域での画像の選択を必要とする。
手動で定義した画像メタデータが不十分で不正確であるため、自動体部認識は医学的深層学習モデルの普及と普及の鍵となる要素である。
この課題に対するいくつかのアプローチは過去に提示されてきたが、細粒度体部認識のためのロバストなアルゴリズムの構築と評価は依然として困難である。
医療用CT(CT)ボリュームの走査体範囲を判定するためには,これまで使い易い方法が存在しない。
本論文では、CTボリュームの自己教師付き身体部分回帰モデルを開発し、異種CT研究のコレクションに基づいて訓練する。
さらに, このアルゴリズムが医療モデルの病院への堅牢かつ信頼性の高い移行にどのように貢献するかを示す。
最後に、医療プラットフォームツールキットKaapanaに統合し、https://github.com/MIC-DKFZ/BodyPartRegressionでpythonパッケージとして提供することにより、開発手法の容易な適用が保証される。
関連論文リスト
- SegBook: A Simple Baseline and Cookbook for Volumetric Medical Image Segmentation [20.026663367994356]
大量のフルボディCT画像は、強力なモデルを事前訓練する機会を提供する。
これらの事前訓練されたモデルが、下流の様々な医療セグメンテーションタスクに移行できる状況は、まだ不明である。
我々は,全体CT事前訓練モデルの転写能力を評価するために,モダリティ,ターゲット,サンプルサイズが異なる87の公開データセットを収集した。
論文 参考訳(メタデータ) (2024-11-21T19:00:01Z) - CC-DCNet: Dynamic Convolutional Neural Network with Contrastive Constraints for Identifying Lung Cancer Subtypes on Multi-modality Images [13.655407979403945]
肺がんサブタイプを多次元・多モード画像で正確に分類するための新しい深層学習ネットワークを提案する。
提案モデルの強みは, 対のCT-病理画像セットと独立のCT画像セットの両方を動的に処理できることにある。
また,ネットワーク学習を通じてモダリティ関係を定量的にマッピングするコントラスト制約モジュールも開発した。
論文 参考訳(メタデータ) (2024-07-18T01:42:00Z) - Pick the Best Pre-trained Model: Towards Transferability Estimation for
Medical Image Segmentation [20.03177073703528]
転送学習は、難しい医用画像分割タスクのために、ディープニューラルネットワークをトレーニングする上で重要なテクニックである。
医用画像セグメンテーションのための新しい転送可能性推定法を提案する。
医用画像のセグメンテーションにおける転送可能性推定のアルゴリズムを網羅した手法を提案する。
論文 参考訳(メタデータ) (2023-07-22T01:58:18Z) - Abdominal organ segmentation via deep diffeomorphic mesh deformations [5.4173776411667935]
CTとMRIによる腹部臓器の分節は,手術計画とコンピュータ支援ナビゲーションシステムにとって必須の要件である。
肝, 腎, 膵, 脾の分節に対するテンプレートベースのメッシュ再構成法を応用した。
結果として得られたUNetFlowは4つの器官すべてによく当てはまり、新しいデータに基づいて簡単に微調整できる。
論文 参考訳(メタデータ) (2023-06-27T14:41:18Z) - LVM-Med: Learning Large-Scale Self-Supervised Vision Models for Medical
Imaging via Second-order Graph Matching [59.01894976615714]
LVM-Medは、大規模医療データセットに基づいてトレーニングされた、最初のディープネットワークファミリーである。
55の公開データセットから約13万の医療画像を収集しました。
LVM-Medは、多くの最先端の教師付き、自己監督型、基礎モデルよりも経験的に優れている。
論文 参考訳(メタデータ) (2023-06-20T22:21:34Z) - AutoPaint: A Self-Inpainting Method for Unsupervised Anomaly Detection [34.007468043336274]
健全な解剖学の詳細を学習し,高解像度画像の再構成を行うために,ロバストな塗装モデルを提案する。
また,腫瘍を自動的に検出し,その外観を健康な解剖学に置き換えるオートインペインティングパイプラインを提案し,そのセグメントに基づいて腫瘍の体積を推定した。
論文 参考訳(メタデータ) (2023-05-21T05:45:38Z) - Patched Diffusion Models for Unsupervised Anomaly Detection in Brain MRI [55.78588835407174]
本稿では,正常脳解剖のパッチベース推定法として拡散モデルの生成タスクを再構築する手法を提案する。
腫瘍と多発性硬化症について検討し,既存のベースラインと比較して25.1%の改善がみられた。
論文 参考訳(メタデータ) (2023-03-07T09:40:22Z) - Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for
Thoracic Disease Identification [83.6017225363714]
ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。
胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。
本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
論文 参考訳(メタデータ) (2021-02-26T02:29:30Z) - 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) - Few-shot Medical Image Segmentation using a Global Correlation Network
with Discriminative Embedding [60.89561661441736]
医療画像分割のための新しい手法を提案する。
深層畳み込みネットワークを用いた数ショット画像セグメンタを構築します。
深層埋め込みの識別性を高め,同一クラスの特徴領域のクラスタリングを促進する。
論文 参考訳(メタデータ) (2020-12-10T04:01:07Z) - 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)
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。