論文の概要: Dual Shape Guided Segmentation Network for Organs-at-Risk in Head and Neck CT Images

• arxiv url: http://arxiv.org/abs/2110.12192v1
• Date: Sat, 23 Oct 2021 10:53:37 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-26 15:08:46.452098
• Title: Dual Shape Guided Segmentation Network for Organs-at-Risk in Head and Neck CT Images
• Title（参考訳）: 頭頸部CT像におけるオルガン・アット・リスクのための2次元形状誘導セグメンテーションネットワーク
• Authors: Shuai Wang, Theodore Yanagihara, Bhishamjit Chera, Colette Shen, Pew-Thian Yap, Jun Lian
• Abstract要約: 頭頸部CT画像において,9つの重要な臓器-リスク (OAR) を自動デライン化するための新しい二重形状ガイドネットワーク(DSGnet)を提案する。 臓器特異的逆距離マップ(UIDM)を用いたCT画像におけるOARの大きな形状変化と境界の曖昧さに対処するため,臓器形状を表現した。 9つの重要なOARに対して0.842のDice similarity Coefficient(DSC)の総合値は、デライン化品質を改善し、時間的コストを低減させる大きな可能性を示している。
• 参考スコア（独自算出の注目度）: 18.96016069277052
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The accurate segmentation of organs-at-risk (OARs) in head and neck CT images is a critical step for radiation therapy of head and neck cancer patients. However, manual delineation for numerous OARs is time-consuming and laborious, even for expert oncologists. Moreover, manual delineation results are susceptible to high intra- and inter-variability. To this end, we propose a novel dual shape guided network (DSGnet) to automatically delineate nine important OARs in head and neck CT images. To deal with the large shape variation and unclear boundary of OARs in CT images, we represent the organ shape using an organ-specific unilateral inverse-distance map (UIDM) and guide the segmentation task from two different perspectives: direct shape guidance by following the segmentation prediction and across shape guidance by sharing the segmentation feature. In the direct shape guidance, the segmentation prediction is not only supervised by the true label mask, but also by the true UIDM, which is implemented through a simple yet effective encoder-decoder mapping from the label space to the distance space. In the across shape guidance, UIDM is used to facilitate the segmentation by optimizing the shared feature maps. For the experiments, we build a large head and neck CT dataset with a total of 699 images from different volunteers, and conduct comprehensive experiments and comparisons with other state-of-the-art methods to justify the effectiveness and efficiency of our proposed method. The overall Dice Similarity Coefficient (DSC) value of 0.842 across the nine important OARs demonstrates great potential applications in improving the delineation quality and reducing the time cost.
• Abstract（参考訳）: 頭頸部CT画像におけるOAR(Organs-at-risk)の正確なセグメンテーションは,頭頸部癌患者の放射線治療において重要なステップである。 しかし、多くのOARのマニュアル記述は、専門家の腫瘍学者にとっても時間と労力がかかる。 さらに,手動によるデライン化の結果は,高いイントラ・イントラ・バリアビリティの影響を受ける。 そこで本研究では,頭頸部ct画像中の9つの重要なオールを自動的に区分けする2つの形状誘導ネットワーク(dsgnet)を提案する。 ct画像におけるオールの形状変化と不明瞭な境界に対処するため,臓器特異的な一方的逆距離マップ(uidm)を用いてオルガン形状を表現し,セグメンテーション特徴を共有することにより,セグメンテーション予測に追従した直接形状指導と,セグメンテーション特徴の共有による形状指導の2つの視点からセグメンテーションタスクを誘導する。 直接形状指導では、セグメンテーション予測は真のラベルマスクによって監督されるだけでなく、ラベル空間から距離空間への単純かつ効果的なエンコーダ・デコーダマッピングによって実装される真のuidmによっても監視される。 ワイドシェイプガイドでは,共有特徴マップを最適化することによりセグメンテーションを容易にするためにUIDMが使用される。 提案手法の有効性と効率を正当化するために, 異なるボランティアの計699枚の画像を用いた頭頸部CTデータセットを構築し, その他の最先端手法との比較を行った。 9つの重要なOARに対して0.842のDice similarity Coefficient(DSC)の総合値は、デライン化品質の改善と時間的コストの削減に大きな可能性を示している。

関連論文リスト

• CT-based brain ventricle segmentation via diffusion Schrödinger Bridge without target domain ground truths [0.9720086191214947]
  クリニカルCTスキャンによる高効率かつ正確な脳室分画は、腹腔鏡下手術のような緊急手術には不可欠である。 我々は,CTセグメント化の真偽を必要とせず,新しい不確実性に留意した心室分画法を導入する。 提案手法では拡散型Schr"odinger Bridgeと残像U-Netを併用し,画像診断とMRI検査を併用した。
  論文  参考訳（メタデータ） (2024-05-28T15:17:58Z)
• M3BUNet: Mobile Mean Max UNet for Pancreas Segmentation on CT-Scans [25.636974007788986]
  我々は,M3BUNetを提案する。M3BUNetはMobileNetとU-Netニューラルネットワークの融合で,2段階に分けて膵CT像を段階的に分割する,新しい平均値(MM)アテンションを備える。 細かなセグメンテーションの段階では、ウェーブレット分解フィルタを用いてマルチインプット画像を作成することにより、膵のセグメンテーション性能が向上することがわかった。 提案手法は,最大89.53%のDice similarity Coefficient(DSC)値と最大81.16のIntersection Over Union(IOU)スコアをNIH pancreasデータセットで達成する。
  論文  参考訳（メタデータ） (2024-01-18T23:10:08Z)
• Dual-scale Enhanced and Cross-generative Consistency Learning for Semi-supervised Medical Image Segmentation [49.57907601086494]
  医用画像のセグメンテーションはコンピュータ支援診断において重要な役割を担っている。 半教師型医用画像(DEC-Seg)のための新しいDual-scale Enhanced and Cross-generative consistency learning frameworkを提案する。
  論文  参考訳（メタデータ） (2023-12-26T12:56:31Z)
• Self-Supervised Correction Learning for Semi-Supervised Biomedical Image Segmentation [84.58210297703714]
  半教師付きバイオメディカルイメージセグメンテーションのための自己教師付き補正学習パラダイムを提案する。 共有エンコーダと2つの独立デコーダを含むデュアルタスクネットワークを設計する。 異なるタスクのための3つの医用画像分割データセットの実験により,本手法の優れた性能が示された。
  論文  参考訳（メタデータ） (2023-01-12T08:19:46Z)
• Two-Stream Graph Convolutional Network for Intra-oral Scanner Image Segmentation [133.02190910009384]
  本稿では,2ストリームグラフ畳み込みネットワーク(TSGCN)を提案する。 TSGCNは3次元歯(表面)セグメンテーションにおいて最先端の方法よりも優れています。
  論文  参考訳（メタデータ） (2022-04-19T10:41:09Z)
• Recurrent Feature Propagation and Edge Skip-Connections for Automatic Abdominal Organ Segmentation [13.544665065396373]
  本稿では,エンコーダ,エッジ検出器,エッジスキップ接続付きデコーダ,繰り返し特徴伝搬ヘッドを含む,エンドツーエンドの4つの主要コンポーネントを訓練した3Dネットワークを提案する。 実験の結果,提案したネットワークはいくつかの最先端モデルよりも優れていた。
  論文  参考訳（メタデータ） (2022-01-02T08:33:19Z)
• 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)
• Inf-Net: Automatic COVID-19 Lung Infection Segmentation from CT Images [152.34988415258988]
  CT画像からの肺感染症の自動検出は、新型コロナウイルスに対処するための従来の医療戦略を強化する大きな可能性を秘めている。 CTスライスから感染領域を分割することは、高い感染特性の変化、感染と正常な組織の間の低強度のコントラストなど、いくつかの課題に直面している。 これらの課題に対処するため, 胸部CTスライスから感染部位を自動的に同定する, 新型のCOVID-19 Deep Lung infection Network (Inf-Net) が提案されている。
  論文  参考訳（メタデータ） (2020-04-22T07:30:56Z)
• Pathological Retinal Region Segmentation From OCT Images Using Geometric Relation Based Augmentation [84.7571086566595]
  本稿では,幾何学と形状の内在的関係を共同で符号化することで,従来のGANベースの医用画像合成法よりも優れた手法を提案する。 提案手法は,取得手順の異なる画像を有する公開RETOUCHデータセット上で,最先端のセグメンテーション手法より優れている。
  論文  参考訳（メタデータ） (2020-03-31T11:50:43Z)
• Unsupervised Bidirectional Cross-Modality Adaptation via Deeply Synergistic Image and Feature Alignment for Medical Image Segmentation [73.84166499988443]
  我々は、Synergistic Image and Feature Alignment (SIFA)と名付けられた新しい教師なしドメイン適応フレームワークを提案する。 提案するSIFAは、画像と特徴の両方の観点から、ドメインの相乗的アライメントを行う。 2つの異なるタスクに対する実験結果から,SIFA法は未ラベル対象画像のセグメンテーション性能を向上させるのに有効であることが示された。
  論文  参考訳（メタデータ） (2020-02-06T13:49:47Z)

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。