Fugu-MT 論文翻訳(概要): Tackling the Class Imbalance Problem of Deep Learning Based Head and Neck Organ Segmentation

論文の概要: Tackling the Class Imbalance Problem of Deep Learning Based Head and Neck Organ Segmentation

arxiv url: http://arxiv.org/abs/2201.01636v1
Date: Wed, 5 Jan 2022 14:36:45 GMT
ステータス: 処理完了
システム内更新日: 2022-01-06 14:36:37.556108
Title: Tackling the Class Imbalance Problem of Deep Learning Based Head and Neck Organ Segmentation
Title（参考訳）: 深層学習に基づく頭頸部臓器分節のクラス不均衡問題への対処
Authors: Elias Tappeiner, Martin Welk and Rainer Schubert
Abstract要約: リスクのある臓器の分節化(OAR)は、画像誘導放射線治療によるがん治療の前提条件である。深層学習(DL)に基づく医用画像セグメンテーションは、現在最も成功したアプローチであるが、バックグラウンドクラスの過剰発現に悩まされている。高度に不均衡な設定を補うために、クラス適応Dice損失を導入する。
参考スコア（独自算出の注目度）: 0.7734726150561088
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: The segmentation of organs at risk (OAR) is a required precondition for the cancer treatment with image guided radiation therapy. The automation of the segmentation task is therefore of high clinical relevance. Deep Learning (DL) based medical image segmentation is currently the most successful approach, but suffers from the over-presence of the background class and the anatomically given organ size difference, which is most severe in the head and neck (HAN) area. To tackle the HAN area specific class imbalance problem we first optimize the patch-size of the currently best performing general purpose segmentation framework, the nnU-Net, based on the introduced class imbalance measurement, and second, introduce the class adaptive Dice loss to further compensate for the highly imbalanced setting. Both the patch-size and the loss function are parameters with direct influence on the class imbalance and their optimization leads to a 3\% increase of the Dice score and 22% reduction of the 95% Hausdorff distance compared to the baseline, finally reaching $0.8\pm0.15$ and $3.17\pm1.7$ mm for the segmentation of seven HAN organs using a single and simple neural network. The patch-size optimization and the class adaptive Dice loss are both simply integrable in current DL based segmentation approaches and allow to increase the performance for class imbalanced segmentation tasks.
Abstract（参考訳）: リスクのある臓器の分節化(OAR)は、画像誘導放射線治療によるがん治療の前提条件である。したがって、セグメンテーションタスクの自動化は、高い臨床関連性を持つ。深層学習(DL)に基づく医用画像分割は、現在最も成功したアプローチであるが、背景階級の過剰発現と解剖学的に与えられた臓器の大きさ差に悩まされており、頭頸部(HAN)領域では最も重篤である。ハンエリア固有のクラス不均衡問題に取り組むため,我々はまず,導入したクラス不均衡測定に基づくnnu-netという汎用セグメンテーションフレームワークのパッチサイズを最適化し,次に,高度不均衡設定を補償するためにクラス適応ダイスロスを導入する。パッチサイズと損失関数の両方がクラス不均衡に直接影響するパラメータであり、それらの最適化はダイススコアを3\%増加させ、95%ハウスドルフ距離をベースラインと比較すると22%減少させ、最終的に単一の単純なニューラルネットワークを用いて7つの漢器官をセグメンテーションするために0.8\pm0.15$と3.17\pm1.7$mmに達する。パッチサイズ最適化とクラス適応Dice損失はどちらも、現在のDLベースのセグメンテーションアプローチで単純に統合可能であり、クラス不均衡セグメンテーションタスクのパフォーマンスを向上させることができる。

関連論文リスト

DACB-Net: Dual Attention Guided Compact Bilinear Convolution Neural Network for Skin Disease Classification [3.3891365992104605]
本稿では,DACB-Netを用いた3分岐デュアルアテンションガイド型コンパクトバイリニアCNNについて紹介する。グローバルブランチは、失った識別的特徴を補償し、関連する収穫地に対する注意熱マップ(AHM)を生成する。このフレームワークはデータ強化、転送学習、微調整を統合し、データの不均衡に対処し、分類性能を改善し、計算コストを削減する。
論文参考訳（メタデータ） (2024-07-03T18:32:54Z)
Class-Imbalanced Semi-Supervised Learning for Large-Scale Point Cloud Semantic Segmentation via Decoupling Optimization [64.36097398869774]
半教師付き学習(SSL)は大規模3Dシーン理解のための活発な研究課題である。既存のSSLベースのメソッドは、クラス不均衡とポイントクラウドデータのロングテール分布による厳しいトレーニングバイアスに悩まされている。本稿では,特徴表現学習と分類器を別の最適化方法で切り離してバイアス決定境界を効果的にシフトする,新しいデカップリング最適化フレームワークを提案する。
論文参考訳（メタデータ） (2024-01-13T04:16:40Z)
Continual Learning for Abdominal Multi-Organ and Tumor Segmentation [15.983529525062938]
本稿では,連続臓器と腫瘍のセグメンテーションに特化して設計されたイノベーティブなアーキテクチャを提案する。提案する設計では,従来の出力層を軽量なクラス固有のヘッド群に置き換える。これらのヘッドは、新しく導入され、以前に学習されたクラスの独立した予測を可能にし、古いクラスに対する新しいクラスの影響を効果的に最小化する。
論文参考訳（メタデータ） (2023-06-01T17:59:57Z)
CNN-based fully automatic wrist cartilage volume quantification in MR Image [55.41644538483948]
追加の注意層を持つU-net畳み込みニューラルネットワークは、最高の手首軟骨分割性能を提供する。非MRI法を用いて軟骨体積測定の誤差を独立に評価すべきである。
論文参考訳（メタデータ） (2022-06-22T14:19:06Z)
Cross-Site Severity Assessment of COVID-19 from CT Images via Domain Adaptation [64.59521853145368]
CT画像によるコロナウイルス病2019(COVID-19)の早期かつ正確な重症度評価は,集中治療単位のイベント推定に有効である。ラベル付きデータを拡張し、分類モデルの一般化能力を向上させるためには、複数のサイトからデータを集約する必要がある。この課題は、軽度の感染症と重度の感染症の集団不均衡、部位間のドメイン分布の相違、不均一な特徴の存在など、いくつかの課題に直面する。
論文参考訳（メタデータ） (2021-09-08T07:56:51Z)
FocusNetv2: Imbalanced Large and Small Organ Segmentation with Adversarial Shape Constraint for Head and Neck CT Images [82.48587399026319]
organ-at-risk (oars) は、健康な臓器の損傷を避けるために放射線治療計画において重要なステップである。本研究では,この課題を解決するために,2段階の深層ニューラルネットワークであるFocusNetv2を提案する。従来のFocusNetに加えて,小臓器に新たな対角的形状制約を導入し,推定小臓器形状と臓器形状との整合性を確保する。
論文参考訳（メタデータ） (2021-04-05T04:45:31Z)
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)
DONet: Dual Objective Networks for Skin Lesion Segmentation [77.9806410198298]
本稿では,皮膚病変のセグメンテーションを改善するために,Dual Objective Networks (DONet) という,シンプルで効果的なフレームワークを提案する。我々のDONetは2つの対称デコーダを採用し、異なる目標に近づくための異なる予測を生成する。皮膚内視鏡画像における多種多様な病変のスケールと形状の課題に対処するために,再帰的コンテキスト符号化モジュール(RCEM)を提案する。
論文参考訳（メタデータ） (2020-08-19T06:02:46Z)
AttentionAnatomy: A unified framework for whole-body organs at risk segmentation using multiple partially annotated datasets [30.23917416966188]
CT(Computed tomography)におけるOAR(Organs-at-risk)記述は,放射線治療(RT)計画において重要なステップである。提案したエンドツーエンドの畳み込みニューラルネットワークモデルである textbfAttentionAnatomy は、3つの部分注釈付きデータセットで共同でトレーニングできる。提案手法の実験結果から, ソレンセン・ディース係数 (DSC) と95%ハウスドルフ距離の両面で有意な改善が得られた。
論文参考訳（メタデータ） (2020-01-13T18:31:34Z)

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。