論文の概要: One shot PACS: Patient specific Anatomic Context and Shape prior aware
recurrent registration-segmentation of longitudinal thoracic cone beam CTs
- arxiv url: http://arxiv.org/abs/2201.11000v1
- Date: Wed, 26 Jan 2022 15:18:30 GMT
- ステータス: 処理完了
- システム内更新日: 2022-01-27 14:08:08.427798
- Title: One shot PACS: Patient specific Anatomic Context and Shape prior aware
recurrent registration-segmentation of longitudinal thoracic cone beam CTs
- Title（参考訳）: One shot PACS:患者特異な解剖学的文脈と形状 : 胸椎縦円錐X線CTの経時的登録分類
- Authors: Jue Jiang, Harini Veeraraghavan
- Abstract要約: 胸部CBCTは, 造影コントラスト, 画像所見, 呼吸運動, 胸腔内解剖学的変化により, 分画が困難である。
縦型CBCTセグメンテーションのための新規な患者固有の解剖コンテキストと先行形状, PACS-3Dリカレントレジストレーションネットワークを開発した。
- 参考スコア（独自算出の注目度）: 3.3504365823045044
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Image-guided adaptive lung radiotherapy requires accurate tumor and organs
segmentation from during treatment cone-beam CT (CBCT) images. Thoracic CBCTs
are hard to segment because of low soft-tissue contrast, imaging artifacts,
respiratory motion, and large treatment induced intra-thoracic anatomic
changes. Hence, we developed a novel Patient-specific Anatomic Context and
Shape prior or PACS-aware 3D recurrent registration-segmentation network for
longitudinal thoracic CBCT segmentation. Segmentation and registration networks
were concurrently trained in an end-to-end framework and implemented with
convolutional long-short term memory models. The registration network was
trained in an unsupervised manner using pairs of planning CT (pCT) and CBCT
images and produced a progressively deformed sequence of images. The
segmentation network was optimized in a one-shot setting by combining
progressively deformed pCT (anatomic context) and pCT delineations (shape
context) with CBCT images. Our method, one-shot PACS was significantly more
accurate (p$<$0.001) for tumor (DSC of 0.83 $\pm$ 0.08, surface DSC [sDSC] of
0.97 $\pm$ 0.06, and Hausdorff distance at $95^{th}$ percentile [HD95] of
3.97$\pm$3.02mm) and the esophagus (DSC of 0.78 $\pm$ 0.13, sDSC of
0.90$\pm$0.14, HD95 of 3.22$\pm$2.02) segmentation than multiple methods.
Ablation tests and comparative experiments were also done.
- Abstract（参考訳）: 画像誘導適応肺放射線療法は、治療コーンビームct(cbct)画像からの正確な腫瘍および臓器の分画を必要とする。
胸部CBCTは, 軟部コントラストの低さ, 画像所見, 呼吸運動, 胸腔内解剖学的変化により, 分画が困難である。
そこで我々は, 経胸部CBCTセグメンテーションのための新しい患者固有の解剖コンテキストと形状, PACSを意識した3次元再登録ネットワークを開発した。
セグメンテーションと登録ネットワークはエンドツーエンドのフレームワークで同時に訓練され、畳み込み型長期記憶モデルで実装された。
登録ネットワークは,計画ct(pct)とcbct画像のペアを用いて教師なしで訓練し,順次変形した画像列を生成する。
セグメンテーションネットワークは、漸進的に変形したpct(解剖学的文脈)とpct区切り(形状的文脈)とcbct画像を組み合わせたワンショット設定で最適化された。
提案法では, 腫瘍(dsc: 0.83$\pm$ 0.08, surface dsc [sdsc]: 0.97$\pm$ 0.06, hausdorff distance: 995^{th}$%ile [hd95]: 3.97$\pm$3.02mm) と食道(dsc: 0.78$\pm$ 0.13, sdsc: 0.90$\pm$0.14, hd95: 3.22$\pm$2.02) を複数法より精度良く評価した。
アブレーション試験や比較実験も行われた。
関連論文リスト
- Minimally Interactive Segmentation of Soft-Tissue Tumors on CT and MRI
using Deep Learning [0.0]
我々は,CTおよびMRIを用いたソフト・タウト・腫瘍(STT)のための,最小限の対話型深層学習に基づくセグメンテーション法を開発した。
この方法は、畳み込みニューラルネットワークの入力として、腫瘍の極端な境界付近で6つの点をクリックする必要がある。
論文 参考訳（メタデータ） (2024-02-12T16:15:28Z) - Learned Local Attention Maps for Synthesising Vessel Segmentations [43.314353195417326]
我々は、T2 MRIのみから、Willis(CoW)円の主大脳動脈の分節を合成するためのエンコーダ・デコーダモデルを提案する。
これは、セグメンテーションラベルを拡張することによって生成された学習されたローカルアテンションマップを使用し、ネットワークはCoWの合成に関連するT2 MRIからのみ情報を抽出する。
論文 参考訳（メタデータ） (2023-08-24T15:32:27Z) - Thoracic Cartilage Ultrasound-CT Registration using Dense Skeleton Graph [49.11220791279602]
一般的なアトラスから個々の患者への計画された経路を正確にマッピングすることは困難である。
アトラスから現在の設定へ計画されたパスを転送できるように、グラフベースの非厳密な登録を提案する。
論文 参考訳（メタデータ） (2023-07-07T18:57:21Z) - Accurate Fine-Grained Segmentation of Human Anatomy in Radiographs via
Volumetric Pseudo-Labeling [66.75096111651062]
我々は,10,021個の胸部CTと157個のラベルの大規模データセットを作成した。
解剖学的擬似ラベル抽出のために3次元解剖分類モデルのアンサンブルを適用した。
得られたセグメンテーションモデルはCXRで顕著な性能を示した。
論文 参考訳（メタデータ） (2023-06-06T18:01:08Z) - Slice-by-slice deep learning aided oropharyngeal cancer segmentation
with adaptive thresholding for spatial uncertainty on FDG PET and CT images [0.0]
腫瘍セグメンテーションは放射線治療計画の基本的なステップである。
本研究は,GTVpスライス・バイ・スライス・スライス・スライス・セグメンテーションにおける放射線医学者を支援するための新しい自動深層学習(DL)モデルを提案する。
論文 参考訳（メタデータ） (2022-07-04T15:17:44Z) - CyTran: A Cycle-Consistent Transformer with Multi-Level Consistency for
Non-Contrast to Contrast CT Translation [56.622832383316215]
コントラストCTを非コントラストCTに変換する手法を提案する。
提案手法は、CyTranを略して、サイクル一貫性のある生成逆転変換器に基づいている。
実験の結果、CyTranは競合するすべての手法より優れています。
論文 参考訳（メタデータ） (2021-10-12T23:25:03Z) - Unpaired cross-modality educed distillation (CMEDL) applied to CT lung
tumor segmentation [4.409836695738518]
我々は,不対位CTおよびMRIスキャンを用いて,新しいクロスモーダル教育蒸留法(CMEDL)を考案した。
我々のフレームワークは、エンドツーエンドで訓練されたI2I翻訳、教師、学生セグメンテーションネットワークを使用している。
論文 参考訳（メタデータ） (2021-07-16T15:58:15Z) - Multitask 3D CBCT-to-CT Translation and Organs-at-Risk Segmentation
Using Physics-Based Data Augmentation [4.3971310109651665]
現在の臨床実践では、放射線治療中の患者設定にのみ、ノイズとアーティファクトを付加した毎週のコーンビームCT画像が用いられる。
治療計画には, 高画質計画ct (pct) 画像とoars ( organ-at-risk) 構造の手輪郭を用いて, 治療開始時に一度行う。
OAR構造を同時にセグメンテーションしながら毎週CBCT画像の品質を向上させることができれば、放射線治療中の治療適応や治療応答のためのバイオマーカーの抽出に重要な情報を提供することができる。
論文 参考訳（メタデータ） (2021-03-09T19:51:44Z) - M3Lung-Sys: A Deep Learning System for Multi-Class Lung Pneumonia
Screening from CT Imaging [85.00066186644466]
マルチタスク型マルチスライス深層学習システム(M3Lung-Sys)を提案する。
COVID-19とHealthy, H1N1, CAPとの鑑別に加えて, M3 Lung-Sysも関連病変の部位を特定できる。
論文 参考訳（メタデータ） (2020-10-07T06:22:24Z) - Multiple resolution residual network for automatic thoracic
organs-at-risk segmentation from CT [2.9023633922848586]
我々は,CT画像からのOAR分割のためのMRRN(Multiple resolution residual Network)の実装と評価を行った。
提案手法は,複数画像解像度で計算された特徴ストリームと残差接続による特徴レベルを同時に組み合わせる。
左肺, 心臓, 食道, 脊髄を分画する検査を35回行った肺がん患者206例の胸部CT検査を用いて, アプローチを訓練した。
論文 参考訳（メタデータ） (2020-05-27T22:39:09Z) - 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。