論文の概要: Lymphoma segmentation from 3D PET-CT images using a deep evidential network

• arxiv url: http://arxiv.org/abs/2201.13078v1
• Date: Mon, 31 Jan 2022 09:34:38 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-01 17:00:57.385248
• Title: Lymphoma segmentation from 3D PET-CT images using a deep evidential network
• Title（参考訳）: 深部情報ネットワークを用いた3次元PET-CT画像からのリンパ腫分離
• Authors: Ling Huang, Su Ruan, Pierre Decazes, Thierry Denoeux
• Abstract要約: 3Dポジトロン・エミッション・トモグラフィ(PET)画像とCT画像から悪性リンパ腫を分離するために, 自動顕在性セグメンテーション法を提案する。 アーキテクチャは、深い特徴抽出モジュールと明らかな層から構成される。 提案手法の深部特徴抽出と明らかなセグメンテーションの組み合わせは,ベースラインUNetモデルより優れていることを示す。
• 参考スコア（独自算出の注目度）: 20.65641432056608
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: An automatic evidential segmentation method based on Dempster-Shafer theory and deep learning is proposed to segment lymphomas from three-dimensional Positron Emission Tomography (PET) and Computed Tomography (CT) images. The architecture is composed of a deep feature-extraction module and an evidential layer. The feature extraction module uses an encoder-decoder framework to extract semantic feature vectors from 3D inputs. The evidential layer then uses prototypes in the feature space to compute a belief function at each voxel quantifying the uncertainty about the presence or absence of a lymphoma at this location. Two evidential layers are compared, based on different ways of using distances to prototypes for computing mass functions. The whole model is trained end-to-end by minimizing the Dice loss function. The proposed combination of deep feature extraction and evidential segmentation is shown to outperform the baseline UNet model as well as three other state-of-the-art models on a dataset of 173 patients.
• Abstract（参考訳）: dempster-shafer理論と深層学習に基づく3次元ポジトロンエミッショントモグラフィ(pet)とct画像からリンパ腫を分離する自動観察法を提案する。 アーキテクチャは、深い特徴抽出モジュールと明らかな層から構成される。 特徴抽出モジュールは、エンコーダ-デコーダフレームワークを使用して、3D入力から意味的特徴ベクトルを抽出する。 証拠層は、機能空間のプロトタイプを使用して、この場所におけるリンパ腫の有無に関する不確かさを定量化する各ボクセルの信念関数を計算する。 質量関数を計算するためのプロトタイプとの距離の異なる方法に基づいて、2つの立証層を比較する。 モデル全体のトレーニングは、Dice損失関数を最小化することで行われる。 提案したディープ特徴抽出と顕在的セグメンテーションの組み合わせは、173名の患者のデータセット上で、ベースラインのUNetモデルと他の3つの最先端モデルより優れていることを示す。

関連論文リスト

• Multi-objective point cloud autoencoders for explainable myocardial infarction prediction [4.65840670565844]
  心筋梗塞は世界で最も多い死因の1つである。 画像ベースのバイオマーカーは、心臓の3D解剖においてより複雑なパターンを捉えることができない。 本稿では,多目的クラウドオートエンコーダについて,説明可能な梗塞予測のための新しい幾何学的深層学習手法として紹介する。
  論文  参考訳（メタデータ） (2023-07-20T16:45:16Z)
• Unsupervised Discovery of 3D Hierarchical Structure with Generative Diffusion Features [22.657405088126012]
  拡散モデルの特徴は3次元バイオメディカル画像において異なる階層レベルを捉えている。 我々は3次元ボリュームを意味のあるネストされたサブボリュームに分解することを奨励する予測的教師なしセグメンテーションネットワークを訓練する。 われわれのモデルは、既存の教師なし構造発見手法よりも、難解な合成データセットや現実世界の脳腫瘍MRIデータセットよりも優れた性能を達成している。
  論文  参考訳（メタデータ） (2023-04-28T19:37:17Z)
• 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)
• PAENet: A Progressive Attention-Enhanced Network for 3D to 2D Retinal Vessel Segmentation [0.0]
  光コヒーレンス・トモグラフィー(OCTA)画像では3次元から2次元の網膜血管セグメンテーションは難しい問題である。 本稿では,多機能表現を抽出するアテンション機構に基づくプログレッシブ・アテンション・エンハンスメント・ネットワーク(PAENet)を提案する。 提案アルゴリズムは,従来の手法と比較して最先端性能を実現する。
  論文  参考訳（メタデータ） (2021-08-26T10:27:25Z)
• Aug3D-RPN: Improving Monocular 3D Object Detection by Synthetic Images with Virtual Depth [64.29043589521308]
  仮想深度で画像を合成することでトレーニングデータを増強するレンダリングモジュールを提案する。 レンダリングモジュールは、RGB画像と対応するスパース深度画像とを入力として、さまざまなフォトリアリスティック合成画像を出力する。 さらに,深度推定タスクを通じて共同で最適化することで,検出モデルを改善する補助モジュールを導入する。
  論文  参考訳（メタデータ） (2021-07-28T11:00:47Z)
• Automatic size and pose homogenization with spatial transformer network to improve and accelerate pediatric segmentation [51.916106055115755]
  空間変換器ネットワーク(STN)を利用することにより、ポーズとスケール不変の新たなCNNアーキテクチャを提案する。 私たちのアーキテクチャは、トレーニング中に一緒に見積もられる3つのシーケンシャルモジュールで構成されています。 腹部CTスキャナーを用いた腎および腎腫瘍の分節法について検討した。
  論文  参考訳（メタデータ） (2021-07-06T14:50:03Z)
• Evidential segmentation of 3D PET/CT images [20.65495780362289]
  3D PET/CT画像におけるリンパ腫のセグメント化には、信念関数に基づくセグメンテーション法が提案されている。 アーキテクチャは特徴抽出モジュールと明白なセグメンテーション(ES)モジュールで構成されている。 びまん性大細胞性b細胞リンパ腫173例のデータベース上で評価した。
  論文  参考訳（メタデータ） (2021-04-27T16:06:27Z)
• Revisiting 3D Context Modeling with Supervised Pre-training for Universal Lesion Detection in CT Slices [48.85784310158493]
  CTスライスにおける普遍的病変検出のための3Dコンテキスト強化2D特徴を効率的に抽出するための修飾擬似3次元特徴ピラミッドネットワーク(MP3D FPN)を提案する。 新たな事前学習手法により,提案したMP3D FPNは,DeepLesionデータセット上での最先端検出性能を実現する。 提案された3Dプリトレーニングウェイトは、他の3D医療画像分析タスクのパフォーマンスを高めるために使用できる。
  論文  参考訳（メタデータ） (2020-12-16T07:11:16Z)
• Hierarchical Amortized Training for Memory-efficient High Resolution 3D GAN [52.851990439671475]
  本稿では,高解像度な3D画像を生成することができる新しいエンドツーエンドGANアーキテクチャを提案する。 トレーニングと推論の異なる構成を使用することで、この目標を達成する。 3次元胸郭CTと脳MRIの実験により、我々のアプローチは画像生成における最先端技術より優れていることが示された。
  論文  参考訳（メタデータ） (2020-08-05T02:33:04Z)
• Cylindrical Convolutional Networks for Joint Object Detection and Viewpoint Estimation [76.21696417873311]
  3次元空間で定義された畳み込みカーネルの円筒形表現を利用する学習可能なモジュールである円筒型畳み込みネットワーク(CCN)を導入する。 CCNはビュー固有の畳み込みカーネルを通してビュー固有の特徴を抽出し、各視点におけるオブジェクトカテゴリスコアを予測する。 本実験は,円柱状畳み込みネットワークが関節物体の検出と視点推定に与える影響を実証する。
  論文  参考訳（メタデータ） (2020-03-25T10:24:58Z)

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。