Fugu-MT 論文翻訳(概要): Enhancing Organ at Risk Segmentation with Improved Deep Neural Networks

論文の概要: Enhancing Organ at Risk Segmentation with Improved Deep Neural Networks

arxiv url: http://arxiv.org/abs/2202.01866v1
Date: Thu, 3 Feb 2022 21:55:16 GMT
ステータス: 処理完了
システム内更新日: 2022-02-07 16:12:05.973557
Title: Enhancing Organ at Risk Segmentation with Improved Deep Neural Networks
Title（参考訳）: 深層ニューラルネットワークによるリスクセグメンテーションにおける臓器強化
Authors: Ilkin Isler, Curtis Lisle, Justin Rineer, Patrick Kelly, Damla Turgut, Jacob Ricci, Ulas Bagci
Abstract要約: 本稿では,U-Netのアーキテクチャ変更による精度の向上と一般化特性について述べる。拡張セグメンテーションモデルには、損失関数の(a)構造的変化、(b)最適化フレームワーク、(c)畳み込み型が含まれる。
参考スコア（独自算出の注目度）: 4.634996573496653
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Organ at risk (OAR) segmentation is a crucial step for treatment planning and outcome determination in radiotherapy treatments of cancer patients. Several deep learning based segmentation algorithms have been developed in recent years, however, U-Net remains the de facto algorithm designed specifically for biomedical image segmentation and has spawned many variants with known weaknesses. In this study, our goal is to present simple architectural changes in U-Net to improve its accuracy and generalization properties. Unlike many other available studies evaluating their algorithms on single center data, we thoroughly evaluate several variations of U-Net as well as our proposed enhanced architecture on multiple data sets for an extensive and reliable study of the OAR segmentation problem. Our enhanced segmentation model includes (a)architectural changes in the loss function, (b)optimization framework, and (c)convolution type. Testing on three publicly available multi-object segmentation data sets, we achieved an average of 80% dice score compared to the baseline U-Net performance of 63%.
Abstract（参考訳）: がん患者に対する放射線治療における治療計画と治療成績決定のためのOARセグメンテーションは重要なステップである。近年、いくつかのディープラーニングに基づくセグメンテーションアルゴリズムが開発されているが、U-Netはバイオメディカル画像セグメンテーションに特化したデファクトアルゴリズムであり、既知の弱点を持つ多くの変種を生み出している。本研究の目的は,u-netのアーキテクチャ上の簡単な変更を提示し,その精度と一般化性を改善することである。単一中心データ上でアルゴリズムを評価する他の多くの研究とは異なり、我々はOARセグメンテーション問題に関する広範囲かつ信頼性の高い研究のために、複数のデータセット上の拡張アーキテクチャと同様に、U-Netの様々なバリエーションを徹底的に評価する。拡張セグメンテーションモデルには (a)損失関数の構造的変化 (b)最適化フレームワーク、及び (c)畳み込み型。公開されている3つのマルチオブジェクトセグメンテーションデータセットを用いて、ベースラインのU-Net性能の63%と比較して平均80%のダイススコアを得た。

関連論文リスト

AnatoMix: Anatomy-aware Data Augmentation for Multi-organ Segmentation [6.471203541258319]
本稿では,多臓器セグメンテーションデータセットの一般化性を高めるための新しいデータ拡張戦略を提案する。オブジェクトレベルのマッチングと操作により,本手法は解剖学的に正しい画像を生成することができる。拡張法は, ベースライン法74.8と比較して76.1ディスとなる。
論文参考訳（メタデータ） (2024-03-05T21:07:50Z)
Leveraging Frequency Domain Learning in 3D Vessel Segmentation [50.54833091336862]
本研究では,Fourier領域学習を3次元階層分割モデルにおけるマルチスケール畳み込みカーネルの代用として活用する。管状血管分割作業において,新しいネットワークは顕著なサイス性能(ASACA500が84.37%,ImageCASが80.32%)を示した。
論文参考訳（メタデータ） (2024-01-11T19:07:58Z)
Assessing the performance of deep learning-based models for prostate cancer segmentation using uncertainty scores [1.0499611180329804]
目的は前立腺がんの検出と診断のワークフローを改善することである。最高性能モデルはアテンション R2U-Net で、連合(IoU)の平均インターセクションは76.3%、Dice similarity Coefficient(DSC)は全ゾーンのセグメンテーションの85%を達成している。
論文参考訳（メタデータ） (2023-08-09T01:38:58Z)
Ensemble Learning with Residual Transformer for Brain Tumor Segmentation [2.0654955576087084]
本稿では,トランスフォーマーを自己適応型U-Netに統合する新しいネットワークアーキテクチャを提案する。 BraTS 2021データセット(3D)では、Diceスコアの平均87.6%が達成され、最先端の手法よりも優れています。
論文参考訳（メタデータ） (2023-07-31T19:47:33Z)
Reliable Joint Segmentation of Retinal Edema Lesions in OCT Images [55.83984261827332]
本稿では,信頼性の高いマルチスケールウェーブレットエンハンストランスネットワークを提案する。本研究では,ウェーブレット型特徴抽出器ネットワークとマルチスケール変圧器モジュールを統合したセグメンテーションバックボーンを開発した。提案手法は,他の最先端セグメンテーション手法と比較して信頼性の高いセグメンテーション精度を実現する。
論文参考訳（メタデータ） (2022-12-01T07:32:56Z)
Multi-organ Segmentation Network with Adversarial Performance Validator [10.775440368500416]
本稿では,2次元から3次元のセグメンテーションフレームワークに対向的な性能検証ネットワークを導入する。提案したネットワークは, 2次元粗い結果から3次元高品質なセグメンテーションマスクへの変換を行い, 共同最適化によりセグメンテーション精度が向上する。 NIH膵分節データセットの実験では、提案したネットワークが小臓器分節の最先端の精度を達成し、過去の最高性能を上回った。
論文参考訳（メタデータ） (2022-04-16T18:00:29Z)
Cell nuclei classification in histopathological images using hybrid OLConvNet [13.858624044986815]
我々は,ハイブリッドでフレキシブルなディープラーニングアーキテクチャOLConvNetを提案している。 CNN_3L$は、少ないパラメータをトレーニングすることで、トレーニング時間を短縮する。提案手法は, 現代の複雑なアルゴリズムよりも良好に動作し, 性能が向上することを示した。
論文参考訳（メタデータ） (2022-02-21T12:39:37Z)
Deep ensembles based on Stochastic Activation Selection for Polyp Segmentation [82.61182037130406]
本研究は,大腸内視鏡検査における画像分割,特に正確なポリープ検出とセグメンテーションを扱う。イメージセグメンテーションの基本アーキテクチャはエンコーダとデコーダで構成されている。我々はデコーダのバックボーンを変更することで得られるDeepLabアーキテクチャのバリエーションを比較した。
論文参考訳（メタデータ） (2021-04-02T02:07:37Z)
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)
Shape-aware Meta-learning for Generalizing Prostate MRI Segmentation to Unseen Domains [68.73614619875814]
前立腺MRIのセグメント化におけるモデル一般化を改善するために,新しい形状認識メタラーニング手法を提案する。実験結果から,本手法は未確認領域の6つの設定すべてにおいて,最先端の一般化手法を一貫して上回っていることが明らかとなった。
論文参考訳（メタデータ） (2020-07-04T07:56:02Z)

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。