論文の概要: Segmentation and Risk Score Prediction of Head and Neck Cancers in
PET/CT Volumes with 3D U-Net and Cox Proportional Hazard Neural Networks
- arxiv url: http://arxiv.org/abs/2202.07823v1
- Date: Wed, 16 Feb 2022 01:59:33 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-18 01:34:26.599838
- Title: Segmentation and Risk Score Prediction of Head and Neck Cancers in
PET/CT Volumes with 3D U-Net and Cox Proportional Hazard Neural Networks
- Title（参考訳）: 3D U-Net と Cox Proportional Hazard Neural Network を用いたPET/CT ボリュームにおける頭頸部癌のセグメンテーションとリスクスコア予測
- Authors: Fereshteh Yousefirizi, Ian Janzen, Natalia Dubljevic, Yueh-En Liu,
Chloe Hill, Calum MacAulay, Arman Rahmim
- Abstract要約: PET/CT画像から腫瘍の分節化を行うために3D nnU-Netモデルを用いて残層を圧縮・励起法(SE法)により補足した。
セグメンテッド病変から抽出したPET/CT放射能の特徴について, 危険リスク予測モデル (CoxCC) を訓練した。
10倍のクロスバリデードCoxCCモデルにより、HECKTORチャレンジテストデータセットにおいて、c-indexバリデーションスコアが0.89、c-indexスコアが0.61となった。
- 参考スコア（独自算出の注目度）: 0.4433315630787158
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We utilized a 3D nnU-Net model with residual layers supplemented by squeeze
and excitation (SE) normalization for tumor segmentation from PET/CT images
provided by the Head and Neck Tumor segmentation chal-lenge (HECKTOR). Our
proposed loss function incorporates the Unified Fo-cal and Mumford-Shah losses
to take the advantage of distribution, region, and boundary-based loss
functions. The results of leave-one-out-center-cross-validation performed on
different centers showed a segmentation performance of 0.82 average Dice score
(DSC) and 3.16 median Hausdorff Distance (HD), and our results on the test set
achieved 0.77 DSC and 3.01 HD. Following lesion segmentation, we proposed
training a case-control proportional hazard Cox model with an MLP neural net
backbone to predict the hazard risk score for each discrete lesion. This hazard
risk prediction model (CoxCC) was to be trained on a number of PET/CT radiomic
features extracted from the segmented lesions, patient and lesion demographics,
and encoder features provided from the penultimate layer of a multi-input 2D
PET/CT convolutional neural network tasked with predicting time-to-event for
each lesion. A 10-fold cross-validated CoxCC model resulted in a c-index
validation score of 0.89, and a c-index score of 0.61 on the HECKTOR challenge
test dataset.
- Abstract（参考訳）: 頭頸部腫瘍郭清チャルレンジ(HECKTOR)によるPET/CT画像からの腫瘍分画の縮小・励起法(SE)正規化を補足した残層を有する3D nnU-Netモデルを用いて検討した。
提案する損失関数は,分布,領域,境界に基づく損失関数を活用すべく,fo-calとmumford-shahの統一損失を取り入れている。
異なるセンターで行ったアウト・ワン・センター・クロス・バリデーションの結果, セグメンテーション性能は平均Diceスコア(DSC)0.82, 中央Husdorff Distance(HD)3.16で, テストセットでは0.77 DSC, 3.01 HDであった。
病変分割後,MLPニューラルネットバックボーンを用いたケースコントロール型比例ハザード Cox モデルの訓練を提案し,各病変の危険度を推定した。
このハザードリスク予測モデル (CoxCC) は, 多入力PET/CT畳み込みニューラルネットワーク(PET/CT畳み込みニューラルネットワーク)を用いて, 各病変の時間変化を予測するために, セグメント状病変, 患者および病変の層から抽出したPET/CT放射線学的特徴, エンコーダ的特徴を訓練する。
10倍のクロスバリア付きcoxccモデルは、ヘクターチャレンジテストデータセットでc-indexバリデーションスコア0.89、c-indexスコア0.61となった。
関連論文リスト
- From FDG to PSMA: A Hitchhiker's Guide to Multitracer, Multicenter Lesion Segmentation in PET/CT Imaging [0.9384264274298444]
本稿では,ResEncL アーキテクチャを用いた nnU-Net フレームワークを用いたマルチトラス,マルチセンタの一般化を目的とした AutoPET III チャレンジの解決策を提案する。
主なテクニックは、CT、MR、PETデータセット間での誤調整データ拡張とマルチモーダル事前トレーニングである。
Diceスコアが57.61となったデフォルトのnnU-Netと比較して、Diceスコアが68.40であり、偽陽性(FPvol: 7.82)と偽陰性(FNvol: 10.35)が減少している。
論文 参考訳（メタデータ） (2024-09-14T16:39:17Z) - Towards Tumour Graph Learning for Survival Prediction in Head & Neck
Cancer Patients [0.0]
2020年に世界で100万人近い頭頸部がんが診断された。
自動セグメンテーションと予後推定アプローチは、各患者が最も効果的な治療を受けるのに役立つ。
本稿では、任意の視野(FoV)PETとCT登録スキャンでこれらの機能を実行するためのフレームワークを提案する。
論文 参考訳（メタデータ） (2023-04-17T09:32:06Z) - 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) - Improving Classification Model Performance on Chest X-Rays through Lung
Segmentation [63.45024974079371]
本稿では, セグメンテーションによる異常胸部X線(CXR)識別性能を向上させるための深層学習手法を提案する。
提案手法は,CXR画像中の肺領域を局所化するための深層ニューラルネットワーク(XLSor)と,大規模CXRデータセットで事前学習した自己教師あり運動量コントラスト(MoCo)モデルのバックボーンを用いたCXR分類モデルである。
論文 参考訳（メタデータ） (2022-02-22T15:24:06Z) - 3D Structural Analysis of the Optic Nerve Head to Robustly Discriminate
Between Papilledema and Optic Disc Drusen [44.754910718620295]
我々は3次元光コヒーレンストモグラフィー(OCT)スキャンで視神経頭部(ONH)の組織構造を同定する深層学習アルゴリズムを開発した。
1: ODD, 2: papilledema, 3: healthy) の分類を150 OCTボリュームで行うように設計した。
われわれのAIアプローチは,1本のCTスキャンを用いて,パピレデマからODDを正確に識別する。
論文 参考訳（メタデータ） (2021-12-18T17:05:53Z) - Multimodal PET/CT Tumour Segmentation and Prediction of Progression-Free
Survival using a Full-Scale UNet with Attention [0.8138288420049126]
MICCAI 2021 ヘッドとネックタマ (HECKTOR) セグメンテーションと結果予測の課題は、セグメンテーション法を比較するためのプラットフォームを作成する。
腫瘍容積セグメンテーションのために複数のニューラルネットワークを訓練し,これらのセグメンテーションを組込み,平均Dice類似度係数0.75をクロスバリデーションで達成した。
患者進行自由生存の予測のために,臨床,放射線学,深層学習機能を組み合わせたCox比例的ハザード回帰法を提案する。
論文 参考訳（メタデータ） (2021-11-06T10:28:48Z) - 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) - Controlling False Positive/Negative Rates for Deep-Learning-Based
Prostate Cancer Detection on Multiparametric MR images [58.85481248101611]
そこで本研究では,病変からスライスまでのマッピング機能に基づく,病変レベルのコスト感受性損失と付加的なスライスレベルの損失を組み込んだ新しいPCa検出ネットワークを提案する。
1) 病変レベルFNRを0.19から0.10に, 病変レベルFPRを1.03から0.66に減らした。
論文 参考訳（メタデータ） (2021-06-04T09:51:27Z) - Combining CNN and Hybrid Active Contours for Head and Neck Tumor
Segmentation in CT and PET images [16.76087435628378]
本稿では,畳み込みニューラルネットワーク(cnns)とハイブリッド・アクティブ輪郭を併用した頭頸部腫瘍の自動分割法を提案する。
MCCAI 2020 HECKTORでは,平均Dice similarity Coefficient, precision, recallが0.752, 0.838, 0.717で2位となった。
論文 参考訳（メタデータ） (2020-12-28T12:12:14Z) - 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) - Lung Infection Quantification of COVID-19 in CT Images with Deep
Learning [41.35413216175024]
深層学習システムは、関心のある感染症領域を自動的に定量化するために開発された。
感染領域分割のための放射線科医を支援するためのループ内ヒト戦略
論文 参考訳（メタデータ） (2020-03-10T11:58:40Z)
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。