論文の概要: Pseudo-Label Guided Multi-Contrast Generalization for Non-Contrast
Organ-Aware Segmentation
- arxiv url: http://arxiv.org/abs/2205.05898v1
- Date: Thu, 12 May 2022 06:36:33 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-13 13:02:22.850645
- Title: Pseudo-Label Guided Multi-Contrast Generalization for Non-Contrast
Organ-Aware Segmentation
- Title(参考訳): 非コントラストオルガン・アウェアセグメンテーションのための擬似ラベル誘導マルチコントラスト一般化
- Authors: Ho Hin Lee, Yucheng Tang, Riqiang Gao, Qi Yang, Xin Yu, Shunxing Bao,
James G. Terry, J. Jeffrey Carr, Yuankai Huo, Bennett A. Landman
- Abstract要約: 本研究では,非コントラストのセグメンテーションをゼロトラストラベルなしで計算するための教師なし手法を提案する。
生成的敵対的アプローチとは違って,CECTを用いて一対の形態的文脈を計算し,教師の指導を行う。
コントラストとコントラストを併用したCTスキャンによる多臓器分画に対するアプローチを検証した。
- 参考スコア(独自算出の注目度): 21.792652078631868
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Non-contrast computed tomography (NCCT) is commonly acquired for lung cancer
screening, assessment of general abdominal pain or suspected renal stones,
trauma evaluation, and many other indications. However, the absence of contrast
limits distinguishing organ in-between boundaries. In this paper, we propose a
novel unsupervised approach that leverages pairwise contrast-enhanced CT (CECT)
context to compute non-contrast segmentation without ground-truth label. Unlike
generative adversarial approaches, we compute the pairwise morphological
context with CECT to provide teacher guidance instead of generating fake
anatomical context. Additionally, we further augment the intensity correlations
in 'organ-specific' settings and increase the sensitivity to organ-aware
boundary. We validate our approach on multi-organ segmentation with paired
non-contrast & contrast-enhanced CT scans using five-fold cross-validation.
Full external validations are performed on an independent non-contrast cohort
for aorta segmentation. Compared with current abdominal organs segmentation
state-of-the-art in fully supervised setting, our proposed pipeline achieves a
significantly higher Dice by 3.98% (internal multi-organ annotated), and 8.00%
(external aorta annotated) for abdominal organs segmentation. The code and
pretrained models are publicly available at
https://github.com/MASILab/Con trastMix.
- Abstract(参考訳): 非造影CT(non-contrast Computed tomography, NCCT)は, 肺がん検診, 全身性腹痛, 腎結石疑診, 外傷性評価, その他の多くの診断に一般的に用いられる。
しかし、コントラストの欠如は境界内の臓器を区別する。
本稿では,一対のコントラスト強調CT(CECT)を用いて,非コントラストセグメンテーションをゼロトラストラベルなしで計算する手法を提案する。
生成的敵対的アプローチとは違って,CECTを用いて相互に形態的コンテキストを計算して,偽の解剖学的コンテキストを生成する代わりに教師指導を行う。
さらに,"organ-specific"設定における強度相関をさらに強化し,臓器認識境界に対する感度を高める。
5倍のクロスバリデーションを用いた非コントラスト・コントラストctスキャンによるマルチオルガンセグメンテーションのアプローチを検証する。
オータセグメンテーションのための独立した非コントラストコホート上で完全な外部検証を行う。
現在の腹部臓器の分節状態と完全に監督された状態で比較すると,提案するパイプラインは3.98% (内部マルチオルガン注記) と8.00% (外大動脈注記) で腹腔内臓器分節を有意に高めている。
コードと事前訓練されたモデルはhttps://github.com/MASILab/Con trastMix.comで公開されている。
関連論文リスト
- A unified 3D framework for Organs at Risk Localization and Segmentation
for Radiation Therapy Planning [56.52933974838905]
現在の医療ワークフローは、OAR(Organs-at-risk)のマニュアル記述を必要とする
本研究は,OARローカライゼーション・セグメンテーションのための統合された3Dパイプラインの導入を目的とする。
提案手法は医用画像に固有の3Dコンテキスト情報の活用を可能にする。
論文 参考訳(メタデータ) (2022-03-01T17:08:41Z) - Inconsistency-aware Uncertainty Estimation for Semi-supervised Medical
Image Segmentation [92.9634065964963]
我々は、不確実性推定と個別の自己学習戦略に基づいて、新しい半教師付きセグメンテーションモデル、すなわち保守的ラディカルネットワーク(CoraNet)を提案する。
現在の技術と比較すると、ColaNetは優れたパフォーマンスを示しています。
論文 参考訳(メタデータ) (2021-10-17T08:49:33Z) - Learning Inductive Attention Guidance for Partially Supervised
Pancreatic Ductal Adenocarcinoma Prediction [73.96902906734522]
膵管腺癌(PDAC)は、アメリカ合衆国で3番目に多いがん死の原因である。
本稿では,全てのトレーニングデータに対して安価な画像レベルのアノテーションが提供され,それらのサブセットに対してのみ,コストのかかるvoxelアノテーションが利用可能となる,部分教師付き設定について考察する。
Inductive Attention Guidance Network (IAG-Net) を提案し、通常の/PDAC分類のためのグローバル画像レベルの分類器と半教師付きPDAC分類のためのローカルボクセルレベルの分類器を共同で学習する。
論文 参考訳(メタデータ) (2021-05-31T08:16:09Z) - Cardiac Segmentation on CT Images through Shape-Aware Contour Attentions [1.212901554957637]
心臓臓器は複数のサブ構造(心室、心房、大動脈、動脈、静脈、心筋)から構成される。
これらの心筋サブ構造は互いに近縁であり、識別不能な境界を持つ。
形状と境界認識機能を利用する新しいモデルを提案する。
論文 参考訳(メタデータ) (2021-05-27T13:54:59Z) - CoRSAI: A System for Robust Interpretation of CT Scans of COVID-19
Patients Using Deep Learning [133.87426554801252]
我々は,深部畳み込み神経網のアンサンブルを用いた肺CTスキャンのセグメンテーションによるアプローチを採用した。
本モデルを用いて, 病変の分類, 患者の動態の評価, 病変による肺の相対体積の推定, 肺の損傷ステージの評価が可能となった。
論文 参考訳(メタデータ) (2021-05-25T12:06:55Z) - Dual-Consistency Semi-Supervised Learning with Uncertainty
Quantification for COVID-19 Lesion Segmentation from CT Images [49.1861463923357]
CT画像を用いた半監視型COVID-19病変分割のための不確実性誘導型二重一貫性学習ネットワーク(UDC-Net)を提案する。
提案した UDC-Net は,Dice の完全教師方式を 6.3% 向上させ,他の競合的半監督方式を有意なマージンで上回っている。
論文 参考訳(メタデータ) (2021-04-07T16:23:35Z) - 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) - A Deep Learning-Based Approach to Extracting Periosteal and Endosteal
Contours of Proximal Femur in Quantitative CT Images [25.76523855274612]
セグメンテーションタスクのために,3次元の終端(3D)完全畳み込みニューラルネットワークを開発した。
同一のネットワーク構造を持つ2つのモデルが訓練され、それぞれ腹腔内輪郭と内皮輪郭に対して97.87%と96.49%のサイコロ類似係数(DSC)を達成した。
大腿骨頚部骨折のリスク予測や有限要素解析などの臨床応用の可能性を示した。
論文 参考訳(メタデータ) (2021-02-03T10:23:41Z) - Multi-Contrast Computed Tomography Healthy Kidney Atlas [3.0066242826634415]
スケール全体の可変性を統合および視覚化するには、ボリュームメトリックアトラスフレームワークが必要です。
多発性コントラストCTには腹腔・後腹膜臓器のアラス・フレームワークは存在しない。
腹腔容積を高分解能CTアトラステンプレートに登録するために,深層学習に基づく興味抽出法と2段階階層自動登録パイプラインを導入する。
論文 参考訳(メタデータ) (2020-12-23T01:03:16Z) - RAP-Net: Coarse-to-Fine Multi-Organ Segmentation with Single Random
Anatomical Prior [4.177877537413942]
粗密な腹部マルチオルガンセグメンテーションは、高解像度セグメンテーションの抽出を容易にします。
複数の臓器に対応するモデルに代えて,全腹部臓器を分節する単一改良モデルを提案する。
提案手法は,平均diceスコアが84.58%と,81.69% (p0.0001) の13モデルにおいて,最先端を上回っている。
論文 参考訳(メタデータ) (2020-12-23T00:22:05Z)
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。