論文の概要: Exploring the combination of deep-learning based direct segmentation and deformable image registration for cone-beam CT based auto-segmentation for adaptive radiotherapy

• arxiv url: http://arxiv.org/abs/2206.03413v1
• Date: Tue, 7 Jun 2022 16:03:33 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-08 16:04:51.979303
• Title: Exploring the combination of deep-learning based direct segmentation and deformable image registration for cone-beam CT based auto-segmentation for adaptive radiotherapy
• Title（参考訳）: コーンビームCTを用いた適応放射線治療のための深層学習に基づく直接分割と変形性画像登録の組み合わせの検討
• Authors: Xiao Liang, Howard Morgan, Ti Bai, Michael Dohopolski, Dan Nguyen, Steve Jiang
• Abstract要約: 頭部・頸部患者のCBCTに変形性画像登録(DIR)と直接分割(DS)を組み合わせることを提案する。 変形したpCT輪郭はトレーニング用の擬似ラベルとして使用されるが、バウンディングボックスから異なるDIRアルゴリズムから生成される。 擬似ラベルで訓練したCBCT上のDSは,事前知識を使わずに,セグメンテーション性能が極めて低いことが判明した。
• 参考スコア（独自算出の注目度）: 2.723819757347555
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: CBCT-based online adaptive radiotherapy (ART) calls for accurate auto-segmentation models to reduce the time cost for physicians to edit contours, since the patient is immobilized on the treatment table waiting for treatment to start. However, auto-segmentation of CBCT images is a difficult task, majorly due to low image quality and lack of true labels for training a deep learning (DL) model. Meanwhile CBCT auto-segmentation in ART is a unique task compared to other segmentation problems, where manual contours on planning CT (pCT) are available. To make use of this prior knowledge, we propose to combine deformable image registration (DIR) and direct segmentation (DS) on CBCT for head and neck patients. First, we use deformed pCT contours derived from multiple DIR methods between pCT and CBCT as pseudo labels for training. Second, we use deformed pCT contours as bounding box to constrain the region of interest for DS. Meanwhile deformed pCT contours are used as pseudo labels for training, but are generated from different DIR algorithms from bounding box. Third, we fine-tune the model with bounding box on true labels. We found that DS on CBCT trained with pseudo labels and without utilizing any prior knowledge has very poor segmentation performance compared to DIR-only segmentation. However, adding deformed pCT contours as bounding box in the DS network can dramatically improve segmentation performance, comparable to DIR-only segmentation. The DS model with bounding box can be further improved by fine-tuning it with some real labels. Experiments showed that 7 out of 19 structures have at least 0.2 dice similarity coefficient increase compared to DIR-only segmentation. Utilizing deformed pCT contours as pseudo labels for training and as bounding box for shape and location feature extraction in a DS model is a good way to combine DIR and DS.
• Abstract（参考訳）: cbctベースのオンライン適応放射線療法(art)は、患者が治療が始まるのを待つ治療テーブルに固定されているため、医師が輪郭を編集するのに要する時間を削減するために正確な自己セグメンテーションモデルを要求する。 しかし, CBCT画像の自動分離は, 画像品質が低く, 深層学習(DL)モデルのトレーニングに真のラベルが欠如しているため, 難しい作業である。 一方、ARTにおけるCBCTの自動分割は、CT(pCT)を手動で作成する他のセグメンテーション問題と比較すると、ユニークなタスクである。 そこで本研究では, 変形性画像登録 (DIR) と直接分割 (DS) を併用して, 頭部・頸部患者のCBCTに導入することを提案する。 まず,pCTとCBCT間の複数のDIR法から導出される変形したpCT輪郭を擬似ラベルとして用いた。 第二に、変形したpCT輪郭をバウンディングボックスとして、DSの関心領域を制限する。 一方、変形したpCT輪郭はトレーニング用の擬似ラベルとして使用されるが、バウンディングボックスから異なるDIRアルゴリズムから生成される。 第3に、真のラベルのバウンディングボックスでモデルを微調整する。 疑似ラベルで訓練したCBCT上のDSは,DIRのみのセグメンテーションに比べて,事前知識を使わずにセグメンテーション性能が劣っていることがわかった。 しかし、DSネットワークのバウンディングボックスとして変形したpCT輪郭を追加することで、DIRのみのセグメンテーションに匹敵するセグメンテーション性能が劇的に向上する。 境界ボックス付きDSモデルは、いくつかの実ラベルで微調整することでさらに改善することができる。 実験の結果、19の構造物のうち7つは、DIRのみのセグメンテーションに比べて0.2ダイス類似係数が増加した。 変形したpCT輪郭を擬似ラベルとして用い,DSモデルにおける形状と位置特徴抽出のためのバウンディングボックスとして利用することは,DIRとDSを組み合わせる上でよい方法である。

関連論文リスト

• Towards Modality-agnostic Label-efficient Segmentation with Entropy-Regularized Distribution Alignment [62.73503467108322]
  この話題は、3次元の点雲のセグメンテーションで広く研究されている。 近年まで、擬似ラベルは、限られた地道ラベルによる訓練を容易にするために広く用いられてきた。 既存の擬似ラベリングアプローチは、重複しないデータのノイズやバリエーションに悩まされる可能性がある。 本研究では,学習用擬似ラベルを正規化し,擬似ラベルとモデル予測とのギャップを効果的に狭める学習戦略を提案する。
  論文  参考訳（メタデータ） (2024-08-29T13:31:15Z)
• CT-based brain ventricle segmentation via diffusion Schrödinger Bridge without target domain ground truths [0.9720086191214947]
  クリニカルCTスキャンによる高効率かつ正確な脳室分画は、腹腔鏡下手術のような緊急手術には不可欠である。 我々は,CTセグメント化の真偽を必要とせず,新しい不確実性に留意した心室分画法を導入する。 提案手法では拡散型Schr"odinger Bridgeと残像U-Netを併用し,画像診断とMRI検査を併用した。
  論文  参考訳（メタデータ） (2024-05-28T15:17:58Z)
• CDSE-UNet: Enhancing COVID-19 CT Image Segmentation with Canny Edge Detection and Dual-Path SENet Feature Fusion [10.831487161893305]
  CDSE-UNetは、Canny演算子エッジ検出とデュアルパスSENet機能融合機構を統合した、新しいUNetベースのセグメンテーションモデルである。 我々は,UNetの標準畳み込みを代替するマルチスケール畳み込み手法を開発し,病変の大きさや形状に適応した。 公開データセットの評価では、他の主要なモデルよりもCDSE-UNetの方が優れた性能を示している。
  論文  参考訳（メタデータ） (2024-03-03T13:36:07Z)
• Dual-scale Enhanced and Cross-generative Consistency Learning for Semi-supervised Medical Image Segmentation [49.57907601086494]
  医用画像のセグメンテーションはコンピュータ支援診断において重要な役割を担っている。 半教師型医用画像(DEC-Seg)のための新しいDual-scale Enhanced and Cross-generative consistency learning frameworkを提案する。
  論文  参考訳（メタデータ） (2023-12-26T12:56:31Z)
• Prompt Tuning for Parameter-efficient Medical Image Segmentation [79.09285179181225]
  2つの医用画像データセットのセマンティックセグメンテーションにパラメータ効率が良いが効果的な適応を実現するために,いくつかのコントリビューションを提案し,検討する。 我々はこのアーキテクチャを、オンライン生成プロトタイプへの割り当てに基づく専用密集型セルフスーパービジョンスキームで事前訓練する。 得られたニューラルネットワークモデルにより、完全に微調整されたモデルとパラメータに適応したモデルとのギャップを緩和できることを実証する。
  論文  参考訳（メタデータ） (2022-11-16T21:55:05Z)
• 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)
• One shot PACS: Patient specific Anatomic Context and Shape prior aware recurrent registration-segmentation of longitudinal thoracic cone beam CTs [3.3504365823045044]
  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。
  論文  参考訳（メタデータ） (2022-01-26T15:18:30Z)
• Dual Shape Guided Segmentation Network for Organs-at-Risk in Head and Neck CT Images [18.96016069277052]
  頭頸部CT画像において,9つの重要な臓器-リスク (OAR) を自動デライン化するための新しい二重形状ガイドネットワーク(DSGnet)を提案する。 臓器特異的逆距離マップ(UIDM)を用いたCT画像におけるOARの大きな形状変化と境界の曖昧さに対処するため,臓器形状を表現した。 9つの重要なOARに対して0.842のDice similarity Coefficient(DSC)の総合値は、デライン化品質を改善し、時間的コストを低減させる大きな可能性を示している。
  論文  参考訳（メタデータ） (2021-10-23T10:53:37Z)
• Weakly-supervised Learning For Catheter Segmentation in 3D Frustum Ultrasound [74.22397862400177]
  超音波を用いた新しいカテーテルセグメンテーション法を提案する。 提案手法は,1ボリュームあたり0.25秒の効率で最先端の性能を実現した。
  論文  参考訳（メタデータ） (2020-10-19T13:56:22Z)
• 3D medical image segmentation with labeled and unlabeled data using autoencoders at the example of liver segmentation in CT images [58.720142291102135]
  本研究では、畳み込みニューラルネットワークによるセグメンテーションを改善するために、オートエンコーダ抽出機能の可能性を検討する。 コンボリューション・オートエンコーダを用いてラベルのないデータから特徴を抽出し,CT画像における3次元肝セグメンテーションの目標タスクを実行するために,マルチスケールの完全畳み込みCNNを用いた。
  論文  参考訳（メタデータ） (2020-03-17T20:20:43Z)
• A$^3$DSegNet: Anatomy-aware artifact disentanglement and segmentation network for unpaired segmentation, artifact reduction, and modality translation [18.500206499468902]
  CBCT画像は, ノイズ, 組織コントラストの低下, 金属物の存在により, 品質が低く, 人工物が混入している。 脊椎のアノテーションを付加した、人工物のない高品質なCT画像が豊富に存在する。 CBCT椎体分割モデルの構築には, アノテーションを付加した未確認CT画像が有用である。
  論文  参考訳（メタデータ） (2020-01-02T06:37:09Z)

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。