Fugu-MT 論文翻訳(概要): Automated GI tract segmentation using deep learning

論文の概要: Automated GI tract segmentation using deep learning

arxiv url: http://arxiv.org/abs/2206.11048v5
Date: Tue, 5 Sep 2023 12:10:51 GMT
ステータス: 処理完了
システム内更新日: 2023-09-07 12:05:34.630469
Title: Automated GI tract segmentation using deep learning
Title（参考訳）: 深層学習によるgi tract segmentationの自動化
Authors: Manhar Sharma
Abstract要約: MR-Linacsでは腫瘍の位置を可視化し、腫瘍細胞の存在に応じて正確な投与を可能にする。本稿では、このプロセスの高速化と、より多くの患者が効果的に治療を受けられるように、ディープラーニングを用いた自動セグメンテーションプロセスについて論じる。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: The job of Radiation oncologists is to deliver x-ray beams pointed toward the tumor and at the same time avoid the stomach and intestines. With MR-Linacs (magnetic resonance imaging and linear accelerator systems), oncologists can visualize the position of the tumor and allow for precise dose according to tumor cell presence which can vary from day to day. The current job of outlining the position of the stomach and intestines to adjust the X-ray beams direction for the dose delivery to the tumor while avoiding the organs. This is a time-consuming and labor-intensive process that can easily prolong treatments from 15 minutes to an hour a day unless deep learning methods can automate the segmentation process. This paper discusses an automated segmentation process using deep learning to make this process faster and allow more patients to get effective treatment.
Abstract（参考訳）: 放射線腫瘍学者の仕事はx線ビームを腫瘍に向けることであり、同時に胃や腸を避けることである。 MR-Linacs(磁気共鳴イメージングと線形加速器システム)では、腫瘍の位置を可視化し、日によって異なる腫瘍細胞の存在に応じて正確な投与を可能にする。胃と腸の位置を概説し、臓器を避けながら腫瘍への線量伝達のためのx線ビーム方向を調整する現在の仕事。これは、深層学習法がセグメンテーションプロセスを自動化できなければ、1日15分から1時間に簡単に治療を延長できる、時間を要する労働集約プロセスである。本稿では,このプロセスをより高速にし,より多くの患者に効果的な治療を施すために,ディープラーニングを用いた自動セグメンテーションプロセスについて述べる。

関連論文リスト

Tracking Tumors under Deformation from Partial Point Clouds using Occupancy Networks [5.6568953226458145]
本稿では, 腎臓ファントム内腫瘍の局所化を介し, インタラクティブな速度で変形する手法を提案する。異所性腎腫瘍と内因性腎腫瘍を混入した3Dハイドロゲル腎ファントムを導入することにより,本法の有効性を検証した。以上の結果から,6mmから10mmの腎に腫瘍を局在させ,60Hz以上の3D情報を提供することができた。
論文参考訳（メタデータ） (2024-11-04T21:15:17Z)
AEPL: Automated and Editable Prompt Learning for Brain Tumor Segmentation [12.347340694969212]
脳腫瘍の分節は正確な診断と治療計画に不可欠である。既存の10の方法は、腫瘍学級のような医学領域の知識を効果的に取り入れることに失敗する。本稿では,腫瘍学級をセグメンテーションプロセスに統合する自動編集型プロンプト学習フレームワークを提案する。
論文参考訳（メタデータ） (2024-10-21T20:29:44Z)
CathFlow: Self-Supervised Segmentation of Catheters in Interventional Ultrasound Using Optical Flow and Transformers [66.15847237150909]
縦型超音波画像におけるカテーテルのセグメンテーションのための自己教師型ディープラーニングアーキテクチャを提案する。ネットワークアーキテクチャは、Attention in Attentionメカニズムで構築されたセグメンテーショントランスフォーマであるAiAReSeg上に構築されている。我々は,シリコンオルタファントムから収集した合成データと画像からなる実験データセット上で,我々のモデルを検証した。
論文参考訳（メタデータ） (2024-03-21T15:13:36Z)
RT-SRTS: Angle-Agnostic Real-Time Simultaneous 3D Reconstruction and Tumor Segmentation from Single X-Ray Projection [4.992840879935547]
RT-SRTSは、マルチタスク学習(MTL)に基づく1つのネットワークに3Dイメージングと腫瘍セグメンテーションを統合する。提案法は15例を対象に評価し, 最先端の3例と比較した。同時再建と分節を約70ミリ秒で完了させることができ、リアルタイム腫瘍追跡に必要な時間しきい値よりもはるかに高速である。
論文参考訳（メタデータ） (2023-10-12T07:10:12Z)
AiAReSeg: Catheter Detection and Segmentation in Interventional Ultrasound using Transformers [75.20925220246689]
血管内手術は、電離放射線を用いてカテーテルと血管を可視化するFluoroscopyの黄金標準を用いて行われる。本研究では、最先端機械学習トランスフォーマアーキテクチャを応用して、軸干渉超音波画像シーケンス中のカテーテルを検出し、セグメント化する手法を提案する。
論文参考訳（メタデータ） (2023-09-25T19:34:12Z)
Gastro-Intestinal Tract Segmentation Using an Explainable 3D Unet [7.590429694546891]
放射線療法を用いて消化管がんを治療する際、放射線腫瘍学者の役割は、胃や腸を避けながら、X線を通した高線量放射線を腫瘍に向かって投与することである。 MR-Linacのような正確な放射線治療技術の出現により、腫瘍や腸の日々の位置を可視化することができる。放射線を照射する前に、放射線腫瘍学者はX線ビームの位置と方向を決定するために、手動で消化管の位置を概説する必要がある。これは、患者が大幅に長引く可能性のある、時間と労力の集中的なプロセスである。
論文参考訳（メタデータ） (2023-09-25T19:16:19Z)
Artificial-intelligence-based molecular classification of diffuse gliomas using rapid, label-free optical imaging [59.79875531898648]
DeepGliomaは人工知能に基づく診断スクリーニングシステムである。ディープグリオーマは、世界保健機関が成人型びまん性グリオーマ分類を定義するために使用する分子変化を予測することができる。
論文参考訳（メタデータ） (2023-03-23T18:50:18Z)
Intra-operative Brain Tumor Detection with Deep Learning-Optimized Hyperspectral Imaging [37.21885467891782]
グリオーマ(内因性脳腫瘍)の手術は、病変の浸潤性により困難である。リアルタイム, 術中, ラベルフリー, 広視野の道具は使用できない。術中指導の可能性を秘めた癌切除のための深層学習型診断ツールを構築した。
論文参考訳（メタデータ） (2023-02-06T15:52:03Z)
Multi-Scale Hybrid Vision Transformer for Learning Gastric Histology: AI-Based Decision Support System for Gastric Cancer Treatment [50.89811515036067]
胃内視鏡検査は、早期に適切な胃癌(GC)治療を判定し、GC関連死亡率を低下させる有効な方法である。本稿では,一般のGC治療指導と直接一致する5つのGC病理のサブ分類を可能にする実用的なAIシステムを提案する。
論文参考訳（メタデータ） (2022-02-17T08:33:52Z)
EMT-NET: Efficient multitask network for computer-aided diagnosis of breast cancer [58.720142291102135]
乳腺腫瘍の分類と分別を同時に行うための,効率的で軽量な学習アーキテクチャを提案する。腫瘍分類ネットワークにセグメンテーションタスクを組み込むことにより,腫瘍領域に着目したバックボーンネットワークで表現を学習する。腫瘍分類の精度、感度、特異性はそれぞれ88.6%、94.1%、85.3%である。
論文参考訳（メタデータ） (2022-01-13T05:24:40Z)
Microvascular Dynamics from 4D Microscopy Using Temporal Segmentation [81.30750944868142]
経時的に脳血流量の変化を追跡でき, ピアル表面に向かって伝播する自発性動脈拡張を同定できる。この新たなイメージング機能は、機能的磁気共鳴イメージング(fMRI)を基盤とした血行動態応答関数を特徴付けるための有望なステップである。
論文参考訳（メタデータ） (2020-01-14T22:55:03Z)

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。