Fugu-MT 論文翻訳(概要): Learning to segment prostate cancer by aggressiveness from scribbles in bi-parametric MRI

論文の概要: Learning to segment prostate cancer by aggressiveness from scribbles in bi-parametric MRI

arxiv url: http://arxiv.org/abs/2207.05056v1
Date: Fri, 1 Jul 2022 11:52:05 GMT
ステータス: 処理完了
システム内更新日: 2022-07-17 17:12:26.627105
Title: Learning to segment prostate cancer by aggressiveness from scribbles in bi-parametric MRI
Title（参考訳）: バイパラメトリックMRIにおけるスクリブルからのアグレッシブネスによる前立腺癌セグメントの学習
Authors: Audrey Duran (MYRIAD), Gaspard Dussert (MYRIAD), Carole Lartizien (MYRIAD)
Abstract要約: 弱いアノテーションに基づくMRIにおけるアグレッシブネスによる前立腺癌セグメンテーションの課題に対処する深層U-Netモデルを提案する。トレーニングには6.35%のボクセルしか使用せず,完全教師付きベースラインにアプローチできることが示唆された。コーエンのカッパスコアは弱いモデルでは 0.29 $pm$ 0.07 であり,ベースラインでは 0.32 $pm$ 0.05 である。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In this work, we propose a deep U-Net based model to tackle the challenging task of prostate cancer segmentation by aggressiveness in MRI based on weak scribble annotations. This model extends the size constraint loss proposed by Kervadec et al. 1 in the context of multiclass detection and segmentation task. This model is of high clinical interest as it allows training on prostate biopsy samples and avoids time-consuming full annotation process. Performance is assessed on a private dataset (219 patients) where the full ground truth is available as well as on the ProstateX-2 challenge database, where only biopsy results at different localisations serve as reference. We show that we can approach the fully-supervised baseline in grading the lesions by using only 6.35% of voxels for training. We report a lesion-wise Cohen's kappa score of 0.29 $\pm$ 0.07 for the weak model versus 0.32 $\pm$ 0.05 for the baseline. We also report a kappa score (0.276 $\pm$ 0.037) on the ProstateX-2 challenge dataset with our weak U-Net trained on a combination of ProstateX-2 and our dataset, which is the highest reported value on this challenge dataset for a segmentation task to our knowledge.
Abstract（参考訳）: 本研究では,弱いスクリブルアノテーションに基づくMRIにおけるアグレッシブネスによる前立腺癌セグメンテーションの課題に取り組むための,深いU-Netモデルを提案する。このモデルはマルチクラス検出とセグメンテーションタスクの文脈でkervadecらによって提案されたサイズ制約損失を拡張する。このモデルは前立腺生検サンプルのトレーニングが可能であり、時間のかかる完全なアノテーションプロセスを避けるため、臨床上の関心が高い。パフォーマンスは、完全な根拠の真理が利用可能なプライベートデータセット(219の患者)と、異なる局所化で生検結果のみが参照となるprostatex-2 challengeデータベースで評価される。また,voxelsの6.35%をトレーニングに使用することにより,診断基準値に近づくことができた。弱モデルではコーエンのカッパスコアが 0.29 $\pm$ 0.07 であり,ベースラインでは 0.32 $\pm$ 0.05 である。また、prostatex-2 チャレンジデータセット上で kappa スコア (0.276$\pm$ 0.037) を報告し、prostatex-2 とデータセットの組み合わせでトレーニングした弱 u-net は、セグメンテーションタスクのためのこのチャレンジデータセットで最も高い値である。

関連論文リスト

SMILE-UHURA Challenge -- Small Vessel Segmentation at Mesoscopic Scale from Ultra-High Resolution 7T Magnetic Resonance Angiograms [60.35639972035727]
公開されている注釈付きデータセットの欠如は、堅牢で機械学習駆動のセグメンテーションアルゴリズムの開発を妨げている。 SMILE-UHURAチャレンジは、7T MRIで取得したTime-of-Flightアンジオグラフィーの注釈付きデータセットを提供することで、公開されている注釈付きデータセットのギャップに対処する。 Diceスコアは、それぞれのデータセットで0.838 $pm$0.066と0.716 $pm$ 0.125まで到達し、平均パフォーマンスは0.804 $pm$ 0.15までになった。
論文参考訳（メタデータ） (2024-11-14T17:06:00Z)
MicroSegNet: A Deep Learning Approach for Prostate Segmentation on Micro-Ultrasound Images [10.10595151162924]
マイクロ超音波(micro-US)は、従来の超音波の3.4倍の高分解能を提供する新しい29MHz超音波技術である。前立腺のミクロ-USへの分節は、中線における前立腺、膀胱、尿道間の人工物と不明瞭な境界のために困難である。本稿では,これらの課題に対処するために設計されたマルチスケールアノテーション誘導変換器UNetモデルであるMicroSegNetを提案する。
論文参考訳（メタデータ） (2023-05-31T15:42:29Z)
Learning to diagnose cirrhosis from radiological and histological labels with joint self and weakly-supervised pretraining strategies [62.840338941861134]
そこで本稿では, 放射線学者が注釈付けした大規模データセットからの転写学習を活用して, 小さい付加データセットで利用できる組織学的スコアを予測することを提案する。我々は,肝硬変の予測を改善するために,異なる事前訓練法,すなわち弱い指導法と自己指導法を比較した。この方法は、METAVIRスコアのベースライン分類を上回り、AUCが0.84、バランスの取れた精度が0.75に達する。
論文参考訳（メタデータ） (2023-02-16T17:06:23Z)
MAPPING: Model Average with Post-processing for Stroke Lesion Segmentation [57.336056469276585]
我々は nnU-Net フレームワークに基づく脳卒中病変のセグメンテーションモデルを提案し, ストローク後の解剖学的トレースに応用する。本手法は,2022年のMICCAI ATLAS Challengeにおいて,平均Diceスコアが0.6667,Lesion-wise F1スコアが0.5643,Simple Lesion Countスコアが4.5367,Volume differenceスコアが8804.9102であった。
論文参考訳（メタデータ） (2022-11-11T14:17:04Z)
Self-Supervised U-Net for Segmenting Flat and Sessile Polyps [63.62764375279861]
大腸ポリープの発達は、がんの最も初期の兆候の1つである。ポリープの早期検出と切除は生存率を90%に大きく向上させる。大腸内視鏡画像の処理によりポリープを検出するコンピュータ支援診断システム(CADx)が提案されている。
論文参考訳（メタデータ） (2021-10-17T09:31:20Z)
Deep Learning for fully automatic detection, segmentation, and Gleason Grade estimation of prostate cancer in multiparametric Magnetic Resonance Images [0.731365367571807]
本稿では,PCa-suspect 患者から前立腺 mpMRI を抽出するDeep Learning に基づく完全自動システムを提案する。 PCaの病変を特定し、それらを分類し、最も可能性の高いGleason grade group(GGG)を予測する。 ProstateXトレーニングシステムのコードはhttps://github.com/OscarPellicer/prostate_lesion_detection.comで公開されている。
論文参考訳（メタデータ） (2021-03-23T16:08:43Z)
Automatic Polyp Segmentation using Fully Convolutional Neural Network [0.0]
大腸内視鏡検査における大腸ポリープのミスレートは6～27%である。大腸内視鏡検査における自動的, 高精度, リアルタイムポリプセグメンテーションの使用は, 臨床医が欠如した病変を除去し, 大腸癌のさらなる進展を予防するのに役立つ。 Medico Automatic Polyp segmentation Challenge'は、polyp segmentationを研究し、高速なセグメンテーションモデルを構築する機会を提供する。実験により、Kvasir-SEGデータセットでトレーニングされ、未知のデータセットでテストされたモデルは、ディス係数0.7801、mIoU0.6847、リコール0.8077、精度0.8に達することが示された。
論文参考訳（メタデータ） (2021-01-11T16:20:57Z)
DDANet: Dual Decoder Attention Network for Automatic Polyp Segmentation [0.3734402152170273]
本稿では,デュアルデコーダアテンションネットワークに基づくDDANet'という新しいアーキテクチャを提案する。実験では、Kvasir-SEGデータセットで訓練され、見えないデータセットでテストされたモデルは、0.7874のダイス係数、0.7010のmIoU、0.7987のリコール、0.8577の精度を達成した。
論文参考訳（メタデータ） (2020-12-30T17:52:35Z)
Deep learning in magnetic resonance prostate segmentation: A review and a new perspective [4.453410156617238]
MR前立腺セグメンテーションにおける最先端のディープラーニングアルゴリズムについて概説する。その限界と強みを議論することで、この分野に洞察を与えます。 MR前立腺セグメンテーションのための最適化された2次元U-Netを提案する。
論文参考訳（メタデータ） (2020-11-16T08:58:38Z)
CovidDeep: SARS-CoV-2/COVID-19 Test Based on Wearable Medical Sensors and Efficient Neural Networks [51.589769497681175]
新型コロナウイルス(SARS-CoV-2)がパンデミックを引き起こしている。 SARS-CoV-2の逆転写-ポリメラーゼ連鎖反応に基づく現在の試験体制は、試験要求に追いついていない。我々は,効率的なDNNと市販のWMSを組み合わせたCovidDeepというフレームワークを提案する。
論文参考訳（メタデータ） (2020-07-20T21:47:28Z)
Predicting COVID-19 Pneumonia Severity on Chest X-ray with Deep Learning [57.00601760750389]
前頭部胸部X線画像の重症度予測モデルを提案する。このようなツールは、エスカレーションやケアの非エスカレーションに使用できる新型コロナウイルスの肺感染症の重症度を測定することができる。
論文参考訳（メタデータ） (2020-05-24T23:13:16Z)

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。