論文の概要: Comparison of automatic prostate zones segmentation models in MRI images
using U-net-like architectures
- arxiv url: http://arxiv.org/abs/2207.09483v1
- Date: Tue, 19 Jul 2022 18:00:41 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-21 14:10:10.285173
- Title: Comparison of automatic prostate zones segmentation models in MRI images
using U-net-like architectures
- Title(参考訳): U-net-likeアーキテクチャを用いたMRI画像の自動前立腺領域分割モデルの比較
- Authors: Pablo Cesar Quihui-Rubio and Gilberto Ochoa-Ruiz and Miguel
Gonzalez-Mendoza and Gerardo Rodriguez-Hernandez and Christian Mata
- Abstract要約: 前立腺がんは世界で6番目に大きな死因である。
現在、腫瘍組織を含む関心領域(ROI)のセグメンテーションを専門医が手動で行う。
いくつかの研究は、磁気共鳴画像からROIの特徴を自動的に区分けし抽出するという課題に取り組んできた。
この研究で、6つのディープラーニングモデルを訓練し、ディジョン中央病院とカタルーニャ大学ポリテシカ校から取得したMRI画像のデータセットを用いて分析した。
- 参考スコア(独自算出の注目度): 0.9786690381850356
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Prostate cancer is the second-most frequently diagnosed cancer and the sixth
leading cause of cancer death in males worldwide. The main problem that
specialists face during the diagnosis of prostate cancer is the localization of
Regions of Interest (ROI) containing a tumor tissue. Currently, the
segmentation of this ROI in most cases is carried out manually by expert
doctors, but the procedure is plagued with low detection rates (of about
27-44%) or overdiagnosis in some patients. Therefore, several research works
have tackled the challenge of automatically segmenting and extracting features
of the ROI from magnetic resonance images, as this process can greatly
facilitate many diagnostic and therapeutic applications. However, the lack of
clear prostate boundaries, the heterogeneity inherent to the prostate tissue,
and the variety of prostate shapes makes this process very difficult to
automate.In this work, six deep learning models were trained and analyzed with
a dataset of MRI images obtained from the Centre Hospitalaire de Dijon and
Universitat Politecnica de Catalunya. We carried out a comparison of multiple
deep learning models (i.e. U-Net, Attention U-Net, Dense-UNet, Attention
Dense-UNet, R2U-Net, and Attention R2U-Net) using categorical cross-entropy
loss function. The analysis was performed using three metrics commonly used for
image segmentation: Dice score, Jaccard index, and mean squared error. The
model that give us the best result segmenting all the zones was R2U-Net, which
achieved 0.869, 0.782, and 0.00013 for Dice, Jaccard and mean squared error,
respectively.
- Abstract(参考訳): 前立腺がんは、世界で2番目に頻繁に診断されるがんであり、世界でも6番目に多い死因である。
前立腺癌の診断において専門医が直面する主な問題は、腫瘍組織を含む関心領域(ROI)の局在である。
現在、このROIのセグメンテーションは専門医が手動で行うことが多いが、一部の患者では低検出率(約27-44%)または過剰診断に悩まされている。
そのため、磁気共鳴画像からROIの特徴を自動的に抽出するという課題にいくつかの研究が取り組んでおり、このプロセスは多くの診断や治療の応用を大いに促進することができる。
しかし、明確な前立腺境界の欠如、前立腺組織に内在する異質性、前立腺形状の多様性により、このプロセスは自動化が極めて困難であり、本研究では6つのディープラーニングモデルを、中央病院長のde dijonとカタルーニャ大学のpolitecnica de catalunyaから得られたmri画像のデータセットを用いて訓練し、分析した。
分類的クロスエントロピー損失関数を用いた複数のディープラーニングモデル(U-Net, Attention U-Net, Dense-UNet, Attention Dense-UNet, R2U-Net, Attention R2U-Net)の比較を行った。
この分析はDice score, Jaccard index, 平均2乗誤差の3つの指標を用いて行った。
すべてのゾーンを最もよく区切るモデルがr2u-netで、それぞれ0.869、0.0782、0.000013をdice、jaccard、平均2乗誤差で達成した。
関連論文リスト
- Assessing the performance of deep learning-based models for prostate
cancer segmentation using uncertainty scores [1.0499611180329804]
目的は前立腺がんの検出と診断のワークフローを改善することである。
最高性能モデルはアテンション R2U-Net で、連合(IoU)の平均インターセクションは76.3%、Dice similarity Coefficient(DSC)は全ゾーンのセグメンテーションの85%を達成している。
論文 参考訳(メタデータ) (2023-08-09T01:38:58Z) - 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) - Moving from 2D to 3D: volumetric medical image classification for rectal
cancer staging [62.346649719614]
術前T2期とT3期を区別することは直腸癌治療における最も困難かつ臨床的に重要な課題である。
直腸MRIでT3期直腸癌からT2を正確に判別するための体積畳み込みニューラルネットワークを提案する。
論文 参考訳(メタデータ) (2022-09-13T07:10:14Z) - 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) - Deep Learning Based Analysis of Prostate Cancer from MP-MRI [0.0]
前立腺癌の診断は、過剰診断の問題に直面し、不必要な治療による副作用を損なう。
本研究では,MRIを応用したコンピュータ支援診断のための深層学習手法について検討する。
論文 参考訳(メタデータ) (2021-06-02T12:42:35Z) - Wide & Deep neural network model for patch aggregation in CNN-based
prostate cancer detection systems [51.19354417900591]
前立腺癌(PCa)は、2020年に約141万件の新規感染者と約37万5000人の死者を出した男性の死因の1つである。
自動診断を行うには、まず前立腺組織サンプルをギガピクセル分解能全スライド画像にデジタイズする。
パッチと呼ばれる小さなサブイメージが抽出され、予測され、パッチレベルの分類が得られる。
論文 参考訳(メタデータ) (2021-05-20T18:13:58Z) - A Cascaded Residual UNET for Fully Automated Segmentation of Prostate
and Peripheral Zone in T2-weighted 3D Fast Spin Echo Images [1.6710577107094644]
前立腺癌の非侵襲的診断には多パラメータMR画像が有効であることが示されている。
本研究では,前立腺と周辺領域のセグメンテーションのための残留ブロック,カスケードMRes-UNETを用いた完全自動深層学習アーキテクチャを提案する。
論文 参考訳(メタデータ) (2020-12-25T03:16:52Z) - Segmentation of the Myocardium on Late-Gadolinium Enhanced MRI based on
2.5 D Residual Squeeze and Excitation Deep Learning Model [55.09533240649176]
本研究の目的は,LGE-MRIを用いた心筋境界領域の深部学習モデルに基づく正確な自動セグメンテーション法を開発することである。
合計320回の試験(平均6回の試験)と28回の試験が行われた。
ベーススライスとミドルスライスにおけるアンサンブルモデルの性能解析は, サーバ内調査と同等であり, アトピーススライスではわずかに低かった。
論文 参考訳(メタデータ) (2020-05-27T20:44:38Z) - Gleason Grading of Histology Prostate Images through Semantic
Segmentation via Residual U-Net [60.145440290349796]
前立腺癌の最終診断は、病理学者による前立腺生検におけるGleasonパターンの視覚的検出に基づいている。
コンピュータ支援診断システムは、組織内のがんのパターンを分類し分類することができる。
この研究の方法論的核心は、がん組織を分節できる残留ブロックで修正された画像分割のためのU-Net畳み込みニューラルネットワークである。
論文 参考訳(メタデータ) (2020-05-22T19:49:10Z) - A Global Benchmark of Algorithms for Segmenting Late Gadolinium-Enhanced
Cardiac Magnetic Resonance Imaging [90.29017019187282]
現在世界最大の心臓LGE-MRIデータセットである154個の3D LGE-MRIを用いた「2018 left Atrium Challenge」。
技術および生物学的指標を用いた提案アルゴリズムの解析を行った。
その結果, 最上部法は93.2%, 平均表面は0.7mmであった。
論文 参考訳(メタデータ) (2020-04-26T08:49:17Z) - Breast Cancer Detection Using Convolutional Neural Networks [0.0]
エチオピアでは女性がん患者の34%を占める乳がんが一般的である。
深層学習技術は医療画像分析の分野に革命をもたらしている。
本モデルは,マンモグラフィ(MG)画像において,腫瘤領域を検出し,良性または悪性の異常に分類する。
論文 参考訳(メタデータ) (2020-03-17T19:41:00Z)
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。