論文の概要: Improving Small Lesion Segmentation in CT Scans using Intensity
Distribution Supervision: Application to Small Bowel Carcinoid Tumor
- arxiv url: http://arxiv.org/abs/2207.14700v1
- Date: Fri, 29 Jul 2022 14:14:00 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-01 13:18:23.676658
- Title: Improving Small Lesion Segmentation in CT Scans using Intensity
Distribution Supervision: Application to Small Bowel Carcinoid Tumor
- Title（参考訳）: Intensity Distribution Supervision を用いたCTスキャンにおける小病変分割の改善 : 小腸カルチノイド腫瘍への応用
- Authors: Seung Yeon Shin, Thomas C. Shen, Stephen A. Wank, and Ronald M.
Summers
- Abstract要約: 小さな病変のセグメンテーションを改善する1つのアプローチは、関心領域を減らし、それを全領域に対して実行するよりも高い感度で検査することである。
そこで本研究では,対象病変の強度分布を付加的なラベル付けコストで利用し,背景から病変が検出可能な領域を効果的に分離することを提案する。
- 参考スコア（独自算出の注目度）: 4.204844286979697
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Finding small lesions is very challenging due to lack of noticeable features,
severe class imbalance, as well as the size itself. One approach to improve
small lesion segmentation is to reduce the region of interest and inspect it at
a higher sensitivity rather than performing it for the entire region. It is
usually implemented as sequential or joint segmentation of organ and lesion,
which requires additional supervision on organ segmentation. Instead, we
propose to utilize an intensity distribution of a target lesion at no
additional labeling cost to effectively separate regions where the lesions are
possibly located from the background. It is incorporated into network training
as an auxiliary task. We applied the proposed method to segmentation of small
bowel carcinoid tumors in CT scans. We observed improvements for all metrics
(33.5% $\rightarrow$ 38.2%, 41.3% $\rightarrow$ 47.8%, 30.0% $\rightarrow$
35.9% for the global, per case, and per tumor Dice scores, respectively.)
compared to the baseline method, which proves the validity of our idea. Our
method can be one option for explicitly incorporating intensity distribution
information of a target in network training.
- Abstract（参考訳）: 小病変の発見は, 特徴の欠如, クラス不均衡, サイズ自体の異常が原因で, 極めて困難である。
小さな病変のセグメンテーションを改善する1つのアプローチは、関心領域を減らし、それを全領域に対して実行するよりも高い感度で検査することである。
通常、臓器と病変の連続的または共同的セグメンテーションとして実装され、臓器セグメンテーションのさらなる監督を必要とする。
そこで本研究では,対象病変の強度分布を付加的なラベル付けコストなしで利用し,背景から病変が検出可能な領域を効果的に分離することを提案する。
補助タスクとしてネットワークトレーニングに組み込まれている。
CT検査で小腸カルチノイド腫瘍の分画に本法を適用した。
全測定値(33.5%$\rightarrow$ 38.2%、41.3%$\rightarrow$ 47.8%、30.0%$\rightarrow$ 35.9%)がグローバル、ケース当たり、腫瘍単位スコアごとに改善した。
) ベースライン法と比較し, 提案手法の有効性を検証した。
本手法は,ネットワークトレーニングにおいて対象の強度分布情報を明示的に組み込むための1つの方法である。
関連論文リスト
- Weakly-Supervised Detection of Bone Lesions in CT [48.34559062736031]
骨格領域は乳腺と前立腺に転移性癌が拡がる一般的な部位の1つである。
代用セグメンテーションタスクによりCTボリュームの骨病変を検出するパイプラインを開発した。
不完全および部分的トレーニングデータを用いたにもかかわらず,CTでは96.7%,47.3%の精度で骨病変が検出された。
論文 参考訳（メタデータ） (2024-01-31T21:05:34Z) - Improving Segmentation and Detection of Lesions in CT Scans Using
Intensity Distribution Supervision [5.162622771922123]
対象病変の強度ヒストグラムから強度に基づく病変確率関数を構築した。
各入力CTスキャンの計算したILPマップは、ネットワークトレーニングのための追加の監督として提供される。
また,本手法が検出作業に与える影響についても検討した。
論文 参考訳（メタデータ） (2023-07-11T21:00:47Z) - 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) - 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) - 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) - Mediastinal lymph nodes segmentation using 3D convolutional neural
network ensembles and anatomical priors guiding [0.0]
拡大および潜在的悪性リンパ節の存在を評価し、疾患の進行を適切に推定し、最良の治療戦略を選択する必要があります。
3D畳み込みニューラルネットワークの使用について,スラブ方式や全ボリュームのダウンサンプリングを利用する方法を検討した。
短軸直径$geq10$ mmの1178リンパ節では、私たちの最高のパフォーマンスアプローチは92%の患者ワイズリコール、5の患者ごとの偽陽性比と80.5%の分割重複に達しました。
論文 参考訳（メタデータ） (2021-02-11T14:51:34Z) - 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) - Detecting Scatteredly-Distributed, Small, andCritically Important
Objects in 3D OncologyImaging via Decision Stratification [23.075722503902714]
本研究は腫瘍学的に重要なリンパ節(または不審な癌転移)の検出と分節に焦点を当てた。
我々はOSLNを腫瘍近位・腫瘍遠位分類に分割する分断型決定階層化手法を提案する。
局所的な3D画像パッチから得られた特徴と高次病変特性を組み合わせた新しいグローバルローカルネットワーク(GLNet)を提案する。
論文 参考訳（メタデータ） (2020-05-27T23:12:11Z) - 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) - Inf-Net: Automatic COVID-19 Lung Infection Segmentation from CT Images [152.34988415258988]
CT画像からの肺感染症の自動検出は、新型コロナウイルスに対処するための従来の医療戦略を強化する大きな可能性を秘めている。
CTスライスから感染領域を分割することは、高い感染特性の変化、感染と正常な組織の間の低強度のコントラストなど、いくつかの課題に直面している。
これらの課題に対処するため, 胸部CTスライスから感染部位を自動的に同定する, 新型のCOVID-19 Deep Lung infection Network (Inf-Net) が提案されている。
論文 参考訳（メタデータ） (2020-04-22T07:30:56Z) - Weakly Supervised Lesion Co-segmentation on CT Scans [18.58056402884405]
本稿では、まずRECISTスライスから擬似マスクを生成する弱教師付きコセグメンテーションモデルを提案する。
次に、これらを注意に基づく畳み込みニューラルネットワークのトレーニングラベルとして使用し、一対のCTスキャンから共通の病変を分割する。
論文 参考訳（メタデータ） (2020-01-24T19:39:33Z)
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。