論文の概要: Ensembled Autoencoder Regularization for Multi-Structure Segmentation
for Kidney Cancer Treatment
- arxiv url: http://arxiv.org/abs/2208.04007v1
- Date: Mon, 8 Aug 2022 09:39:17 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-09 14:09:08.159447
- Title: Ensembled Autoencoder Regularization for Multi-Structure Segmentation
for Kidney Cancer Treatment
- Title(参考訳): 腎癌治療のためのマルチストラクタセグメンテーションのためのアンサンブルオートエンコーダ正則化
- Authors: David Jozef Hresko, Marek Kurej, Jakub Gazda, Peter Drotar
- Abstract要約: 腎, 腫瘍, 静脈, 動脈の分節のための2つの完全畳み込みネットワークのアンサンブルを提案する。
SegResNetアーキテクチャは腫瘍のパフォーマンスを向上し、nnU-Netは腎臓、動脈、静脈のより正確なセグメンテーションを提供した。
- 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 kidney cancer is one of the most common cancer types. The treatment
frequently include surgical intervention. However, surgery is in this case
particularly challenging due to regional anatomical relations. Organ
delineation can significantly improve surgical planning and execution. In this
contribution, we propose ensemble of two fully convolutional networks for
segmentation of kidney, tumor, veins and arteries. While SegResNet architecture
achieved better performance on tumor, the nnU-Net provided more precise
segmentation for kidneys, arteries and veins. So in our proposed approach we
combine these two networks, and further boost the performance by mixup
augmentation.
- Abstract(参考訳): 腎臓がんは最も一般的ながんの1つである。
治療には外科的介入がしばしば含まれる。
しかし,この症例では局所解剖学的関係により手術が特に困難である。
臓器郭清は手術の計画と実行を著しく改善する。
そこで本研究では,腎,腫瘍,静脈,動脈の2つの完全畳み込みネットワークのアンサンブルを提案する。
SegResNetアーキテクチャは腫瘍のパフォーマンスが向上したが、nnU-Netは腎臓、動脈、静脈のより正確なセグメンテーションを提供した。
そこで提案手法では,これらの2つのネットワークを組み合わせ,ミックスアップ拡張により性能をさらに向上させる。
関連論文リスト
- Two Stage Segmentation of Cervical Tumors using PocketNet [0.32985979395737786]
この研究は、新しいディープラーニングモデル(PocketNet)を用いて、T2w MRI上の頸部、血管、子宮、腫瘍を分割した。
PocketNetはDice-Sorensen類似度係数 (DSC) を70%以上, 臓器分節率 (80%) で達成した。
論文 参考訳(メタデータ) (2024-09-17T17:48:12Z) - Prototype Learning Guided Hybrid Network for Breast Tumor Segmentation in DCE-MRI [58.809276442508256]
本稿では,畳み込みニューラルネットワーク(CNN)とトランスフォーマー層を組み合わせたハイブリッドネットワークを提案する。
プライベートおよびパブリックなDCE-MRIデータセットの実験結果から,提案したハイブリッドネットワークは最先端の手法よりも優れた性能を示した。
論文 参考訳(メタデータ) (2024-08-11T15:46:00Z) - CANet: Channel Extending and Axial Attention Catching Network for
Multi-structure Kidney Segmentation [0.9115927248875568]
マルチ構造腎セグメンテーションのためのチャネル延長および軸方向注意捕捉ネットワーク(CANet)を提案する。
腎, 腫瘍, 動脈, 静脈の95.8%, 89.1%, 87.5%, 84.9%のダイススコアを得た。
論文 参考訳(メタデータ) (2022-08-10T09:49:19Z) - Learning-Based Keypoint Registration for Fetoscopic Mosaicking [65.02392513942533]
ツイン・トゥ・ツイン輸血症候群(TTTS)では、単子葉胎盤の血管系異常な血管性無痛が両胎児の間に不均一な血流を生じさせる。
本研究では,フィールド・オブ・ビュー展開のためのフェトスコープフレーム登録のための学習ベースフレームワークを提案する。
論文 参考訳(メタデータ) (2022-07-26T21:21:12Z) - A Multi-Stage Framework for the 2022 Multi-Structure Segmentation for
Renal Cancer Treatment [1.3672079462036872]
CTアンギオグラフィー(CTA)画像を用いた3次元腎解析は臨床的に非常に重要である。
本稿では、新しいnnhra-unetネットワークを提案し、それに基づく多段階フレームワークを用いて、腎臓の多構造を分断し、KiPA2022チャレンジに参加する。
論文 参考訳(メタデータ) (2022-07-19T10:12:26Z) - 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) - EnMcGAN: Adversarial Ensemble Learning for 3D Complete Renal Structures
Segmentation [15.43823931396036]
3次元完全腎構造(CRS)セグメンテーションは、腎臓、腫瘍、腎動脈、静脈を1つの推論でセグメント化することを目的としている。
腎構造の複雑な形状,低コントラスト,大きな解剖学的変化により,3次元CRSセグメンテーションは成功しなかった。
本研究では,3次元CRSセグメンテーションのための逆アンサンブル学習とEnsemble Multi-condition GAN(EnMcGAN)を提案する。
論文 参考訳(メタデータ) (2021-06-08T06:40:42Z) - 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) - Generalized Organ Segmentation by Imitating One-shot Reasoning using
Anatomical Correlation [55.1248480381153]
そこで我々は,アノテーション付きオルガンクラスから一般化されたオルガン概念を学習し,その概念を未知のクラスに転送するOrganNetを提案する。
そこで,OrganNetは臓器形態の幅広い変化に効果的に抵抗でき,一発分節タスクで最先端の結果が得られることを示す。
論文 参考訳(メタデータ) (2021-03-30T13:41:12Z) - Stan: Small tumor-aware network for breast ultrasound image segmentation [68.8204255655161]
本研究では,小腫瘍認識ネットワーク(Small tumor-Aware Network,STAN)と呼ばれる新しいディープラーニングアーキテクチャを提案する。
提案手法は, 乳腺腫瘍の分節化における最先端のアプローチよりも優れていた。
論文 参考訳(メタデータ) (2020-02-03T22:25:01Z) - Abdominal multi-organ segmentation with cascaded convolutional and
adversarial deep networks [0.36944296923226316]
深層学習を用いた腹部CTおよびMR画像からの完全自動多臓器分画について検討した。
我々のパイプラインは、最先端のエンコーダデコーダスキームよりも優れた結果をもたらす。
論文 参考訳(メタデータ) (2020-01-26T21:28:04Z)
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。