論文の概要: Multi-structure segmentation for renal cancer treatment with modified nn-UNet

• arxiv url: http://arxiv.org/abs/2208.05241v1
• Date: Wed, 10 Aug 2022 09:49:19 GMT
• ステータス: 処理完了
• システム内更新日: 2022-08-11 13:12:06.699090
• Title: Multi-structure segmentation for renal cancer treatment with modified nn-UNet
• Title（参考訳）: 腎癌治療における nn-UNet の多組織的セグメンテーション
• Authors: Zhenyu Bu
• Abstract要約: 腎多構造セグメンテーションのための改良nn-UNetを提案する。 我々のソリューションは、3Dフル解像度のU-netを使って繁栄するnn-UNetアーキテクチャに基づいています。 修正したnn-UNetは、KiPA2022データセット上で最先端のパフォーマンスを実現しています。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Renal cancer is one of the most prevalent cancers worldwide. Clinical signs of kidney cancer include hematuria and low back discomfort, which are quite distressing to the patient. Due to the rapid growth of artificial intelligence and deep learning, medical image segmentation has evolved dramatically over the past few years. In this paper, we propose modified nn-UNet for kidney multi-structure segmentation. Our solution is founded on the thriving nn-UNet architecture using 3D full resolution U-net. Firstly, various hyperparameters are modified for this particular task. Then, by doubling the number of filters in 3D full resolution nnUNet architecture to achieve a larger network, we may capture a greater receptive field. Finally, we include an axial attention mechanism in the decoder, which can obtain global information during the decoding stage to prevent the loss of local knowledge. Our modified nn-UNet achieves state-of-the-art performance on the KiPA2022 dataset when compared to conventional approaches such as 3D U-Net, MNet, etc.
• Abstract（参考訳）: 腎がんは世界で最も多いがんの1つである。 腎癌の臨床症状としては、血尿や腰痛などがあり、患者にとって非常に苦痛である。 人工知能とディープラーニングの急速な成長により、ここ数年で医療画像のセグメンテーションは劇的に進化してきた。 本稿では,腎多層構造分割のための改良nn-UNetを提案する。 我々のソリューションは、3Dフル解像度のU-netを使って繁栄するnn-UNetアーキテクチャに基づいています。 まず、このタスクのために様々なハイパーパラメータが修正される。 そして、3次元フル解像度nnUNetアーキテクチャのフィルタ数を2倍にすることで、より大きなネットワークを実現することができる。 最後に、デコーダに軸方向のアテンション機構を組み、デコーダの段階でグローバルな情報を取得し、局所的な知識の喪失を防止する。 修正したnn-UNetは,3D U-NetやMNetなどの従来の手法と比較して,KiPA2022データセットの最先端性能を実現している。

関連論文リスト

• Accurate Fine-Grained Segmentation of Human Anatomy in Radiographs via Volumetric Pseudo-Labeling [66.75096111651062]
  我々は,10,021個の胸部CTと157個のラベルの大規模データセットを作成した。 解剖学的擬似ラベル抽出のために3次元解剖分類モデルのアンサンブルを適用した。 得られたセグメンテーションモデルはCXRで顕著な性能を示した。
  論文  参考訳（メタデータ） (2023-06-06T18:01:08Z)
• Boundary-Aware Network for Kidney Parsing [18.75582522299797]
  血管造影(CTA)スキャンで腎臓を分節する境界認識ネットワーク(BA-Net)を提案する。 モデルは共有エンコーダ、境界デコーダ、セグメンテーションデコーダを含む。 その結果,BA-Netの有効性が示された。
  論文  参考訳（メタデータ） (2022-08-29T02:19:30Z)
• 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)
• CNN-based fully automatic wrist cartilage volume quantification in MR Image [55.41644538483948]
  追加の注意層を持つU-net畳み込みニューラルネットワークは、最高の手首軟骨分割性能を提供する。 非MRI法を用いて軟骨体積測定の誤差を独立に評価すべきである。
  論文  参考訳（メタデータ） (2022-06-22T14:19:06Z)
• Weakly-supervised Biomechanically-constrained CT/MRI Registration of the Spine [72.85011943179894]
  本稿では,各脊椎の剛性と容積を保存し,登録精度を最大化しながら,弱教師付き深層学習フレームワークを提案する。 また,CTにおける椎体自動分節化はMRIと対比してより正確な結果をもたらすため,CTラベルマップのみに依存するよう,これらの損失を特に設計する。 以上の結果から, 解剖学的認識による損失の増大は, 精度を維持しつつも, 推測変換の妥当性を高めることが示唆された。
  論文  参考訳（メタデータ） (2022-05-16T10:59:55Z)
• 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)
• CPNet: Cycle Prototype Network for Weakly-supervised 3D Renal Compartments Segmentation on CT Images [14.756502627336305]
  腹部CTA画像から腎部分の3次元構造を抽出することを目的としたCT画像の腎部分分割 本稿では、3次元腎コンパートメントセグメンテーションのための弱教師付き学習フレームワークであるCycle Prototype Networkを提案する。 我々のモデルは4つのラベル付き画像で79.1%と78.7%を達成し、典型的なプロトタイプPANetよりも約20%向上した。
  論文  参考訳（メタデータ） (2021-08-15T06:54:38Z)
• 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)
• Rethinking the Extraction and Interaction of Multi-Scale Features for Vessel Segmentation [53.187152856583396]
  網膜血管と主要動脈を2次元基底画像と3次元CTアンギオグラフィー(CTA)スキャンで分割する,PC-Netと呼ばれる新しいディープラーニングモデルを提案する。 PC-Netでは、ピラミッド圧縮励起(PSE)モジュールが各畳み込みブロックに空間情報を導入し、より効果的なマルチスケール特徴を抽出する能力を高めている。
  論文  参考訳（メタデータ） (2020-10-09T08:22:54Z)
• Kidney segmentation using 3D U-Net localized with Expectation Maximization [0.0]
  畳み込みニューラルネットワークは、大きなバイオメディカルな3D画像から臓器を分割するために使われてきた。 本稿では,3次元MRIのセグメンテーションにおける課題に対処する新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2020-03-20T02:38:32Z)

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。