論文の概要: Deep Learning for automatic head and neck lymph node level delineation
- arxiv url: http://arxiv.org/abs/2208.13224v1
- Date: Sun, 28 Aug 2022 13:58:54 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-30 14:34:16.156297
- Title: Deep Learning for automatic head and neck lymph node level delineation
- Title（参考訳）: 頭部・頸部リンパ節の自動郭清のための深層学習
- Authors: Thomas Weissmann, Yixing Huang, Stefan Fischer, Johannes Roesch, Sina
Mansoorian, Horacio Ayala Gaona, Antoniu-Oreste Gostian, Markus Hecht,
Sebastian Lettmaier, Lisa Deloch, Benjamin Frey, Udo S. Gaipl, Luitpold V.
Distel, Andreas Maier, Heinrich Iro, Sabine Semrau, Christoph Bert, Rainer
Fietkau and Florian Putz
- Abstract要約: 深層学習に基づく頭頸部リンパ節レベル(HN_LNL)は放射線治療研究と臨床治療計画との関連性が高い。
スライス平面調整のないディープラーニングセグメンテーションは、専門家が作成した輪郭よりも格段に劣った。
- 参考スコア（独自算出の注目度）: 6.1432876785905535
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Background: Deep learning-based head and neck lymph node level (HN_LNL)
autodelineation is of high relevance to radiotherapy research and clinical
treatment planning but still understudied in academic literature.
Methods: An expert-delineated cohort of 35 planning CTs was used for training
of an nnU-net 3D-fullres/2D-ensemble model for autosegmentation of 20 different
HN_LNL. Validation was performed in an independent test set (n=20). In a
completely blinded evaluation, 3 clinical experts rated the quality of deep
learning autosegmentations in a head-to-head comparison with expert-created
contours. For a subgroup of 10 cases, intraobserver variability was compared to
deep learning autosegmentation performance. The effect of autocontour
consistency with CT slice plane orientation on geometric accuracy and expert
rating was investigated.
Results: Mean blinded expert rating per level was significantly better for
deep learning segmentations with CT slice plane adjustment than for
expert-created contours (81.0 vs. 79.6, p<0.001), but deep learning
segmentations without slice plane adjustment were rated significantly worse
than expert-created contours (77.2 vs. 79.6, p<0.001). Geometric accuracy of
deep learning segmentations was non-different from intraobserver variability
(mean Dice per level, 0.78 vs. 0.77, p=0.064) with variance in accuracy between
levels being improved (p<0.001). Clinical significance of contour consistency
with CT slice plane orientation was not represented by geometric accuracy
metrics (Dice, 0.78 vs. 0.78, p=0.572)
Conclusions: We show that a nnU-net 3D-fullres/2D-ensemble model can be used
for highly accurate autodelineation of HN_LNL using only a limited training
dataset that is ideally suited for large-scale standardized autodelineation of
HN_LNL in the research setting. Geometric accuracy metrics are only an
imperfect surrogate for blinded expert rating.
- Abstract（参考訳）: 背景: 深層学習に基づく頭頸部リンパ節レベル(HN_LNL)は放射線治療研究と臨床治療計画との関連性が高いが, 学術文献ではまだ検討されている。
方法: nnu-net 3d-fullres/2d-ensembleモデルの20種類のhn_lnlの自動セグメンテーション訓練に35個の計画用ctsを用いた。
検証は独立したテストセット(n=20)で行った。
完全盲検評価では, 3名の臨床専門家が, 深層学習の自己隔離の質を, 専門家が作成した輪郭と比較した。
10例のサブグループにおいて,observer内変動とdeep learning autosegmentationのパフォーマンスを比較した。
CTスライス面配向による自動輪郭整合が幾何精度および専門家評価に及ぼす影響について検討した。
結果:CTスライス平面調整による深層学習のセグメンテーションは, 専門家が作成したコントラル (81.0 vs. 79.6, p<0.001) よりも有意に優れていたが, スライス平面調整のない深部学習セグメンテーションは専門家が作成したコントラル (77.2 vs. 79.6, p<0.001) よりも有意に劣った。
深層学習セグメンテーションの幾何学的精度は,レベル間の精度のばらつき(p<0.001)とオブザーバー内変動(0.78 vs. 0.77, p=0.064)とは無関係であった。
結論: nnU-net 3D-fullres/2D-ensemble model を用いて HN_LNL の高精度オートデライン化を, HN_LNL の大規模標準オートデライン化に理想的に適合する限られたトレーニングデータセットのみを用いて行うことができることを示す。
幾何学的精度の指標は、盲目のエキスパートレーティングにとって不完全な代理である。
関連論文リスト
- An edge detection-based deep learning approach for tear meniscus height measurement [20.311238180811404]
深層学習フレームワークにおけるエッジ検出支援アノテーションに基づく自動TMH計測手法を提案する。
瞳孔領域と裂孔領域のセグメンテーションを改善するために、畳み込みニューラルネットワークInceptionv3が最初に実装された。
このアルゴリズムは、その品質に基づいて画像を自動的にスクリーニングし、瞳孔と涙孔領域を分離し、TMHを自動的に測定する。
論文 参考訳（メタデータ） (2024-03-23T14:16:26Z) - Towards Unifying Anatomy Segmentation: Automated Generation of a
Full-body CT Dataset via Knowledge Aggregation and Anatomical Guidelines [113.08940153125616]
我々は533巻のボクセルレベルのラベルを142ドル(約1万2000円)で、全身CTスキャンのデータセットを作成し、解剖学的包括的カバレッジを提供する。
提案手法はラベル集約段階において手作業によるアノテーションに依存しない。
我々はCTデータに142ドルの解剖学的構造を予測できる統一解剖学的セグメンテーションモデルをリリースする。
論文 参考訳（メタデータ） (2023-07-25T09:48:13Z) - An open-source deep learning algorithm for efficient and fully-automatic
analysis of the choroid in optical coherence tomography [3.951995351344523]
我々は,光コヒーレンストモグラフィー(OCT)データにおける脈絡膜領域分割のための,オープンソースの完全自動ディープラーニングアルゴリズムであるDeepGPETを開発した。
論文 参考訳（メタデータ） (2023-07-03T10:01:36Z) - Non-inferiority of Deep Learning Acute Ischemic Stroke Segmentation on
Non-Contrast CT Compared to Expert Neuroradiologists [5.584243195984352]
経験豊富な3人の神経放射線学者は、各スキャンで虚血核を反映する低密度を個別に区分した。
NCCTからの専門家Aのセグメンテーションを予測するために,3次元CNNアーキテクチャを訓練し,最適化した。
CNNは、神経放射線学者に匹敵する精度の急性虚血性脳梗塞患者において、NCCTの低濃度虚血核を正確に記述する。
論文 参考訳（メタデータ） (2022-11-24T18:47:30Z) - Deep Learning-Based Automatic Diagnosis System for Developmental
Dysplasia of the Hip [5.673030999857323]
本研究では,14個のキーポイントを自動的に検出する深層学習システムを提案する。
3つの解剖学的角度(中央辺角、T"オンニス角、シャープ角)を測り、DDHヒップをクロー基準に基づいてグレードI-IVに分類する。
論文 参考訳（メタデータ） (2022-09-07T19:50:30Z) - TotalSegmentator: robust segmentation of 104 anatomical structures in CT
images [48.50994220135258]
身体CT画像の深層学習セグメント化モデルを提案する。
このモデルは、臓器の容積、疾患の特徴、外科的または放射線療法計画などのユースケースに関連する104の解剖学的構造を区分することができる。
論文 参考訳（メタデータ） (2022-08-11T15:16:40Z) - Hepatic vessel segmentation based on 3Dswin-transformer with inductive
biased multi-head self-attention [46.46365941681487]
Indu BIased Multi-Head Attention Vessel Net という,堅牢なエンドツーエンドのコンテナセグメンテーションネットワークを提案する。
正確な肝血管のボクセルを見つけるために,パッチワイド埋め込みよりもボクセルワイド埋め込みを導入する。
一方,絶対位置埋め込みから帰納的バイアス付き相対的位置埋め込みを学習する帰納的バイアス付きマルチヘッド自己アテンションを提案する。
論文 参考訳（メタデータ） (2021-11-05T10:17:08Z) - Multi-institutional Validation of Two-Streamed Deep Learning Method for
Automated Delineation of Esophageal Gross Tumor Volume using planning-CT and
FDG-PETCT [14.312659667401302]
食道悪性腫瘍容積(GTV)コントゥーリングの現況は,高作業コストとユーザ間の変動を手作業で記述することに依存している。
1施設で開発された深層学習(DL)多モード食道GTVコンチューリングモデルの臨床的応用性を検証する。
論文 参考訳（メタデータ） (2021-10-11T13:56:09Z) - Systematic Clinical Evaluation of A Deep Learning Method for Medical
Image Segmentation: Radiosurgery Application [48.89674088331313]
3次元医用画像分割作業において,Deep Learning (DL) 手法を体系的に評価した。
本手法は放射線外科治療プロセスに統合され,臨床ワークフローに直接影響を及ぼす。
論文 参考訳（メタデータ） (2021-08-21T16:15:40Z) - Automatic sleep stage classification with deep residual networks in a
mixed-cohort setting [63.52264764099532]
我々は,大規模コホートの一般化性を評価するために,新しいディープニューラルネットワークモデルを開発した。
総合的な分類精度はトレーニングデータの分数を増やして向上した。
論文 参考訳（メタデータ） (2020-08-21T10:48:35Z) - Machine-Learning-Based Multiple Abnormality Prediction with Large-Scale
Chest Computed Tomography Volumes [64.21642241351857]
19,993症例から36,316巻の胸部CTデータセットを収集,解析した。
自由テキストラジオグラフィーレポートから異常ラベルを自動的に抽出するルールベース手法を開発した。
胸部CTボリュームの多臓器・多臓器分類モデルも開発した。
論文 参考訳（メタデータ） (2020-02-12T00:59:23Z)
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。