論文の概要: Automatic Tumor Segmentation via False Positive Reduction Network for
Whole-Body Multi-Modal PET/CT Images
- arxiv url: http://arxiv.org/abs/2209.07705v1
- Date: Fri, 16 Sep 2022 04:01:14 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-19 12:25:13.946711
- Title: Automatic Tumor Segmentation via False Positive Reduction Network for
Whole-Body Multi-Modal PET/CT Images
- Title（参考訳）: 全身マルチモーダルpet/ct画像に対するfalse positive reduction networkによる腫瘍自動分割
- Authors: Yige Peng, Jinman Kim, Dagan Feng, Lei Bi
- Abstract要約: PET/CT画像評価では,腫瘍の自動切除が重要なステップである。
既存の方法は腫瘍領域を過剰に分離し、正常な高臓器、炎症、その他の感染症などの領域を含む傾向がある。
この制限を克服するために、偽陽性削減ネットワークを導入します。
- 参考スコア（独自算出の注目度）: 12.885308856495353
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Multi-modality Fluorodeoxyglucose (FDG) positron emission tomography /
computed tomography (PET/CT) has been routinely used in the assessment of
common cancers, such as lung cancer, lymphoma, and melanoma. This is mainly
attributed to the fact that PET/CT combines the high sensitivity for tumor
detection of PET and anatomical information from CT. In PET/CT image
assessment, automatic tumor segmentation is an important step, and in recent
years, deep learning based methods have become the state-of-the-art.
Unfortunately, existing methods tend to over-segment the tumor regions and
include regions such as the normal high uptake organs, inflammation, and other
infections. In this study, we introduce a false positive reduction network to
overcome this limitation. We firstly introduced a self-supervised pre-trained
global segmentation module to coarsely delineate the candidate tumor regions
using a self-supervised pre-trained encoder. The candidate tumor regions were
then refined by removing false positives via a local refinement module. Our
experiments with the MICCAI 2022 Automated Lesion Segmentation in Whole-Body
FDG-PET/CT (AutoPET) challenge dataset showed that our method achieved a dice
score of 0.9324 with the preliminary testing data and was ranked 1st place in
dice on the leaderboard. Our method was also ranked in the top 7 methods on the
final testing data, the final ranking will be announced during the 2022 MICCAI
AutoPET workshop. Our code is available at:
https://github.com/YigePeng/AutoPET_False_Positive_Reduction.
- Abstract（参考訳）: 多モードフルオロデオキシグルコース(FDG)ポジトロン断層撮影/PET/CTは、肺癌、リンパ腫、メラノーマなどの一般的ながんの評価に日常的に用いられている。
これはPET/CTがPETの腫瘍検出に高感度とCTの解剖学的情報を組み合わせたことに起因する。
PET/CT画像評価では, 自動腫瘍分割が重要なステップであり, 近年, 深層学習に基づく手法が最先端技術となっている。
残念なことに、既存の方法では腫瘍領域を過小評価し、正常な高取り込み臓器、炎症、その他の感染症を含む傾向がある。
本研究では,この制限を克服するための偽陽性低減ネットワークを提案する。
まず, 自己教師付き事前訓練エンコーダを用いて, 対象腫瘍領域を大まかに記述するグローバルセグメンテーションモジュールを導入した。
候補腫瘍領域は局所精細化モジュールを介して偽陽性を除去して精製した。
MICCAI 2022において,全体FDG-PET/CT(AutoPET)課題データセットを用いた実験により,予備試験データによるダイススコア0.9324を達成し,リーダーボード上で1位となった。
また,最終試験データで上位7位にランクインし,2022年のMICCAI AutoPETワークショップで最終ランキングを公表する。
私たちのコードは、https://github.com/YigePeng/AutoPET_False_Positive_Reductionで利用可能です。
関連論文リスト
- Lung-CADex: Fully automatic Zero-Shot Detection and Classification of Lung Nodules in Thoracic CT Images [45.29301790646322]
コンピュータ支援診断は早期の肺結節の検出に役立ち、その後の結節の特徴づけを促進する。
MedSAMと呼ばれるSegment Anything Modelの変種を用いて肺結節をゼロショットでセグメント化するためのCADeを提案する。
また、放射能特徴のギャラリーを作成し、コントラスト学習を通じて画像と画像のペアを整列させることにより、良性/良性としての結節的特徴付けを行うCADxを提案する。
論文 参考訳（メタデータ） (2024-07-02T19:30:25Z) - Revolutionizing Disease Diagnosis with simultaneous functional PET/MR and Deeply Integrated Brain Metabolic, Hemodynamic, and Perfusion Networks [40.986069119392944]
マルチモーダルなMiXture-of-expertsアライメント再構成とモデルであるMX-ARMを提案する。
モダリティは分離可能で交換可能であり、異なる多層パーセプトロン(「専門家の混合」)を学習可能な重みを通して動的に割り当て、異なるモダリティからそれぞれの表現を学ぶ。
論文 参考訳（メタデータ） (2024-03-29T08:47:49Z) - Contrastive Diffusion Model with Auxiliary Guidance for Coarse-to-Fine
PET Reconstruction [62.29541106695824]
本稿では, 粗い予測モジュール (CPM) と反復的修正モジュール (IRM) から構成される粗大なPET再構成フレームワークを提案する。
計算オーバーヘッドの大部分をCPMに委譲することで,本手法のサンプリング速度を大幅に向上させることができる。
2つの追加戦略、すなわち補助的な誘導戦略と対照的な拡散戦略が提案され、再構築プロセスに統合される。
論文 参考訳（メタデータ） (2023-08-20T04:10:36Z) - CancerUniT: Towards a Single Unified Model for Effective Detection,
Segmentation, and Diagnosis of Eight Major Cancers Using a Large Collection
of CT Scans [45.83431075462771]
ヒトの読者や放射線医は、臨床実践において、全身多臓器多臓器の検出と診断を日常的に行う。
ほとんどの医療用AIシステムは、いくつかの疾患のリストの狭い単一の臓器に焦点を当てて構築されている。
CancerUniT は、マルチ腫瘍予測の出力を持つクエリベースの Mask Transformer モデルである。
論文 参考訳（メタデータ） (2023-01-28T20:09:34Z) - Exploring Vanilla U-Net for Lesion Segmentation from Whole-body
FDG-PET/CT Scans [16.93163630413171]
FDG-PETスキャンは代謝情報のみを提供するため、不規則なグルコース消費を伴う健康な組織や良性疾患はがんと誤認される可能性がある。
本稿では,ネットワークアーキテクチャ,データ前処理,データ拡張という3つの側面から,全身FDG-PET/CTスキャンにおける病変分割のためのU-Netの可能性について検討する。
本手法は, AutoPET 2022 チャレンジの予備的, 最終的リーダボードにおいて第1位となる。
論文 参考訳（メタデータ） (2022-10-14T03:37:18Z) - PriorNet: lesion segmentation in PET-CT including prior tumor appearance
information [0.0]
PET-CT画像における腫瘍病変のセグメンテーション性能を改善するための2段階のアプローチを提案する。
第1ステップは、先行腫瘍情報とみなすPET-CTボリュームから先行腫瘍出現マップを生成する。
標準のU-Netからなる第2ステップは、前回の腫瘍出現マップとPET-CT画像を受け取り、病変マスクを生成する。
論文 参考訳（メタデータ） (2022-10-05T12:31:42Z) - AutoPET Challenge 2022: Automatic Segmentation of Whole-body Tumor
Lesion Based on Deep Learning and FDG PET/CT [0.0]
そこで本研究では,腫瘍の領域分割が可能な深層学習モデルを構築するための新たなトレーニング戦略を提案する。
本手法はAutoPET 2022 Challengeのトレーニングセットで検証される。
論文 参考訳（メタデータ） (2022-08-31T09:14:44Z) - Lung-Originated Tumor Segmentation from Computed Tomography Scan (LOTUS)
Benchmark [48.30502612686276]
肺癌は最も致命的ながんの1つであり、その効果的な診断と治療は腫瘍の正確な悪性度に依存している。
現在最も一般的なアプローチであるHuman-centered segmentationは、サーバ間変動の対象となる。
2018年のVIPカップは、42か国から競争データにアクセスするための世界的な参加から始まった。
簡単に言えば、競争中に提案されたアルゴリズムはすべて、偽陽性還元手法と組み合わせたディープラーニングモデルに基づいている。
論文 参考訳（メタデータ） (2022-01-03T03:06:38Z) - Multi-Scale Input Strategies for Medulloblastoma Tumor Classification
using Deep Transfer Learning [59.30734371401316]
乳腺芽腫は小児で最も多い悪性脳腫瘍である。
CNNはMBサブタイプ分類に有望な結果を示した。
タイルサイズと入力戦略の影響について検討した。
論文 参考訳（メタデータ） (2021-09-14T09:42:37Z) - Deep PET/CT fusion with Dempster-Shafer theory for lymphoma segmentation [17.623576885481747]
PET/CTボリュームからのリンパ腫の検出とセグメンテーションは外科的適応と放射線治療に不可欠である。
PET/CT融合層を有するUNetを用いた悪性リンパ腫のセグメンテーションモデルを提案する。
Diceスコア0.726で正確なセグメンテーション結果を得る。
論文 参考訳（メタデータ） (2021-08-11T19:24:40Z) - Multimodal Spatial Attention Module for Targeting Multimodal PET-CT Lung
Tumor Segmentation [11.622615048002567]
マルチモーダル空間アテンションモジュール(MSAM)は腫瘍に関連する領域を強調することを学ぶ。
MSAMは一般的なバックボーンアーキテクチャやトレーニングされたエンドツーエンドに適用できる。
論文 参考訳（メタデータ） (2020-07-29T10:27:22Z)
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。