論文の概要: Automated head and neck tumor segmentation from 3D PET/CT

• arxiv url: http://arxiv.org/abs/2209.10809v1
• Date: Thu, 22 Sep 2022 06:24:09 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-23 14:18:50.752847
• Title: Automated head and neck tumor segmentation from 3D PET/CT
• Title（参考訳）: 3D PET/CTによる頭頸部腫瘍郭清
• Authors: Andriy Myronenko, Md Mahfuzur Rahman Siddiquee, Dong Yang, Yufan He, Daguang Xu
• Abstract要約: HECKTOR (Head and neck tumor segmentation Challenge) 2022は、3D CTおよびPET画像から腫瘍とリンパ節のセグメンテーションの解決策を比較するためのプラットフォームを提供する。 すべての画像を共通の解像度に再サンプリングし、頭と首の領域をトリミングし、MONAIからSegResNetセマンティックセマンティックセグメンテーションネットワークをトレーニングします。 HECKTOR22チャレンジリーダーボードの総合スコアは0.78802である。
• 参考スコア（独自算出の注目度）: 9.814838162752112
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Head and neck tumor segmentation challenge (HECKTOR) 2022 offers a platform for researchers to compare their solutions to segmentation of tumors and lymph nodes from 3D CT and PET images. In this work, we describe our solution to HECKTOR 2022 segmentation task. We re-sample all images to a common resolution, crop around head and neck region, and train SegResNet semantic segmentation network from MONAI. We use 5-fold cross validation to select best model checkpoints. The final submission is an ensemble of 15 models from 3 runs. Our solution (team name NVAUTO) achieves the 1st place on the HECKTOR22 challenge leaderboard with an aggregated dice score of 0.78802.
• Abstract（参考訳）: 頭頸部腫瘍セグメンテーションチャレンジ(HECKTOR)2022は、3D CTとPET画像から腫瘍とリンパ節のセグメンテーションのソリューションを比較するためのプラットフォームを提供する。 本稿では,HECKTOR 2022セグメンテーションタスクに対する解法について述べる。 すべての画像を共通の解像度に再サンプリングし、頭と首の領域をトリミングし、MONAIからSegResNetセマンティックセグメンテーションネットワークをトレーニングします。 5倍のクロスバリデーションを使用して、最適なモデルチェックポイントを選択します。 最後の応募は3ランから15モデルのアンサンブルである。 我々のソリューション(チーム名NVAUTO)は、総合ダイススコア0.78802のHECKTOR22チャレンジリーダーボードで1位を獲得しました。

関連論文リスト

• AutoPET Challenge III: Testing the Robustness of Generalized Dice Focal Loss trained 3D Residual UNet for FDG and PSMA Lesion Segmentation from Whole-Body PET/CT Images [0.0]
  本研究では,3次元残差UNetモデルを用いて,汎用Dice Loss関数を用いてAutoPET Challenge 2024データセット上でモデルをトレーニングする。 Task-1の予備試験段階では、平均アンサンブルは平均Dice similarity Coefficient(DSC)が0.6687、平均偽陰体積(FNV)が10.9522ml、平均偽正体積(FPV)が2.9684mlに達した。
  論文  参考訳（メタデータ） (2024-09-16T10:27:30Z)
• RadGenome-Chest CT: A Grounded Vision-Language Dataset for Chest CT Analysis [56.57177181778517]
  RadGenome-Chest CTはCT-RATEに基づく大規模3次元胸部CT解釈データセットである。 私たちは、最新の強力なユニバーサルセグメンテーションと大きな言語モデルを活用して、元のデータセットを拡張します。
  論文  参考訳（メタデータ） (2024-04-25T17:11:37Z)
• Automated 3D Segmentation of Kidneys and Tumors in MICCAI KiTS 2023 Challenge [11.820386742605539]
  我々は2023年のKidney and Kidney tumor Challenge(KiTS)に応募した。 我々の解は0.835のディスと0.723のサーフェスを達成し、KiTS 2023チャレンジで優勝した。
  論文  参考訳（メタデータ） (2023-10-06T09:20:22Z)
• 3rd Place Solution for PVUW2023 VSS Track: A Large Model for Semantic Segmentation on VSPW [68.56017675820897]
  本稿では,PVUW2023 VSSトラックの3位解について紹介する。 ビデオセマンティックセグメンテーションの課題を解決するために,様々な画像レベルの視覚的バックボーンとセグメンテーションヘッドを探索した。
  論文  参考訳（メタデータ） (2023-06-04T07:50:38Z)
• 1st Place Solution of The Robust Vision Challenge (RVC) 2022 Semantic Segmentation Track [67.56316745239629]
  本報告では,ECCV 2022におけるロバストビジョンチャレンジのセマンティックセグメンテーション課題に対する勝利解について述べる。 本手法では,エンコーダとしてFAN-B-Hybridモデルを採用し,セグメンテーションフレームワークとしてSegformerを使用している。 提案手法は,マルチドメインセグメンテーションタスクの強力なベースラインとして機能し,今後の作業に役立てることができる。
  論文  参考訳（メタデータ） (2022-10-23T20:52:22Z)
• Automated segmentation of intracranial hemorrhages from 3D CT [9.814838162752114]
  頭蓋内出血セグメンテーションチャレンジ(INSTANCE 2022)は、研究者が3次元CTからの出血脳梗塞領域のセグメンテーションに対する解決策を比較するためのプラットフォームを提供する。 2DセグメンテーションネットワークであるMONAIのSegResNetを使い、再サンプリングせずにスライス的に動作します。
  論文  参考訳（メタデータ） (2022-09-21T20:37:32Z)
• Automated ischemic stroke lesion segmentation from 3D MRI [8.52488593202588]
  Ischemic Stroke Lesion Challenge (ISLES 2022)は、研究者がソリューションを3D MRIから虚血脳梗塞領域の3Dセグメンテーションと比較するためのプラットフォームを提供する。 我々は、すべての画像を共通の解像度に再サンプリングし、2つのMRIモード(DWIとADC)を使用し、MONAIからSegResNetセマンティックセマンティックセグメンテーションネットワークを訓練する。
  論文  参考訳（メタデータ） (2022-09-20T08:21:57Z)
• WSSS4LUAD: Grand Challenge on Weakly-supervised Tissue Semantic Segmentation for Lung Adenocarcinoma [51.50991881342181]
  この課題には10,091個のパッチレベルのアノテーションと1300万以上のラベル付きピクセルが含まれる。 第一位チームは0.8413mIoUを達成した(腫瘍:0.8389、ストーマ:0.7931、正常:0.8919)。
  論文  参考訳（メタデータ） (2022-04-13T15:27:05Z)
• Optimized U-Net for Brain Tumor Segmentation [62.997667081978825]
  そこで我々はBraTS21 Challengeにおいて,脳腫瘍分割タスクのための最適化されたU-Netアーキテクチャを提案する。 我々の解は挑戦検証フェーズの勝者であり、正規化統計スコアは0.267、平均Diceスコアは0.8855であった。
  論文  参考訳（メタデータ） (2021-10-07T11:44:09Z)
• H2NF-Net for Brain Tumor Segmentation using Multimodal MR Imaging: 2nd Place Solution to BraTS Challenge 2020 Segmentation Task [96.49879910148854]
  当社のH2NF-Netは、単一およびカスケードのHNF-Netを使用して、異なる脳腫瘍サブリージョンを分割します。 我々は、マルチモーダル脳腫瘍チャレンジ(BraTS)2020データセットでモデルをトレーニングし、評価した。 提案手法は,80名近い参加者のうち,brats 2020チャレンジセグメンテーションタスクで2位となった。
  論文  参考訳（メタデータ） (2020-12-30T20:44:55Z)
• Combining CNN and Hybrid Active Contours for Head and Neck Tumor Segmentation in CT and PET images [16.76087435628378]
  本稿では,畳み込みニューラルネットワーク(cnns)とハイブリッド・アクティブ輪郭を併用した頭頸部腫瘍の自動分割法を提案する。 MCCAI 2020 HECKTORでは,平均Dice similarity Coefficient, precision, recallが0.752, 0.838, 0.717で2位となった。
  論文  参考訳（メタデータ） (2020-12-28T12:12:14Z)

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。