論文の概要: Application of the nnU-Net for automatic segmentation of lung lesion on CT images, and implication on radiomic models

• arxiv url: http://arxiv.org/abs/2209.12027v1
• Date: Sat, 24 Sep 2022 15:04:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2022-09-27 17:25:57.563034
• Title: Application of the nnU-Net for automatic segmentation of lung lesion on CT images, and implication on radiomic models
• Title（参考訳）: CT画像におけるnU-Netの肺病変自動区分けへの応用と放射線モデルへの影響
• Abstract要約: 非小細胞肺癌患者のCT画像にディープラーニング自動分画法を適用した。 生存放射線モデルの性能評価において,手動と自動セグメンテーションの併用も検討した。
• 参考スコア（独自算出の注目度）: 1.8231394717039833
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Lesion segmentation is a crucial step of the radiomic workflow. Manual segmentation requires long execution time and is prone to variability, impairing the realisation of radiomic studies and their robustness. In this study, a deep-learning automatic segmentation method was applied on computed tomography images of non-small-cell lung cancer patients. The use of manual vs automatic segmentation in the performance of survival radiomic models was assessed, as well. METHODS A total of 899 NSCLC patients were included (2 proprietary: A and B, 1 public datasets: C). Automatic segmentation of lung lesions was performed by training a previously developed architecture, the nnU-Net, including 2D, 3D and cascade approaches. The quality of automatic segmentation was evaluated with DICE coefficient, considering manual contours as reference. The impact of automatic segmentation on the performance of a radiomic model for patient survival was explored by extracting radiomic hand-crafted and deep-learning features from manual and automatic contours of dataset A, and feeding different machine learning algorithms to classify survival above/below median. Models' accuracies were assessed and compared. RESULTS The best agreement between automatic and manual contours with DICE=0.78 +(0.12) was achieved by averaging predictions from 2D and 3D models, and applying a post-processing technique to extract the maximum connected component. No statistical differences were observed in the performances of survival models when using manual or automatic contours, hand-crafted, or deep features. The best classifier showed an accuracy between 0.65 and 0.78. CONCLUSION The promising role of nnU-Net for automatic segmentation of lung lesions was confirmed, dramatically reducing the time-consuming physicians' workload without impairing the accuracy of survival predictive models based on radiomics.
• Abstract（参考訳）: 病変セグメンテーションは放射線のワークフローの重要なステップである。 手動セグメンテーションには長い実行時間が必要であり、変動しやすいため、放射線研究の実現と堅牢性が損なわれる。 本研究では,非小細胞肺癌患者のct画像にディープラーニング自動分割法を適用した。 生存放射線モデルの性能評価において,手動と自動セグメンテーションの併用も検討した。 方法】計899名のNSCLC患者(A,B,1名の公開データセット:C)を対象とした。 肺病変の自動切除は, 2D, 3D, カスケードアプローチを含む先進的なアーキテクチャであるnnU-Netをトレーニングすることによって行われた。 自動セグメンテーションの品質は手動の輪郭を基準としてDICE係数を用いて評価した。 患者生存のための放射能モデルの性能に対する自動分割の影響を,データセットaの手動および自動輪郭から放射能手作りおよびディープラーニングの特徴を抽出し,各機械学習アルゴリズムを用いて生存率を中央値以上/下位に分類した。 モデルの精度を評価し比較した。 RESULTS DICE=0.78 +(0.12)による自動輪郭と手動輪郭の最良の一致は、2Dおよび3Dモデルの予測を平均化し、最大連結成分を抽出するために後処理技術を適用することで達成された。 手動または自動輪郭、手作り、または深部特徴を用いた場合、生存モデルの性能には統計的に差は見られなかった。 最適分類器は0.65から0.78の精度を示した。 肺病変の自動分画におけるnnU-Netの役割は,放射線治療による生存予測モデルの精度を損なうことなく,医師の作業量を劇的に削減することが確認された。

関連論文リスト

• Cough activity detection for automatic tuberculosis screening [4.3095698855138815]
  本稿では,現在の2つの事前学習型アーキテクチャのコークス活動検出への応用を提案する。 結核に症状のある患者からのうっ血を含む記録のデータセットを用いる。 XLS−Rを用いて自動開始点と終了点が決定されると、テストセットに対して平均精度0.96、受信動作特性0.99の領域が達成される。
  論文  参考訳（メタデータ） (2026-03-11T19:09:26Z)
• Cross-Representation Benchmarking in Time-Series Electronic Health Records for Clinical Outcome Prediction [44.23284500920266]
  このベンチマークは、2つの異なる臨床環境におけるデータキュレーションと評価を標準化する。 実験によると、イベントストリームモデルは、常に最強のパフォーマンスを提供する。 特徴選択戦略は臨床環境に適応する必要がある。
  論文  参考訳（メタデータ） (2025-10-10T09:03:47Z)
• Machine Learning-Based Automated Assessment of Intracorporeal Suturing in Laparoscopic Fundoplication [0.0]
  我々は,Segment Anything Model(SAM)を用いたAIベースのツールトラッキングを開発し,アノテータの必要性を解消した。 ブタ腸におけるNissen骨形成の録画ビデオに自動ツールトラッキングモデルを適用した。 評価は教師なしモデルと教師なしモデルを用いて行った。
  論文  参考訳（メタデータ） (2024-12-16T17:44:44Z)
• Interactive 3D Segmentation for Primary Gross Tumor Volume in Oropharyngeal Cancer [1.9997842016096374]
  我々は最先端のアルゴリズムを実装し、新しい2段階のインタラクティブ・クリック・リファインメント・フレームワークを提案する。 2S-ICRフレームワークは、ユーザインタラクションのないDiceの類似係数0.713$pm$0.152と、5つのインタラクション後の0.824$pm$0.099を達成し、どちらの場合も既存の手法よりも優れている。
  論文  参考訳（メタデータ） (2024-09-10T15:58:21Z)
• Machine Learning for ALSFRS-R Score Prediction: Making Sense of the Sensor Data [44.99833362998488]
  筋萎縮性側索硬化症(Amyotrophic Lateral Sclerosis、ALS)は、急速に進行する神経変性疾患である。 iDPP@CLEF 2024チャレンジを先導した今回の調査は,アプリから得られるセンサデータを活用することに焦点を当てている。
  論文  参考訳（メタデータ） (2024-07-10T19:17:23Z)
• Quality assurance of organs-at-risk delineation in radiotherapy [7.698565355235687]
  放射線治療計画において,腫瘍標的と臓器の脱線は重要である。 自動セグメンテーションの品質保証は、まだ臨床実践において必要ではない。 提案手法は,一級分類フレームワークにおける残差ネットワークとアテンション機構を導入し,様々な種類のOAR輪郭誤差を高精度に検出することができた。
  論文  参考訳（メタデータ） (2024-05-20T02:32:46Z)
• Improving Diffusion Models for ECG Imputation with an Augmented Template Prior [43.6099225257178]
  ノイズと品質の悪い録音は、モバイルヘルスシステムを使って収集された信号にとって大きな問題である。 近年の研究では、確率的時系列モデルによるECGの欠落値の計算が検討されている。 本稿では,様々な健康状態の事前情報として,テンプレート誘導型拡散確率モデル(DDPM)PulseDiffを提案する。
  論文  参考訳（メタデータ） (2023-10-24T11:34:15Z)
• Self-Supervised Pretraining Improves Performance and Inference Efficiency in Multiple Lung Ultrasound Interpretation Tasks [65.23740556896654]
  肺超音波検査における複数分類課題に適用可能なニューラルネットワーク特徴抽出器を,自己指導型プレトレーニングで作成できるかどうかを検討した。 3つの肺超音波のタスクを微調整すると、事前訓練されたモデルにより、各テストセットの受信操作曲線(AUC)における平均クロスタスク面積は、それぞれ0.032と0.061に改善された。
  論文  参考訳（メタデータ） (2023-09-05T21:36:42Z)
• A quality assurance framework for real-time monitoring of deep learning segmentation models in radiotherapy [3.5752677591512487]
  この研究は、品質保証フレームワークを確立するために、心臓のサブ構造セグメンテーションを例として用いている。 心電図(CT)画像と241例の心電図を用いたベンチマークデータセットを収集した。 訓練されたDenoising Autoencoder(DAE)と2つの手動特徴を利用して画像領域シフト検出器を開発した。 Dice similarity coefficient (DSC) を用いて患者ごとのセグメンテーション精度を予測するための回帰モデルを構築した。
  論文  参考訳（メタデータ） (2023-05-19T14:51:05Z)
• AI in the Loop -- Functionalizing Fold Performance Disagreement to Monitor Automated Medical Image Segmentation Pipelines [0.0]
  臨床的実践に機械学習を安全に実装するためには、パフォーマンス予測が不十分なことを自動でフラグする手法が不可欠である。 本稿では、異なるデータセットの折りたたみ部で訓練されたサブモデルを用いて、容易に適用可能な手法を提案する。
  論文  参考訳（メタデータ） (2023-05-15T21:35:23Z)
• Prompt Tuning for Parameter-efficient Medical Image Segmentation [79.09285179181225]
  2つの医用画像データセットのセマンティックセグメンテーションにパラメータ効率が良いが効果的な適応を実現するために,いくつかのコントリビューションを提案し,検討する。 我々はこのアーキテクチャを、オンライン生成プロトタイプへの割り当てに基づく専用密集型セルフスーパービジョンスキームで事前訓練する。 得られたニューラルネットワークモデルにより、完全に微調整されたモデルとパラメータに適応したモデルとのギャップを緩和できることを実証する。
  論文  参考訳（メタデータ） (2022-11-16T21:55:05Z)
• Improving Classification Model Performance on Chest X-Rays through Lung Segmentation [63.45024974079371]
  本稿では, セグメンテーションによる異常胸部X線(CXR)識別性能を向上させるための深層学習手法を提案する。 提案手法は,CXR画像中の肺領域を局所化するための深層ニューラルネットワーク(XLSor)と,大規模CXRデータセットで事前学習した自己教師あり運動量コントラスト(MoCo)モデルのバックボーンを用いたCXR分類モデルである。
  論文  参考訳（メタデータ） (2022-02-22T15:24:06Z)
• Multiple Time Series Fusion Based on LSTM An Application to CAP A Phase Classification Using EEG [56.155331323304]
  本研究では,深層学習に基づく脳波チャンネルの特徴レベル融合を行う。 チャネル選択,融合,分類手順を2つの最適化アルゴリズムで最適化した。
  論文  参考訳（メタデータ） (2021-12-18T14:17:49Z)
• A Deep Learning Approach to Predicting Collateral Flow in Stroke Patients Using Radiomic Features from Perfusion Images [58.17507437526425]
  側方循環は、血流を妥協した領域に酸素を供給する特殊な無酸素流路から生じる。 実際のグレーティングは主に、取得した画像の手動検査によって行われる。 MR灌流データから抽出した放射線学的特徴に基づいて,脳卒中患者の側方血流低下を予測するための深層学習手法を提案する。
  論文  参考訳（メタデータ） (2021-10-24T18:58:40Z)
• Weaving Attention U-net: A Novel Hybrid CNN and Attention-based Method for Organs-at-risk Segmentation in Head and Neck CT Images [11.403827695550111]
  我々は、畳み込みニューラルネットワーク(CNN)と自己認識機構を組み合わせた、新しいハイブリッドディープラーニングアプローチを開発した。 提案手法は10臓器対リスク(OAR)の基底真理によく似た輪郭を生成する。 新しいウィービング注意U-netは頭頸部CT画像のセグメンテーションに優れているか類似した性能を示した。
  論文  参考訳（メタデータ） (2021-07-10T14:27:46Z)
• Layer Pruning on Demand with Intermediate CTC [50.509073206630994]
  我々はコネクショニスト時間分類(CTC)に基づくASRの訓練と刈り取り方法を提案する。 本稿では,Transformer-CTCモデルをオンデマンドで様々な深さでプルーニングできることを示し,GPU上でのリアルタイム係数を0.005から0.002に改善した。
  論文  参考訳（メタデータ） (2021-06-17T02:40:18Z)

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。