論文の概要: PriorNet: lesion segmentation in PET-CT including prior tumor appearance
information
- arxiv url: http://arxiv.org/abs/2210.02203v1
- Date: Wed, 5 Oct 2022 12:31:42 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-06 14:44:47.302537
- Title: PriorNet: lesion segmentation in PET-CT including prior tumor appearance
information
- Title(参考訳): priornet:pet-ctにおける腫瘍出現情報を含む病変分画
- Authors: Simone Bendazzoli and Mehdi Astaraki
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Tumor segmentation in PET-CT images is challenging due to the dual nature of
the acquired information: low metabolic information in CT and low spatial
resolution in PET. U-Net architecture is the most common and widely recognized
approach when developing a fully automatic image segmentation method in the
medical field. We proposed a two-step approach, aiming to refine and improve
the segmentation performances of tumoral lesions in PET-CT. The first step
generates a prior tumor appearance map from the PET-CT volumes, regarded as
prior tumor information. The second step, consisting of a standard U-Net,
receives the prior tumor appearance map and PET-CT images to generate the
lesion mask. We evaluated the method on the 1014 cases available for the
AutoPET 2022 challenge, and the results showed an average Dice score of 0.701
on the positive cases.
- Abstract(参考訳): PET-CT画像における腫瘍のセグメンテーションは,CTにおける低代謝情報とPETにおける低空間分解能の2つの性質により困難である。
U-Netアーキテクチャは、医療現場で完全自動画像分割法を開発する際に最も一般的で広く認識されているアプローチである。
PET-CTにおける腫瘍病変のセグメンテーション性能を改善・改善するための2段階のアプローチを提案した。
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、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。
その結果, AutoPET 2022 チャレンジで利用可能な1014症例について, 平均Dice スコアが0.701 であった。
関連論文リスト
- End-to-end Triple-domain PET Enhancement: A Hybrid Denoising-and-reconstruction Framework for Reconstructing Standard-dose PET Images from Low-dose PET Sinograms [43.13562515963306]
低線量PETシングラムから標準線量PET画像の再構成を行うために,TripleTフレームワークを提案する。
提案したTriPLETは,最先端の手法と比較して,SPET画像と実データとの類似性と信号対雑音比が最も高い再構成を行うことができる。
論文 参考訳(メタデータ) (2024-12-04T14:47:27Z) - CT to PET Translation: A Large-scale Dataset and Domain-Knowledge-Guided Diffusion Approach [4.4202829112545015]
PET(Positron Emission Tomography)とCT(Computed Tomography)は、様々な疾患、特にがんの診断、ステージング、モニタリングに不可欠である。
その重要性にもかかわらず、PET/CTシステムの使用は、放射性物質の必要性、PETスキャナーの不足、PETイメージングに関連する高コストによって制限されている。
これらの課題に対して,CT画像からPET画像を生成するという課題に対処し,医療検査コストと患者の健康リスクの両面で低減することを目的とした。
論文 参考訳(メタデータ) (2024-10-29T10:48:52Z) - Analysis of the BraTS 2023 Intracranial Meningioma Segmentation Challenge [44.586530244472655]
我々はBraTS 2023の頭蓋内髄膜腫チャレンジの設計と結果について述べる。
BraTS髄膜腫チャレンジ(BraTS Meningioma Challenge)は、髄膜腫に焦点を当てた以前のBraTSグリオーマチャレンジとは異なる。
上層部は腫瘍,腫瘍コア,腫瘍全体の拡張のために0.976,0.976,0.964の病変中央値類似係数(DSC)を有していた。
論文 参考訳(メタデータ) (2024-05-16T03:23:57Z) - Two-Phase Multi-Dose-Level PET Image Reconstruction with Dose Level Awareness [43.45142393436787]
線量レベルの認識が可能な新しい二相多段PET再構成アルゴリズムを設計する。
事前学習フェーズは、きめ細かい識別特徴と効果的な意味表現の両方を探索するために考案された。
SPET予測フェーズは、事前学習した線量レベルを利用した粗い予測ネットワークを採用して予備結果を生成する。
論文 参考訳(メタデータ) (2024-04-02T01:57:08Z) - AutoPET Challenge 2023: Sliding Window-based Optimization of U-Net [30.142259166452693]
FDG-PETスキャンは、健康な組織において不規則なグルコース消費をがんと誤解する可能性がある。
AutoPETの課題は、1014 FDG-PET/CT研究のデータセットを提供することである。
論文 参考訳(メタデータ) (2023-09-21T14:34:17Z) - 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) - Whole-body tumor segmentation of 18F -FDG PET/CT using a cascaded and
ensembled convolutional neural networks [2.735686397209314]
本研究の目的は、18F-FDG PET/CT画像全体において癌疑い領域を自動的に分割するディープニューラルネットワークの性能を報告することである。
PET/CT画像を6mmの解像度で3D UNET CNNの重ね合わせで処理するケースドアプローチを開発した。
論文 参考訳(メタデータ) (2022-10-14T19:25:56Z) - 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) - Automatic Tumor Segmentation via False Positive Reduction Network for
Whole-Body Multi-Modal PET/CT Images [12.885308856495353]
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。
論文 参考訳(メタデータ) (2022-09-16T04:01:14Z) - Residual Attention U-Net for Automated Multi-Class Segmentation of
COVID-19 Chest CT Images [46.844349956057776]
新型コロナウイルス感染症(COVID-19)は世界中で急速に広がり、公衆衛生や経済に大きな影響を及ぼしている。
新型コロナウイルスによる肺感染症を効果的に定量化する研究はいまだにない。
複数の新型コロナウイルス感染症領域の自動セグメンテーションのための新しいディープラーニングアルゴリズムを提案する。
論文 参考訳(メタデータ) (2020-04-12T16:24:59Z) - Stan: Small tumor-aware network for breast ultrasound image segmentation [68.8204255655161]
本研究では,小腫瘍認識ネットワーク(Small tumor-Aware Network,STAN)と呼ばれる新しいディープラーニングアーキテクチャを提案する。
提案手法は, 乳腺腫瘍の分節化における最先端のアプローチよりも優れていた。
論文 参考訳(メタデータ) (2020-02-03T22:25:01Z)
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。