論文の概要: Quantifying U-Net Uncertainty in Multi-Parametric MRI-based Glioma
Segmentation by Spherical Image Projection
- arxiv url: http://arxiv.org/abs/2210.06512v1
- Date: Wed, 12 Oct 2022 18:11:49 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-14 17:56:17.277451
- Title: Quantifying U-Net Uncertainty in Multi-Parametric MRI-based Glioma
Segmentation by Spherical Image Projection
- Title（参考訳）: 球面画像投影によるマルチパラメトリックMRIによるグリオーマ分割におけるU-Net不確かさの定量化
- Authors: Zhenyu Yang, Kyle Lafata, Eugene Vaios, Zongsheng Hu, Trey Mullikin,
Fang-Fang Yin, Chunhao Wang
- Abstract要約: グリオーマセグメンテーションにおけるMP-MRIの球面投影に基づくU-Netセグメンテーション不確実性定量化法を開発した。
SPU-Net モデルは MP-MRI スキャンで 369 個のグリオーマに実装した。
正しいセグメンテーション予測に対する不確実性は低く、誤った結果に対する不確実性も高い。
- 参考スコア（独自算出の注目度）: 3.1435638364138105
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Purpose: To develop a U-Net segmentation uncertainty quantification method
based on spherical image projection of multi-parametric MRI (MP-MRI) in glioma
segmentation. Methods: The projection of planar MRI onto a spherical surface
retains global anatomical information. By incorporating such image
transformation in our proposed spherical projection-based U-Net (SPU-Net)
segmentation model design, multiple segmentation predictions can be obtained
for a single MRI. The final segmentation is the average of all predictions, and
the variation can be shown as an uncertainty map. An uncertainty score was
introduced to compare the uncertainty measurements' performance. The SPU-Net
model was implemented on 369 glioma patients with MP-MRI scans. Three SPU-Nets
were trained to segment enhancing tumor (ET), tumor core (TC), and whole tumor
(WT), respectively. The SPU-Net was compared with (1) classic U-Net with
test-time augmentation (TTA) and (2) linear scaling-based U-Net (LSU-Net) in
both segmentation accuracy (Dice coefficient) and uncertainty (uncertainty map
and uncertainty score). Results: The SPU-Net achieved low uncertainty for
correct segmentation predictions (e.g., tumor interior or healthy tissue
interior) and high uncertainty for incorrect results (e.g., tumor boundaries).
This model could allow the identification of missed tumor targets or
segmentation errors in U-Net. The SPU-Net achieved the highest uncertainty
scores for 3 targets (ET/TC/WT): 0.826/0.848/0.936, compared to
0.784/0.643/0.872 for the U-Net with TTA and 0.743/0.702/0.876 for the LSU-Net.
The SPU-Net also achieved statistically significantly higher Dice coefficients.
Conclusion: The SPU-Net offers a powerful tool to quantify glioma segmentation
uncertainty while improving segmentation accuracy. The proposed method can be
generalized to other medical image-related deep-learning applications for
uncertainty evaluation.
- Abstract（参考訳）: 目的: グリオーマセグメンテーションにおける多パラメータMRI(MP-MRI)の球面投影に基づくU-Netセグメンテーション不確実性定量化手法の開発。
方法: 球面への平面MRIの投影は, 大域的解剖学的情報を保持する。
提案した球面投影型U-Net(SPU-Net)セグメンテーションモデル設計にそのような画像変換を組み込むことで、1つのMRIに対して複数のセグメンテーション予測が得られる。
最後のセグメンテーションは全ての予測の平均であり、変動は不確実性マップとして示される。
不確実性測定のパフォーマンスを比較するために不確実性スコアを導入した。
SPU-NetモデルはMP-MRIで369例のグリオーマに実装された。
3種類のspu-netを用いて腫瘍(et),腫瘍コア(tc)および全腫瘍(wt)を分割した。
spu-netを,(1)試験時間拡張型u-netと(2)分割精度(dice係数)と不確実性(不確実度マップと不確実性スコア)の両方における線形スケーリング型u-net(lsu-net)と比較した。
結果: SPU-Netは, 正しいセグメンテーション予測(腫瘍内部や健全な組織内部など)に対する不確実性が低く, 不正な結果(腫瘍境界など)に対する不確実性が高かった。
このモデルにより、U-Netで見逃された腫瘍の標的やセグメンテーションエラーを識別できる。
SPU-Netは3つの目標(ET/TC/WT)に対して0.826/0.848/0.936を達成し、U-Netでは0.784/0.643/0.872、LSU-Netでは0.743/0.702/0.876を達成した。
SPU-Netは統計的にかなり高いDice係数を達成した。
結論: SPU-Netは、グリオーマのセグメンテーションの不確実性を定量化し、セグメンテーションの精度を向上する強力なツールを提供する。
提案手法は,不確実性評価のための他の医用画像関連深層学習アプリケーションに一般化することができる。
関連論文リスト
- Assessing the performance of deep learning-based models for prostate
cancer segmentation using uncertainty scores [1.0499611180329804]
目的は前立腺がんの検出と診断のワークフローを改善することである。
最高性能モデルはアテンション R2U-Net で、連合(IoU)の平均インターセクションは76.3%、Dice similarity Coefficient(DSC)は全ゾーンのセグメンテーションの85%を達成している。
論文 参考訳（メタデータ） (2023-08-09T01:38:58Z) - 3D Medical Image Segmentation based on multi-scale MPU-Net [5.393743755706745]
本稿では,患者のCT画像に対する腫瘍分割モデルMPU-Netを提案する。
グローバルアテンション機構を備えたTransformerにインスパイアされている。
ベンチマークモデルであるU-Netと比較して、MPU-Netは優れたセグメンテーション結果を示す。
論文 参考訳（メタデータ） (2023-07-11T20:46:19Z) - Acute ischemic stroke lesion segmentation in non-contrast CT images
using 3D convolutional neural networks [0.0]
非コントラストCT脳画像における急性虚血性脳梗塞の容積分画を目的とした自動アルゴリズムを提案する。
我々のディープラーニングアプローチは、人気のある3D U-Net畳み込みニューラルネットワークアーキテクチャに基づいている。
論文 参考訳（メタデータ） (2023-01-17T10:39:39Z) - Efficient Bayesian Uncertainty Estimation for nnU-Net [1.510226005465492]
医用画像セグメンテーションにおけるnnU-Net不確実性を推定する新しい手法を提案する。
我々は,マルチモーダル後部モデルにより,元のnnU-Netよりもセグメンテーション性能を向上する。
提案手法は,領域分割精度と品質管理の両面から,医用画像分割のためのnnU-Netをさらに強化する。
論文 参考訳（メタデータ） (2022-12-12T23:12:19Z) - Reliable Joint Segmentation of Retinal Edema Lesions in OCT Images [55.83984261827332]
本稿では,信頼性の高いマルチスケールウェーブレットエンハンストランスネットワークを提案する。
本研究では,ウェーブレット型特徴抽出器ネットワークとマルチスケール変圧器モジュールを統合したセグメンテーションバックボーンを開発した。
提案手法は,他の最先端セグメンテーション手法と比較して信頼性の高いセグメンテーション精度を実現する。
論文 参考訳（メタデータ） (2022-12-01T07:32:56Z) - CNN-based fully automatic wrist cartilage volume quantification in MR
Image [55.41644538483948]
追加の注意層を持つU-net畳み込みニューラルネットワークは、最高の手首軟骨分割性能を提供する。
非MRI法を用いて軟骨体積測定の誤差を独立に評価すべきである。
論文 参考訳（メタデータ） (2022-06-22T14:19:06Z) - Med-DANet: Dynamic Architecture Network for Efficient Medical Volumetric
Segmentation [13.158995287578316]
我々は,Med-DANetという動的アーキテクチャネットワークを提案し,効率的な精度と効率のトレードオフを実現する。
入力された3次元MRIボリュームのスライス毎に,提案手法は決定ネットワークによってスライス固有の決定を学習する。
提案手法は, 従来の3次元MRI脳腫瘍セグメント化法と比較して, 同等あるいは良好な結果が得られる。
論文 参考訳（メタデータ） (2022-06-14T03:25:58Z) - Inconsistency-aware Uncertainty Estimation for Semi-supervised Medical
Image Segmentation [92.9634065964963]
我々は、不確実性推定と個別の自己学習戦略に基づいて、新しい半教師付きセグメンテーションモデル、すなわち保守的ラディカルネットワーク(CoraNet)を提案する。
現在の技術と比較すると、ColaNetは優れたパフォーマンスを示しています。
論文 参考訳（メタデータ） (2021-10-17T08:49:33Z) - An Uncertainty-Driven GCN Refinement Strategy for Organ Segmentation [53.425900196763756]
本研究では,不確実性解析とグラフ畳み込みネットワークに基づくセグメンテーション改善手法を提案する。
半教師付きグラフ学習問題を定式化するために、特定の入力ボリュームにおける畳み込みネットワークの不確実性レベルを用いる。
本手法は膵臓で1%,脾臓で2%向上し,最先端のCRF改善法よりも優れていた。
論文 参考訳（メタデータ） (2020-12-06T18:55:07Z) - DONet: Dual Objective Networks for Skin Lesion Segmentation [77.9806410198298]
本稿では,皮膚病変のセグメンテーションを改善するために,Dual Objective Networks (DONet) という,シンプルで効果的なフレームワークを提案する。
我々のDONetは2つの対称デコーダを採用し、異なる目標に近づくための異なる予測を生成する。
皮膚内視鏡画像における多種多様な病変のスケールと形状の課題に対処するために,再帰的コンテキスト符号化モジュール(RCEM)を提案する。
論文 参考訳（メタデータ） (2020-08-19T06:02:46Z) - Modelling the Distribution of 3D Brain MRI using a 2D Slice VAE [66.63629641650572]
本研究では,2次元スライスVAEとガウスモデルを組み合わせた3次元MR脳の体積分布をモデル化する手法を提案する。
また,本研究では,脳解剖学に適合するセグメンテーションの精度を定量的に評価する新たなボリューム評価手法を提案する。
論文 参考訳（メタデータ） (2020-07-09T13:23:15Z)
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。