論文の概要: Exploring Vanilla U-Net for Lesion Segmentation from Whole-body
FDG-PET/CT Scans
- arxiv url: http://arxiv.org/abs/2210.07490v1
- Date: Fri, 14 Oct 2022 03:37:18 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-17 17:46:07.689538
- Title: Exploring Vanilla U-Net for Lesion Segmentation from Whole-body
FDG-PET/CT Scans
- Title(参考訳): 全体FDG-PET/CTスキャンからの病変分割のためのVanilla U-Netの探索
- Authors: Jin Ye, Haoyu Wang, Ziyan Huang, Zhongying Deng, Yanzhou Su, Can Tu,
Qian Wu, Yuncheng Yang, Meng Wei, Jingqi Niu, and Junjun He
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 16.93163630413171
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: Tumor lesion segmentation is one of the most important tasks in medical image
analysis. In clinical practice, Fluorodeoxyglucose Positron-Emission
Tomography~(FDG-PET) is a widely used technique to identify and quantify
metabolically active tumors. However, since FDG-PET scans only provide
metabolic information, healthy tissue or benign disease with irregular glucose
consumption may be mistaken for cancer. To handle this challenge, PET is
commonly combined with Computed Tomography~(CT), with the CT used to obtain the
anatomic structure of the patient. The combination of PET-based metabolic and
CT-based anatomic information can contribute to better tumor segmentation
results. %Computed tomography~(CT) is a popular modality to illustrate the
anatomic structure of the patient. The combination of PET and CT is promising
to handle this challenge by utilizing metabolic and anatomic information. In
this paper, we explore the potential of U-Net for lesion segmentation in
whole-body FDG-PET/CT scans from three aspects, including network architecture,
data preprocessing, and data augmentation. The experimental results demonstrate
that the vanilla U-Net with proper input shape can achieve satisfactory
performance. Specifically, our method achieves first place in both preliminary
and final leaderboards of the autoPET 2022 challenge. Our code is available at
https://github.com/Yejin0111/autoPET2022_Blackbean.
- Abstract(参考訳): 腫瘍病変の分節は医用画像解析において最も重要な課題の1つである。
臨床的には、フルオロデオキシグルコースポジトロンエミッショントモグラフィ(fdg-pet)は代謝活性腫瘍の同定と定量に広く用いられている技術である。
しかし、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。
この課題に対処するために、PETは一般的にCTと併用され、CTは患者の解剖学的構造を得るのに使用される。
PETをベースとした代謝情報とCTをベースとした解剖情報の組み合わせは,腫瘍のセグメンテーション結果の改善に寄与する。
%computed tomography~(ct)は患者の解剖学的構造を示す一般的な形態である。
PETとCTの組み合わせは代謝情報と解剖情報を利用してこの問題に対処することを約束している。
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可能性を検討する。
実験の結果,適切な入力形状のバニラu-netは良好な性能が得られることがわかった。
具体的には, AutoPET 2022 チャレンジの予備的, 最終的リーダボードにおいて, 本手法が第一位となる。
私たちのコードはhttps://github.com/yejin0111/autopet2022_blackbean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) - 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) - Weakly-Supervised Detection of Bone Lesions in CT [48.34559062736031]
骨格領域は乳腺と前立腺に転移性癌が拡がる一般的な部位の1つである。
代用セグメンテーションタスクによりCTボリュームの骨病変を検出するパイプラインを開発した。
不完全および部分的トレーニングデータを用いたにもかかわらず,CTでは96.7%,47.3%の精度で骨病変が検出された。
論文 参考訳(メタデータ) (2024-01-31T21:05:34Z) - 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) - PulseNet: Deep Learning ECG-signal classification using random
augmentation policy and continous wavelet transform for canines [46.09869227806991]
犬心電図(ECG)の評価には熟練した獣医が必要である。
心電図の解釈と診断支援のための獣医師の現在の利用状況は限られている。
犬の心電図配列を正常または異常と分類するためのディープ畳み込みニューラルネットワーク(CNN)アプローチを実装した。
論文 参考訳(メタデータ) (2023-05-17T09:06:39Z) - 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) - 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) - Weakly-supervised Biomechanically-constrained CT/MRI Registration of the
Spine [72.85011943179894]
本稿では,各脊椎の剛性と容積を保存し,登録精度を最大化しながら,弱教師付き深層学習フレームワークを提案する。
また,CTにおける椎体自動分節化はMRIと対比してより正確な結果をもたらすため,CTラベルマップのみに依存するよう,これらの損失を特に設計する。
以上の結果から, 解剖学的認識による損失の増大は, 精度を維持しつつも, 推測変換の妥当性を高めることが示唆された。
論文 参考訳(メタデータ) (2022-05-16T10:59:55Z) - DeepMTS: Deep Multi-task Learning for Survival Prediction in Patients
with Advanced Nasopharyngeal Carcinoma using Pretreatment PET/CT [15.386240118882569]
鼻咽頭癌(Nasopharyngeal Carcinoma, NPC)は、世界の悪性上皮癌である。
深層学習は、NPCを含む様々ながんの生存予測に導入されている。
本研究では,小データによるオーバーフィッティング問題に対処するため,マルチタスクが深層生存モデルに傾くという概念を導入した。
論文 参考訳(メタデータ) (2021-09-16T04:12:59Z) - 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)
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。