論文の概要: Improved automated lesion segmentation in whole-body FDG/PET-CT via Test-Time Augmentation

• arxiv url: http://arxiv.org/abs/2210.07761v1
• Date: Fri, 14 Oct 2022 12:50:59 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-17 16:06:58.735145
• Title: Improved automated lesion segmentation in whole-body FDG/PET-CT via Test-Time Augmentation
• Title（参考訳）: 全身FDG/PET-CTにおけるテスト時間拡張による自動病変分割の改善
• Authors: Sepideh Amiri, Bulat Ibragimov
• Abstract要約: 腫瘍はポジトロン・エミッション・トモグラフィー(PET)とCT(CT)を用いて広範囲に定量化されている 本研究では,PET-CTによる腫瘍の分節化に対する試験時間増強の有用性について検討した。 トレーニングデータベース上でU-NetとSwin U-Netrをトレーニングし、テスト時間の増加によってセグメンテーション性能が向上したかを判断する。
• 参考スコア（独自算出の注目度）: 5.206955554317389
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Numerous oncology indications have extensively quantified metabolically active tumors using positron emission tomography (PET) and computed tomography (CT). F-fluorodeoxyglucose-positron emission tomography (FDG-PET) is frequently utilized in clinical practice and clinical drug research to detect and measure metabolically active malignancies. The assessment of tumor burden using manual or computer-assisted tumor segmentation in FDG-PET images is widespread. Deep learning algorithms have also produced effective solutions in this area. However, there may be a need to improve the performance of a pre-trained deep learning network without the opportunity to modify this network. We investigate the potential benefits of test-time augmentation for segmenting tumors from PET-CT pairings. We applied a new framework of multilevel and multimodal tumor segmentation techniques that can simultaneously consider PET and CT data. In this study, we improve the network using a learnable composition of test time augmentations. We trained U-Net and Swin U-Netr on the training database to determine how different test time augmentation improved segmentation performance. We also developed an algorithm that finds an optimal test time augmentation contribution coefficient set. Using the newly trained U-Net and Swin U-Netr results, we defined an optimal set of coefficients for test-time augmentation and utilized them in combination with a pre-trained fixed nnU-Net. The ultimate idea is to improve performance at the time of testing when the model is fixed. Averaging the predictions with varying ratios on the augmented data can improve prediction accuracy. Our code will be available at \url{https://github.com/sepidehamiri/pet\_seg\_unet}
• Abstract（参考訳）: PET (positron emission tomography) とCT (Computerd tomography) を用いて, 代謝活性腫瘍を広範囲に定量化した。 F-fluorodeoxyglucose-positron emission tomography (FDG-PET) は、代謝活性腫瘍の検出と測定のために、臨床および臨床薬物研究に頻繁に用いられている。 FDG-PET画像における手動またはコンピュータ支援による腫瘍分割による腫瘍負担の評価が広く行われている。 ディープラーニングアルゴリズムもこの分野で効果的なソリューションを生み出している。 しかし、このネットワークを変更することなく、事前訓練されたディープラーニングネットワークの性能を改善する必要があるかもしれない。 PET-CTによる腫瘍の分節化に対する試験時間増強の有用性について検討した。 PETおよびCTデータを同時に検討できるマルチレベルおよびマルチモーダル腫瘍セグメンテーション手法の新たな枠組みを適用した。 本研究では,テスト時間拡張の学習可能な構成を用いてネットワークを改善する。 u-net と swin u-netr をトレーニングデータベース上でトレーニングし,テスト時間の増減がセグメント化性能をどのように改善したかを検討した。 また,最適試験時間拡大寄与係数セットを求めるアルゴリズムも開発した。 新たにトレーニングした U-Net と Swin U-Netr を用いて,テスト時間拡張のための係数の最適セットを定義し,事前学習した固定 nnU-Net と組み合わせて利用した。 究極のアイデアは、モデルが修正されたときのテスト時のパフォーマンスを改善することだ。 拡張データに対する様々な比率の予測平均化は、予測精度を向上させることができる。 私たちのコードは \url{https://github.com/sepidehamiri/pet\_seg\_unet} で入手できる。

関連論文リスト

• From FDG to PSMA: A Hitchhiker's Guide to Multitracer, Multicenter Lesion Segmentation in PET/CT Imaging [0.9384264274298444]
  本稿では,ResEncL アーキテクチャを用いた nnU-Net フレームワークを用いたマルチトラス,マルチセンタの一般化を目的とした AutoPET III チャレンジの解決策を提案する。 主なテクニックは、CT、MR、PETデータセット間での誤調整データ拡張とマルチモーダル事前トレーニングである。 Diceスコアが57.61となったデフォルトのnnU-Netと比較して、Diceスコアが68.40であり、偽陽性(FPvol: 7.82)と偽陰性(FNvol: 10.35)が減少している。
  論文  参考訳（メタデータ） (2024-09-14T16:39:17Z)
• AutoPET Challenge: Tumour Synthesis for Data Augmentation [26.236831356731017]
  我々は,CT画像のためのDiffTumor法を適用し,病変のあるPET-CT画像を生成する。 提案手法では,AutoPETデータセット上で生成モデルをトレーニングし,トレーニングデータの拡張に使用する。 以上の結果から,拡張データセットでトレーニングしたモデルでは,Diceスコアが向上し,データ拡張アプローチの可能性が示された。
  論文  参考訳（メタデータ） (2024-09-12T14:23:19Z)
• Segmentation of Prostate Tumour Volumes from PET Images is a Different Ball Game [6.038532253968018]
  既存の方法では、腫瘍輪郭のマニュアルアノテーション中に医師が適用した強度に基づくスケーリングを正確に考慮することができない。 我々は、新しいカスタム・フィーチャー・クリッピング・正規化手法を実装した。 この結果から, PETスキャンを新規なクリッピング技術で前処理した場合, U-Netモデルの方が優れた性能が得られることがわかった。
  論文  参考訳（メタデータ） (2024-07-15T08:48:17Z)
• 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)
• ISA-Net: Improved spatial attention network for PET-CT tumor segmentation [22.48294544919023]
  多モードポジトロン放射トモグラフィー(PET-CT)に基づく深層学習セグメンテーション法を提案する。 腫瘍検出におけるPETやCTの精度を高めるために,改良された空間注意ネットワーク(ISA-Net)を設計した。 今回提案したISA-Net法を,軟部組織肉腫 (STS) と頭頸部腫瘍 (HECKTOR) の2つの臨床データセットで検証した。
  論文  参考訳（メタデータ） (2022-11-04T04:15:13Z)
• 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)
• DLTTA: Dynamic Learning Rate for Test-time Adaptation on Cross-domain Medical Images [56.72015587067494]
  DLTTAと呼ばれるテスト時間適応のための新しい動的学習率調整法を提案する。 本手法は,現在最先端のテスト時間適応法よりも一貫した性能向上を図り,有効かつ高速なテスト時間適応を実現する。
  論文  参考訳（メタデータ） (2022-05-27T02:34:32Z)
• EMT-NET: Efficient multitask network for computer-aided diagnosis of breast cancer [58.720142291102135]
  乳腺腫瘍の分類と分別を同時に行うための,効率的で軽量な学習アーキテクチャを提案する。 腫瘍分類ネットワークにセグメンテーションタスクを組み込むことにより,腫瘍領域に着目したバックボーンネットワークで表現を学習する。 腫瘍分類の精度、感度、特異性はそれぞれ88.6%、94.1%、85.3%である。
  論文  参考訳（メタデータ） (2022-01-13T05:24:40Z)
• Medulloblastoma Tumor Classification using Deep Transfer Learning with Multi-Scale EfficientNets [63.62764375279861]
  本稿では,エンド・ツー・エンドのMB腫瘍分類を提案し,様々な入力サイズとネットワーク次元の一致した移動学習を提案する。 161ケースのデータセットを用いて、より大規模な入力解像度を持つ事前学習されたEfficientNetが、大幅な性能改善をもたらすことを実証した。
  論文  参考訳（メタデータ） (2021-09-10T13:07:11Z)
• CovidDeep: SARS-CoV-2/COVID-19 Test Based on Wearable Medical Sensors and Efficient Neural Networks [51.589769497681175]
  新型コロナウイルス(SARS-CoV-2)がパンデミックを引き起こしている。 SARS-CoV-2の逆転写-ポリメラーゼ連鎖反応に基づく現在の試験体制は、試験要求に追いついていない。 我々は,効率的なDNNと市販のWMSを組み合わせたCovidDeepというフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-07-20T21:47:28Z)
• Automatic Data Augmentation via Deep Reinforcement Learning for Effective Kidney Tumor Segmentation [57.78765460295249]
  医用画像セグメンテーションのための新しい学習ベースデータ拡張法を開発した。 本手法では,データ拡張モジュールと後続のセグメンテーションモジュールをエンドツーエンドのトレーニング方法で一貫した損失と,革新的に組み合わせる。 提案法の有効性を検証したCT腎腫瘍分節法について,本法を広範囲に評価した。
  論文  参考訳（メタデータ） (2020-02-22T14:10:13Z)

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。