論文の概要: Progressively refined deep joint registration segmentation (ProRSeg) of
gastrointestinal organs at risk: Application to MRI and cone-beam CT
- arxiv url: http://arxiv.org/abs/2210.14297v1
- Date: Tue, 25 Oct 2022 19:47:30 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-27 14:51:53.314618
- Title: Progressively refined deep joint registration segmentation (ProRSeg) of
gastrointestinal organs at risk: Application to MRI and cone-beam CT
- Title(参考訳): 消化器臓器の進行性深部関節登録分節化(prorseg) : mriおよびコーンビームctへの応用
- Authors: Jue Jiang, Jun Hong, Kathryn Tringale, Marsha Reyngold, Christopher
Crane, Neelam Tyagi, Harini Veeraraghavan
- Abstract要約: ProRSegは10人の異なる患者から5分率で取得した110 T2強調MRIで5倍のクロスバリデーションを用いて訓練した。
そのセグメンテーションは比較した方法よりもはるかに正確(p0.001$)だった。
- 参考スコア(独自算出の注目度): 3.0479044961661708
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Method: ProRSeg was trained using 5-fold cross-validation with 110
T2-weighted MRI acquired at 5 treatment fractions from 10 different patients,
taking care that same patient scans were not placed in training and testing
folds. Segmentation accuracy was measured using Dice similarity coefficient
(DSC) and Hausdorff distance at 95th percentile (HD95). Registration
consistency was measured using coefficient of variation (CV) in displacement of
OARs. Ablation tests and accuracy comparisons against multiple methods were
done. Finally, applicability of ProRSeg to segment cone-beam CT (CBCT) scans
was evaluated on 80 scans using 5-fold cross-validation. Results: ProRSeg
processed 3D volumes (128 $\times$ 192 $\times$ 128) in 3 secs on a NVIDIA
Tesla V100 GPU. It's segmentations were significantly more accurate ($p<0.001$)
than compared methods, achieving a DSC of 0.94 $\pm$0.02 for liver,
0.88$\pm$0.04 for large bowel, 0.78$\pm$0.03 for small bowel and 0.82$\pm$0.04
for stomach-duodenum from MRI. ProRSeg achieved a DSC of 0.72$\pm$0.01 for
small bowel and 0.76$\pm$0.03 for stomach-duodenum from CBCT. ProRSeg
registrations resulted in the lowest CV in displacement (stomach-duodenum
$CV_{x}$: 0.75\%, $CV_{y}$: 0.73\%, and $CV_{z}$: 0.81\%; small bowel $CV_{x}$:
0.80\%, $CV_{y}$: 0.80\%, and $CV_{z}$: 0.68\%; large bowel $CV_{x}$: 0.71\%,
$CV_{y}$ : 0.81\%, and $CV_{z}$: 0.75\%). ProRSeg based dose accumulation
accounting for intra-fraction (pre-treatment to post-treatment MRI scan) and
inter-fraction motion showed that the organ dose constraints were violated in 4
patients for stomach-duodenum and for 3 patients for small bowel. Study
limitations include lack of independent testing and ground truth phantom
datasets to measure dose accumulation accuracy.
- Abstract(参考訳): 方法: prorseg は,110 t2強調mri を用いた5倍クロスバリデーションを10種類の異なる患者から5つの治療分画で取得し,同じ患者スキャンをトレーニングや検査で行わないよう注意した。
dice類似度係数 (dsc) とハウスドルフ距離 (hd95) を用いてセグメンテーション精度を測定した。
OARの変位係数(CV)を用いてレジストレーションの整合性を測定した。
複数の方法に対するアブレーション試験と精度比較を行った。
最後に,5倍のクロスバリデーションを用いた80スキャンにおいて, ProRSeg のセグメントコーンビームCT(CBCT)スキャンへの適用性を評価した。
結果: ProRSegはNVIDIA Tesla V100 GPUで3Dボリューム(128$\times$192$\times$128)を3秒で処理した。
肝臓のDSCは0.94$\pm$0.02、大腸は0.88$\pm$0.04、小腸は0.78$\pm$0.03、MRIの胃十二指腸は0.82$\pm$0.04である。
ProRSeg は小腸で 0.72$\pm$0.01 、胃十二指腸で 0.76$\pm$0.03 の DSC を達成した。
ProRSeg による CV の登録は最低値 (stomach-duodenum $CV_{x}$: 0.75\%, $CV_{y}$: 0.73\%, $CV_{z}$: 0.81\%, small bowel $CV_{x}$: 0.80\%, $CV_{y}$: 0.68\%, large bowel $CV_{x}$: 0.71\%, $CV_{y}$ : 0.81\%, $CV_{z}$: 0.75\%) となった。
胃十二指腸癌4例,小腸癌3例において,ProRSegをベースとした臓器内投与量蓄積(MRI前処理)とインターフラクション運動は,臓器内投与量制限に違反していた。
研究の制限には、線量蓄積の正確さを測定するための独立したテストや真実のファントムデータセットの欠如が含まれる。
関連論文リスト
- Large-Scale Multi-Center CT and MRI Segmentation of Pancreas with Deep Learning [20.043497517241992]
膵疾患の診断と経過観察には膵の容積分画の自動化が必要である。
そこで我々は,nnUNetとTransformerネットワークの長所と,ボリューム計算が可能な新しい線形アテンションモジュールを組み合わせたPanSegNetを開発した。
T1W MRIは85.0% (std: 7.9%) , T2W MRIは86.3% (std: 6.4%) であった。
論文 参考訳(メタデータ) (2024-05-20T20:37:27Z) - Detection of subclinical atherosclerosis by image-based deep learning on chest x-ray [86.38767955626179]
460胸部X線で冠状動脈カルシウム(CAC)スコアを予測する深層学習アルゴリズムを開発した。
AICACモデルの診断精度は, 曲線下領域(AUC)で評価された。
論文 参考訳(メタデータ) (2024-03-27T16:56:14Z) - Trustworthiness of Pretrained Transformers for Lung Cancer Segmentation [6.712251433139412]
Swin UNETR と SMIT の2つの自己超越型トランスフォーマーモデルを用いて肺腫瘍の微細化試験を行った。
両モデルとも分布内データに対して高い精度を示した。
これらの発見は、現在および将来の事前訓練されたモデルの安全な開発と展開のガイドとなると期待している。
論文 参考訳(メタデータ) (2024-03-19T19:36:48Z) - Minimally Interactive Segmentation of Soft-Tissue Tumors on CT and MRI
using Deep Learning [0.0]
我々は,CTおよびMRIを用いたソフト・タウト・腫瘍(STT)のための,最小限の対話型深層学習に基づくセグメンテーション法を開発した。
この方法は、畳み込みニューラルネットワークの入力として、腫瘍の極端な境界付近で6つの点をクリックする必要がある。
論文 参考訳(メタデータ) (2024-02-12T16:15:28Z) - Accurate Fine-Grained Segmentation of Human Anatomy in Radiographs via
Volumetric Pseudo-Labeling [66.75096111651062]
我々は,10,021個の胸部CTと157個のラベルの大規模データセットを作成した。
解剖学的擬似ラベル抽出のために3次元解剖分類モデルのアンサンブルを適用した。
得られたセグメンテーションモデルはCXRで顕著な性能を示した。
論文 参考訳(メタデータ) (2023-06-06T18:01:08Z) - Attention-based Saliency Maps Improve Interpretability of Pneumothorax
Classification [52.77024349608834]
視覚変換器(ViT)の胸部X線撮影(CXR)分類性能と注意ベース唾液の解釈可能性について検討する。
ViTは、CheXpert、Chest X-Ray 14、MIMIC CXR、VinBigDataの4つの公開データセットを用いて、肺疾患分類のために微調整された。
ViTsは最先端のCNNと比べてCXR分類AUCに匹敵するものであった。
論文 参考訳(メタデータ) (2023-03-03T12:05:41Z) - Label-free segmentation from cardiac ultrasound using self-supervised
learning [0.6906005491572401]
コンピュータビジョン,臨床領域知識,深層学習を用いた自己教師型(手動ラベルなし)セグメンテーションのためのパイプラインを構築した。
8,393枚の心エコー画像(4,476,266枚,平均61年,女性51%)を用いて,450枚の心エコー画像(93,000枚)をトレーニングし,生体計測値の算出を行った。
本研究は,超音波からのセグメンテーションのための手動ラベルフリー,臨床的に有効な,高度にスケーラブルな方法であることを示す。
論文 参考訳(メタデータ) (2022-10-10T19:27:37Z) - Building Brains: Subvolume Recombination for Data Augmentation in Large
Vessel Occlusion Detection [56.67577446132946]
この戦略をデータから学ぶためには、標準的なディープラーニングベースのモデルに対して、大規模なトレーニングデータセットが必要である。
そこで本研究では, 異なる患者から血管木セグメントを組換えることで, 人工的なトレーニングサンプルを生成する方法を提案する。
拡張スキームに則って,タスク固有の入力を入力した3D-DenseNetを用いて,半球間の比較を行う。
論文 参考訳(メタデータ) (2022-05-05T10:31:57Z) - One shot PACS: Patient specific Anatomic Context and Shape prior aware
recurrent registration-segmentation of longitudinal thoracic cone beam CTs [3.3504365823045044]
胸部CBCTは, 造影コントラスト, 画像所見, 呼吸運動, 胸腔内解剖学的変化により, 分画が困難である。
縦型CBCTセグメンテーションのための新規な患者固有の解剖コンテキストと先行形状, PACS-3Dリカレントレジストレーションネットワークを開発した。
論文 参考訳(メタデータ) (2022-01-26T15:18:30Z) - Segmentation of the Myocardium on Late-Gadolinium Enhanced MRI based on
2.5 D Residual Squeeze and Excitation Deep Learning Model [55.09533240649176]
本研究の目的は,LGE-MRIを用いた心筋境界領域の深部学習モデルに基づく正確な自動セグメンテーション法を開発することである。
合計320回の試験(平均6回の試験)と28回の試験が行われた。
ベーススライスとミドルスライスにおけるアンサンブルモデルの性能解析は, サーバ内調査と同等であり, アトピーススライスではわずかに低かった。
論文 参考訳(メタデータ) (2020-05-27T20:44:38Z) - Automated Quantification of CT Patterns Associated with COVID-19 from
Chest CT [48.785596536318884]
提案法は,非造影胸部CTを入力として,病変,肺,葉を3次元に分割する。
この方法では、肺の重症度と葉の関与度を2つの組み合わせて測定し、COVID-19の異常度と高不透明度の存在度を定量化する。
このアルゴリズムの評価は、カナダ、ヨーロッパ、米国からの200人の参加者(感染者100人、健康管理100人)のCTで報告されている。
論文 参考訳(メタデータ) (2020-04-02T21:49:14Z)
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。