Fugu-MT 論文翻訳(概要): Multi-Scale Fusion Methodologies for Head and Neck Tumor Segmentation

論文の概要: Multi-Scale Fusion Methodologies for Head and Neck Tumor Segmentation

arxiv url: http://arxiv.org/abs/2210.16704v1
Date: Sat, 29 Oct 2022 22:44:26 GMT
ステータス: 処理完了
システム内更新日: 2022-11-01 18:45:44.980022
Title: Multi-Scale Fusion Methodologies for Head and Neck Tumor Segmentation
Title（参考訳）: 頭頸部腫瘍切除のための多段階核融合法
Authors: Abhishek Srivastava, Debesh Jha, Bulent Aydogan, Mohamed E.Abazeed, and Ulas Bagci
Abstract要約: 頭頸部(H&N)臓器病変(OAR)と腫瘍の分節は放射線治療計画に欠かせない要素である。 H&N nodal Gross tumor Volumes (GTVn) とH&N primary gross tumor volume (GTVp) の解剖学的位置と寸法は, 正確で信頼性の高い delineation 法が欠如しているため, 入手が困難である。医用スキャンからH&N腫瘍を正確に分類するためのマルチスケールフュージョンベース深層学習アーキテクチャの有効性について検討する。
参考スコア（独自算出の注目度）: 2.6770199357488242
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Head and Neck (H\&N) organ-at-risk (OAR) and tumor segmentations are essential components of radiation therapy planning. The varying anatomic locations and dimensions of H\&N nodal Gross Tumor Volumes (GTVn) and H\&N primary gross tumor volume (GTVp) are difficult to obtain due to lack of accurate and reliable delineation methods. The downstream effect of incorrect segmentation can result in unnecessary irradiation of normal organs. Towards a fully automated radiation therapy planning algorithm, we explore the efficacy of multi-scale fusion based deep learning architectures for accurately segmenting H\&N tumors from medical scans.
Abstract（参考訳）: 頭頸部(H\&N)臓器病変(OAR)と腫瘍の分節は放射線治療計画の重要な構成要素である。 H&N nodal Gross tumor Volumes (GTVn) とH\&N primary gross tumor volume (GTVp) の解剖学的位置と寸法は, 正確で信頼性の高い delineation 法が欠如しているため, 入手が困難である。誤ったセグメンテーションの下流効果は、通常の臓器を不必要に照射する。完全自動放射線治療計画アルゴリズムの実現に向けて,医療スキャンからH&N腫瘍を正確に分類するためのマルチスケール核融合に基づくディープラーニングアーキテクチャの有効性を検討する。

関連論文リスト

Brain Tumor Segmentation (BraTS) Challenge 2024: Meningioma Radiotherapy Planning Automated Segmentation [47.119513326344126]
BraTS-MEN-RTの課題は、脳MRIを計画する放射線治療の最大のマルチ機関データセットを使用して、自動セグメンテーションアルゴリズムを進化させることである。それぞれの症例には、3D後T1強調放射線治療計画MRIがネイティブな取得スペースに含まれている。ターゲットボリュームアノテーションは、確立された放射線治療計画プロトコルに準拠している。
論文参考訳（メタデータ） (2024-05-28T17:25:43Z)
Cross-modality Guidance-aided Multi-modal Learning with Dual Attention for MRI Brain Tumor Grading [47.50733518140625]
脳腫瘍は世界で最も致命的ながんの1つであり、子供や高齢者に非常に多い。本稿では,MRI脳腫瘍グレーディングの課題に対処するために,新たな多モード学習法を提案する。
論文参考訳（メタデータ） (2024-01-17T07:54:49Z)
Segmentation of Planning Target Volume in CT Series for Total Marrow Irradiation Using U-Net [0.0]
U-Netアーキテクチャを用いたTMLI処理のためのプランニングターゲットボリューム(PTV)のセグメンテーションのためのディープラーニングに基づく自動コンストラクション手法を提案する。本研究は放射線腫瘍学者を相当の時間で救うことができるセグメンテーションモデルの開発に向けた予備的だが重要なステップである。
論文参考訳（メタデータ） (2023-04-05T10:40:37Z)
Brain MRI study for glioma segmentation using convolutional neural networks and original post-processing techniques with low computational demand [0.6719751155411076]
グリオーマは、高度に異質な組織学的サブリージョンからなる脳腫瘍である。グリオーマの多様性が高いため、このセグメンテーション・タスクは現在、医用画像解析の分野で大きな課題となっている。畳み込みニューラルネットワーク(CNN)の設計と応用に基づくセグメンテーション手法と,計算負荷の低い元の後処理技術を組み合わせたセグメンテーション手法を提案する。
論文参考訳（メタデータ） (2022-07-15T17:34:05Z)
Joint brain tumor segmentation from multi MR sequences through a deep convolutional neural network [0.0]
本研究の目的は,深層学習によるFLAIR,T1重み付き,T2重み付き,T1重み付きMR画像からの脳腫瘍の描出を自動化することである。
論文参考訳（メタデータ） (2022-03-07T12:35:32Z)
A unified 3D framework for Organs at Risk Localization and Segmentation for Radiation Therapy Planning [56.52933974838905]
現在の医療ワークフローは、OAR(Organs-at-risk)のマニュアル記述を必要とする本研究は,OARローカライゼーション・セグメンテーションのための統合された3Dパイプラインの導入を目的とする。提案手法は医用画像に固有の3Dコンテキスト情報の活用を可能にする。
論文参考訳（メタデータ） (2022-03-01T17:08:41Z)
FocusNetv2: Imbalanced Large and Small Organ Segmentation with Adversarial Shape Constraint for Head and Neck CT Images [82.48587399026319]
organ-at-risk (oars) は、健康な臓器の損傷を避けるために放射線治療計画において重要なステップである。本研究では,この課題を解決するために,2段階の深層ニューラルネットワークであるFocusNetv2を提案する。従来のFocusNetに加えて,小臓器に新たな対角的形状制約を導入し,推定小臓器形状と臓器形状との整合性を確保する。
論文参考訳（メタデータ） (2021-04-05T04:45:31Z)
QuickTumorNet: Fast Automatic Multi-Class Segmentation of Brain Tumors [0.0]
3D MRIボリュームからの脳腫瘍の手動分割は、時間のかかる作業です。私たちのモデルであるQuickTumorNetは、高速で信頼性があり、正確な脳腫瘍セグメンテーションを示しました。
論文参考訳（メタデータ） (2020-12-22T23:16:43Z)
Scale-Space Autoencoders for Unsupervised Anomaly Segmentation in Brain MRI [47.26574993639482]
本研究では, 異常セグメンテーション性能の向上と, ネイティブ解像度で入力データのより鮮明な再構成を行う汎用能力を示す。ラプラシアンピラミッドのモデリングにより、複数のスケールで病変のデライン化と集約が可能になる。
論文参考訳（メタデータ） (2020-06-23T09:20:42Z)
Region of Interest Identification for Brain Tumors in Magnetic Resonance Images [8.75217589103206]
そこで我々は,腫瘍周辺で最小の境界ボックスを見つけるために,軽量計算量で高速かつ自動化された手法を提案する。この領域は、サブリージョン腫瘍セグメンテーションのトレーニングネットワークにおける前処理ステップとして使用できる。提案手法は BraTS 2015 データセット上で評価され,得られた平均 DICE スコアは 0.73 である。
論文参考訳（メタデータ） (2020-02-26T14:10:40Z)
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。