Fugu-MT 論文翻訳(概要): Joint nnU-Net and Radiomics Approaches for Segmentation and Prognosis of Head and Neck Cancers with PET/CT images

論文の概要: Joint nnU-Net and Radiomics Approaches for Segmentation and Prognosis of Head and Neck Cancers with PET/CT images

arxiv url: http://arxiv.org/abs/2211.10138v1
Date: Fri, 18 Nov 2022 10:31:26 GMT
ステータス: 処理完了
システム内更新日: 2022-11-21 14:44:20.288011
Title: Joint nnU-Net and Radiomics Approaches for Segmentation and Prognosis of Head and Neck Cancers with PET/CT images
Title（参考訳）: PET/CT画像を用いた頭頸部癌の分節・予後診断における nnU-Net と Radiomics の併用
Authors: Hui Xu and Yihao Li and Wei Zhao and Gwenol\'e Quellec and Lijun Lu and Mathieu Hatt
Abstract要約: 3D nnU-Netアーキテクチャは原発性腫瘍とリンパ節の自動分節に同期的に採用された。従来の放射能の特徴のみを含む3つの予後モデルが構築された。セグメンテーションと予後タスクの評価指標としてDice scoreとC-indexが用いられた。
参考スコア（独自算出の注目度）: 6.361835964390572
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: Automatic segmentation of head and neck cancer (HNC) tumors and lymph nodes plays a crucial role in the optimization treatment strategy and prognosis analysis. This study aims to employ nnU-Net for automatic segmentation and radiomics for recurrence-free survival (RFS) prediction using pretreatment PET/CT images in multi-center HNC cohort. A multi-center HNC dataset with 883 patients (524 patients for training, 359 for testing) was provided in HECKTOR 2022. A bounding box of the extended oropharyngeal region was retrieved for each patient with fixed size of 224 x 224 x 224 $mm^{3}$. Then 3D nnU-Net architecture was adopted to automatic segmentation of primary tumor and lymph nodes synchronously.Based on predicted segmentation, ten conventional features and 346 standardized radiomics features were extracted for each patient. Three prognostic models were constructed containing conventional and radiomics features alone, and their combinations by multivariate CoxPH modelling. The statistical harmonization method, ComBat, was explored towards reducing multicenter variations. Dice score and C-index were used as evaluation metrics for segmentation and prognosis task, respectively. For segmentation task, we achieved mean dice score around 0.701 for primary tumor and lymph nodes by 3D nnU-Net. For prognostic task, conventional and radiomics models obtained the C-index of 0.658 and 0.645 in the test set, respectively, while the combined model did not improve the prognostic performance with the C-index of 0.648.
Abstract（参考訳）: 頭頸部癌(HNC)腫瘍とリンパ節の自動分節は、最適化治療戦略と予後解析において重要な役割を担っている。本研究は,複数中心HNCコホートにおけるPET/CT画像を用いたRFS予測にnnU-Netを用いることを目的とする。 HECKTOR 2022では,883例(トレーニング用524例,テスト用359例)の多施設HNCデータセットが提供された。 224 x 224 x 224 $mm^{3}$。そして3次元nnu-netアーキテクチャを用いて原発性腫瘍とリンパ節の自動分画を同期的に実施し,予測した分節に基づいて10の従来型特徴と346の標準化放射線学的特徴を抽出した。従来型および放射能の特徴のみを含む3つの予後モデルと,多変量CoxPHモデルによる組み合わせを構築した。統計的調和法であるComBatはマルチセンター変動を低減するために検討された。 Dice score と C-index をそれぞれセグメンテーションと予後タスクの評価指標として用いた。セグメンテーションでは3D nnU-Netによる原発性腫瘍とリンパ節に対する平均ダイススコア0.701。予後予測には,c-index 0.658 および 0.645 のc-index が,c-index 0.648 ではc-index が改善されなかった。

関連論文リスト

TotalSegmentator MRI: Sequence-Independent Segmentation of 59 Anatomical Structures in MR images [62.53931644063323]
本研究では,TotalSegmentatorをMR画像に拡張した。このデータセットに基づいてnnU-Netセグメンテーションアルゴリズムを訓練し、類似度係数(Dice)を計算し、モデルの性能を評価した。このモデルは、他の2つの公開セグメンテーションモデル(Dice score 0.824 vs 0.762; p0.001 and 0.762 versus 0.542; p)を大きく上回った。
論文参考訳（メタデータ） (2024-05-29T20:15:54Z)
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)
Analysis of the BraTS 2023 Intracranial Meningioma Segmentation Challenge [44.586530244472655]
我々はBraTS 2023の頭蓋内髄膜腫チャレンジの設計と結果について述べる。 BraTS髄膜腫チャレンジ(BraTS Meningioma Challenge)は、髄膜腫に焦点を当てた以前のBraTSグリオーマチャレンジとは異なる。上層部は腫瘍,腫瘍コア,腫瘍全体の拡張のために0.976,0.976,0.964の病変中央値類似係数(DSC)を有していた。
論文参考訳（メタデータ） (2024-05-16T03:23:57Z)
Developing a Novel Image Marker to Predict the Clinical Outcome of Neoadjuvant Chemotherapy (NACT) for Ovarian Cancer Patients [1.7623658472574557]
ネオアジュバント化学療法(ネオアジュバントセラピー、Neoadjuvant chemotherapy, NACT)は、卵巣がんの進行期における治療法の一つ。 NACTに対する部分的反応は、近位部破裂手術を引き起こす可能性があり、予後不良を引き起こす。我々は,NATの早期に高精度な予後予測を実現するために,新しい画像マーカーを開発した。
論文参考訳（メタデータ） (2023-09-13T16:59:50Z)
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)
MGTUNet: An new UNet for colon nuclei instance segmentation and quantification [3.693770437824002]
本稿では,MGTUNet と呼ばれる UNet フレームワークをベースとした核処理のための新しい UNet モデルを提案する。 3つの評価指標とモデルのパラメータサイズを比較することで、MGTUNetはPQで0.6254、mPQで0.6359、R2で0.8695を得た。
論文参考訳（メタデータ） (2022-10-20T03:00:40Z)
Recurrence-free Survival Prediction under the Guidance of Automatic Gross Tumor Volume Segmentation for Head and Neck Cancers [8.598790229614071]
自動原発性腫瘍 (GTVp) とリンパ節郭清法 (GTVn) を開発した。腫瘍の分節体積から放射能の特徴を抽出し,RFS予測モデルを構築した。
論文参考訳（メタデータ） (2022-09-22T18:44:57Z)
Improving Classification Model Performance on Chest X-Rays through Lung Segmentation [63.45024974079371]
本稿では, セグメンテーションによる異常胸部X線(CXR)識別性能を向上させるための深層学習手法を提案する。提案手法は,CXR画像中の肺領域を局所化するための深層ニューラルネットワーク(XLSor)と,大規模CXRデータセットで事前学習した自己教師あり運動量コントラスト(MoCo)モデルのバックボーンを用いたCXR分類モデルである。
論文参考訳（メタデータ） (2022-02-22T15:24:06Z)
Multi-institutional Validation of Two-Streamed Deep Learning Method for Automated Delineation of Esophageal Gross Tumor Volume using planning-CT and FDG-PETCT [14.312659667401302]
食道悪性腫瘍容積(GTV)コントゥーリングの現況は,高作業コストとユーザ間の変動を手作業で記述することに依存している。 1施設で開発された深層学習(DL)多モード食道GTVコンチューリングモデルの臨床的応用性を検証する。
論文参考訳（メタデータ） (2021-10-11T13:56:09Z)
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)
VerSe: A Vertebrae Labelling and Segmentation Benchmark for Multi-detector CT Images [121.31355003451152]
大規模Vertebrae Challenge(VerSe)は、2019年と2020年に開催されたMICCAI(International Conference on Medical Image Computing and Computer Assisted Intervention)と共同で設立された。本評価の結果を報告するとともに,脊椎レベル,スキャンレベル,および異なる視野での性能変化について検討した。
論文参考訳（メタデータ） (2020-01-24T21:09:18Z)

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。