論文の概要: Mediastinal Lymph Node Detection and Segmentation Using Deep Learning
- arxiv url: http://arxiv.org/abs/2212.11956v1
- Date: Thu, 24 Nov 2022 02:55:20 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-25 03:19:25.598182
- Title: Mediastinal Lymph Node Detection and Segmentation Using Deep Learning
- Title（参考訳）: 深層学習による縦隔リンパ節の検出と分節
- Authors: Al-Akhir Nayan, Boonserm Kijsirikul, Yuji Iwahori
- Abstract要約: 臨床ではCT(Computed tomography)とPET(positron emission tomography)が異常リンパ節(LN)を検出する
深層畳み込みニューラルネットワークは、しばしば医療写真にアイテムを分割する。
良質な深層学習手法であるUNetは、縦隔リンパ節の分節と検出のための戦略に基づいて、双線形および全一般化変異(TGV)を用いて修正された。
修正されたUNetはテクスチャの不連続を維持し、ノイズの多い領域を選択し、バックプロパゲーションを通じて適切なバランスポイントを検索し、画像の解像度を再現する。
- 参考スコア（独自算出の注目度）: 1.7188280334580195
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Automatic lymph node (LN) segmentation and detection for cancer staging are
critical. In clinical practice, computed tomography (CT) and positron emission
tomography (PET) imaging detect abnormal LNs. Despite its low contrast and
variety in nodal size and form, LN segmentation remains a challenging task.
Deep convolutional neural networks frequently segment items in medical
photographs. Most state-of-the-art techniques destroy image's resolution
through pooling and convolution. As a result, the models provide unsatisfactory
results. Keeping the issues in mind, a well-established deep learning technique
UNet was modified using bilinear interpolation and total generalized variation
(TGV) based upsampling strategy to segment and detect mediastinal lymph nodes.
The modified UNet maintains texture discontinuities, selects noisy areas,
searches appropriate balance points through backpropagation, and recreates
image resolution. Collecting CT image data from TCIA, 5-patients, and ELCAP
public dataset, a dataset was prepared with the help of experienced medical
experts. The UNet was trained using those datasets, and three different data
combinations were utilized for testing. Utilizing the proposed approach, the
model achieved 94.8% accuracy, 91.9% Jaccard, 94.1% recall, and 93.1% precision
on COMBO_3. The performance was measured on different datasets and compared
with state-of-the-art approaches. The UNet++ model with hybridized strategy
performed better than others.
- Abstract（参考訳）: 癌ステージングにおけるリンパ節自動区分けと検出が重要である。
臨床的にはCT(Computed tomography)とPET(positron emission tomography)が異常なLNを検出する。
低コントラストと鼻径と形状の多様性にもかかわらず、LNセグメンテーションは難しい課題である。
深層畳み込みニューラルネットワークは、しばしば医療写真でアイテムをセグメンテーションする。
ほとんどの最先端技術は、プールと畳み込みによって画像の解像度を破壊する。
その結果、モデルは不満足な結果をもたらす。
課題を念頭に置いて,両線形補間と全一般化変動(TGV)を用いた縦隔リンパ節の分節と検出のためのアップサンプリング戦略を用いて,確立された深層学習手法UNetを改良した。
修正unetはテクスチャの不連続性を維持し、ノイズ領域を選択し、バックプロパゲーションを通じて適切なバランスポイントを検索し、解像度を再現する。
TCIA、5人の患者、ELCAPの公開データセットからCT画像データを収集し、経験豊富な医療専門家の助けを借りてデータセットを作成した。
UNetはこれらのデータセットを使用してトレーニングされ、3つの異なるデータ組み合わせがテストに使用された。
提案手法を利用して、このモデルは94.8%の精度、91.9%のjaccard、94.1%のリコール、93.1%の精度を達成した。
パフォーマンスは異なるデータセットで測定され、最先端のアプローチと比較された。
ハイブリダイゼーション戦略を持つunet++モデルは、他のモデルよりも優れていた。
関連論文リスト
- WATUNet: A Deep Neural Network for Segmentation of Volumetric Sweep
Imaging Ultrasound [1.2903292694072621]
ボリューム・スイープ・イメージング(VSI)は、訓練を受けていないオペレーターが高品質な超音波画像をキャプチャできる革新的な手法である。
本稿ではWavelet_Attention_UNet(WATUNet)と呼ばれる新しいセグメンテーションモデルを提案する。
このモデルでは、簡単な接続ではなく、ウェーブレットゲート(WG)とアテンションゲート(AG)をエンコーダとデコーダの間に組み込んで、上記の制限を克服する。
論文 参考訳（メタデータ） (2023-11-17T20:32:37Z) - A Two-Stage Generative Model with CycleGAN and Joint Diffusion for
MRI-based Brain Tumor Detection [41.454028276986946]
本稿では,脳腫瘍の検出とセグメンテーションを改善するための2段階生成モデル(TSGM)を提案する。
CycleGANは、未ペアデータに基づいてトレーニングされ、データとして正常な画像から異常な画像を生成する。
VE-JPは、合成対の異常画像をガイドとして使用して、健康な画像の再構成を行う。
論文 参考訳（メタデータ） (2023-11-06T12:58:26Z) - HGT: A Hierarchical GCN-Based Transformer for Multimodal Periprosthetic
Joint Infection Diagnosis Using CT Images and Text [0.0]
補綴関節感染症(PJI)は重篤な合併症である。
現在,CT画像とPJIの数値テキストデータを組み合わせた統一診断基準が確立されていない。
本研究では,ディープラーニングとマルチモーダル技術に基づく診断手法であるHGTを紹介する。
論文 参考訳（メタデータ） (2023-05-29T11:25:57Z) - Acute ischemic stroke lesion segmentation in non-contrast CT images
using 3D convolutional neural networks [0.0]
非コントラストCT脳画像における急性虚血性脳梗塞の容積分画を目的とした自動アルゴリズムを提案する。
我々のディープラーニングアプローチは、人気のある3D U-Net畳み込みニューラルネットワークアーキテクチャに基づいている。
論文 参考訳（メタデータ） (2023-01-17T10:39:39Z) - Reliable Joint Segmentation of Retinal Edema Lesions in OCT Images [55.83984261827332]
本稿では,信頼性の高いマルチスケールウェーブレットエンハンストランスネットワークを提案する。
本研究では,ウェーブレット型特徴抽出器ネットワークとマルチスケール変圧器モジュールを統合したセグメンテーションバックボーンを開発した。
提案手法は,他の最先端セグメンテーション手法と比較して信頼性の高いセグメンテーション精度を実現する。
論文 参考訳（メタデータ） (2022-12-01T07:32:56Z) - Weaving Attention U-net: A Novel Hybrid CNN and Attention-based Method
for Organs-at-risk Segmentation in Head and Neck CT Images [11.403827695550111]
我々は、畳み込みニューラルネットワーク(CNN)と自己認識機構を組み合わせた、新しいハイブリッドディープラーニングアプローチを開発した。
提案手法は10臓器対リスク(OAR)の基底真理によく似た輪郭を生成する。
新しいウィービング注意U-netは頭頸部CT画像のセグメンテーションに優れているか類似した性能を示した。
論文 参考訳（メタデータ） (2021-07-10T14:27:46Z) - Automatic size and pose homogenization with spatial transformer network
to improve and accelerate pediatric segmentation [51.916106055115755]
空間変換器ネットワーク(STN)を利用することにより、ポーズとスケール不変の新たなCNNアーキテクチャを提案する。
私たちのアーキテクチャは、トレーニング中に一緒に見積もられる3つのシーケンシャルモジュールで構成されています。
腹部CTスキャナーを用いた腎および腎腫瘍の分節法について検討した。
論文 参考訳（メタデータ） (2021-07-06T14:50:03Z) - Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for
Thoracic Disease Identification [83.6017225363714]
ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。
胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。
本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
論文 参考訳（メタデータ） (2021-02-26T02:29:30Z) - Classification of COVID-19 in CT Scans using Multi-Source Transfer
Learning [91.3755431537592]
我々は,従来のトランスファー学習の改良にマルチソース・トランスファー・ラーニングを応用して,CTスキャンによる新型コロナウイルスの分類を提案する。
マルチソースファインチューニングアプローチでは、ImageNetで微調整されたベースラインモデルよりも優れています。
我々の最高のパフォーマンスモデルは、0.893の精度と0.897のリコールスコアを達成でき、ベースラインのリコールスコアを9.3%上回った。
論文 参考訳（メタデータ） (2020-09-22T11:53:06Z) - Improved Slice-wise Tumour Detection in Brain MRIs by Computing
Dissimilarities between Latent Representations [68.8204255655161]
磁気共鳴画像(MRI)の異常検出は教師なし手法で行うことができる。
本研究では,変分オートエンコーダの潜伏空間における相似関数の計算に基づいて,腫瘍検出のためのスライスワイズ半教師法を提案する。
本研究では,高解像度画像上でのモデルをトレーニングし,再現の質を向上させることにより,異なるベースラインに匹敵する結果が得られることを示す。
論文 参考訳（メタデータ） (2020-07-24T14:02:09Z) - Pathological Retinal Region Segmentation From OCT Images Using Geometric
Relation Based Augmentation [84.7571086566595]
本稿では,幾何学と形状の内在的関係を共同で符号化することで,従来のGANベースの医用画像合成法よりも優れた手法を提案する。
提案手法は,取得手順の異なる画像を有する公開RETOUCHデータセット上で,最先端のセグメンテーション手法より優れている。
論文 参考訳（メタデータ） (2020-03-31T11:50:43Z)
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。