Fugu-MT 論文翻訳(概要): Kidney and Kidney Tumour Segmentation in CT Images

論文の概要: Kidney and Kidney Tumour Segmentation in CT Images

arxiv url: http://arxiv.org/abs/2212.13034v1
Date: Mon, 26 Dec 2022 08:08:44 GMT
ステータス: 処理完了
システム内更新日: 2022-12-27 13:56:53.176428
Title: Kidney and Kidney Tumour Segmentation in CT Images
Title（参考訳）: ct画像における腎臓および腎臓腫瘍の分画
Authors: Qi Ming How and Hoi Leong Lee
Abstract要約: 本研究は,造影CT画像における腎および腎腫瘍の自動分画法の開発に焦点をあてる。 3D U-Netセグメンテーションモデルを開発した。試験では、腎臓のDiceスコアが0.8034、腎臓のDiceスコアが0.4713、平均のDiceスコアが0.6374であった。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: Automatic segmentation of kidney and kidney tumour in Computed Tomography (CT) images is essential, as it uses less time as compared to the current gold standard of manual segmentation. However, many hospitals are still reliant on manual study and segmentation of CT images by medical practitioners because of its higher accuracy. Thus, this study focuses on the development of an approach for automatic kidney and kidney tumour segmentation in contrast-enhanced CT images. A method based on Convolutional Neural Network (CNN) was proposed, where a 3D U-Net segmentation model was developed and trained to delineate the kidney and kidney tumour from CT scans. Each CT image was pre-processed before inputting to the CNN, and the effect of down-sampled and patch-wise input images on the model performance was analysed. The proposed method was evaluated on the publicly available 2021 Kidney and Kidney Tumour Segmentation Challenge (KiTS21) dataset. The method with the best performing model recorded an average training Dice score of 0.6129, with the kidney and kidney tumour Dice scores of 0.7923 and 0.4344, respectively. For testing, the model obtained a kidney Dice score of 0.8034, and a kidney tumour Dice score of 0.4713, with an average Dice score of 0.6374.
Abstract（参考訳）: Computed Tomography (CT) 画像における腎腫瘍と腎腫瘍の自動分節は, 従来の手動分節法に比べて少ない時間で行うことができるため, 必須である。しかし, 医療従事者による手動研究やCT画像の分割は, 精度が高いため, 依然として多くの病院が頼りにしている。そこで本研究では,造影CT画像における腎および腎腫瘍の自動分節法の開発に焦点をあてる。畳み込みニューラルネットワーク(convolutional neural network, cnn)を用いた3次元u-netセグメンテーションモデルを開発し, ctスキャンから腎臓と腎臓の腫瘍を描出する訓練を行った。各CT画像はCNNに入力する前に前処理され、ダウンサンプリングおよびパッチワイド入力画像がモデル性能に与える影響を解析した。提案手法は2021年のKidney and Kidney Tumour Segmentation Challenge (KiTS21)データセットで評価された。最高成績モデルを用いた方法では, 平均トレーニングサイススコアが0.6129, 腎臓腫瘍サイススコアが0.7923, 腎臓腫瘍サイススコアが0.4344であった。試験では、腎臓のDiceスコアが0.8034、腎臓のDiceスコアが0.4713、平均のDiceスコアが0.6374であった。

関連論文リスト

Multi-Layer Feature Fusion with Cross-Channel Attention-Based U-Net for Kidney Tumor Segmentation [0.0]
U-Netベースのディープラーニング技術は、自動化された医用画像セグメンテーションのための有望なアプローチとして登場しつつある。腎腫瘍の診断のためのCTスキャン画像のエンドツーエンド自動セマンティックセマンティックセグメンテーションのための改良されたU-Netモデルを提案する。
論文参考訳（メタデータ） (2024-10-20T19:02:41Z)
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)
Automatic Segmentation of the Kidneys and Cystic Renal Lesions on Non-Contrast CT Using a Convolutional Neural Network [0.1398098625978622]
従来の自動セグメンテーションモデルでは、非コントラストCT画像がほとんど無視されていた。この研究は、非コントラストCTスキャンから腎臓と嚢胞性腎病変(CRL)を分離するために、ディープラーニング(DL)モデルを実装し、訓練することを目的としている。
論文参考訳（メタデータ） (2024-05-14T02:34:56Z)
Exploring 3D U-Net Training Configurations and Post-Processing Strategies for the MICCAI 2023 Kidney and Tumor Segmentation Challenge [16.189621599350684]
2023年には81,800人の腎臓がんが新たに診断され、米国では14,890人がこのがんで死亡すると推定されている。腎腫瘍と腎腫瘍の像の特徴に微妙な違いがあるため、サーバ間変動が存在する。
論文参考訳（メタデータ） (2023-12-09T10:42:50Z)
An Ensemble of 2.5D ResUnet Based Models for Segmentation for Kidney and Masses [5.488270456927515]
CTスキャンによる腎, 腎腫瘍, 腎嚢胞の自動分離は, 課題である。 2.5D ResUnetは、CTスキャンの厚さの広い範囲と不均衡分布を考慮して、効率的な粗大なセマンティックセマンティックセグメンテーションフレームワークを構築するために採用されている。
論文参考訳（メタデータ） (2023-11-27T07:24:50Z)
TRUSTED: The Paired 3D Transabdominal Ultrasound and CT Human Data for Kidney Segmentation and Registration Research [42.90853857929316]
腹部超音波(US)データを用いたIMIR(Inter-modal Image registration)と画像分割は,多くの重要な臨床応用例である。ヒト48例の経腹部3DUSとCT腎像を組み合わせたTRUSTED(Tridimensional Ultra Sound TomodEnsitometrie dataset)を提案する。
論文参考訳（メタデータ） (2023-10-19T11:09:50Z)
TotalSegmentator: robust segmentation of 104 anatomical structures in CT images [48.50994220135258]
身体CT画像の深層学習セグメント化モデルを提案する。このモデルは、臓器の容積、疾患の特徴、外科的または放射線療法計画などのユースケースに関連する104の解剖学的構造を区分することができる。
論文参考訳（メタデータ） (2022-08-11T15:16:40Z)
Leveraging Clinical Characteristics for Improved Deep Learning-Based Kidney Tumor Segmentation on CT [0.0]
本研究は, 腎癌の自動分節化を画像診断に加え, 臨床的特徴を用いることで改善できるかどうかを考察する。造影CT検査および臨床像を施行した腎癌患者300名を含む。セグメンテーションの改善のために臨床特性を活用するために,認識型サンプリング戦略が用いられた。
論文参考訳（メタデータ） (2021-09-13T09:38:22Z)
A self-supervised learning strategy for postoperative brain cavity segmentation simulating resections [46.414990784180546]
畳み込みニューラルネットワーク(CNN)は最先端の画像セグメンテーション技術である。 CNNはトレーニングに大量の注釈付きデータセットを必要とする。自己教師型学習戦略は、トレーニングにラベルのないデータを活用することができる。
論文参考訳（メタデータ） (2021-05-24T12:27:06Z)
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)
Machine-Learning-Based Multiple Abnormality Prediction with Large-Scale Chest Computed Tomography Volumes [64.21642241351857]
19,993症例から36,316巻の胸部CTデータセットを収集,解析した。自由テキストラジオグラフィーレポートから異常ラベルを自動的に抽出するルールベース手法を開発した。胸部CTボリュームの多臓器・多臓器分類モデルも開発した。
論文参考訳（メタデータ） (2020-02-12T00:59:23Z)

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。