論文の概要: Convolutions, Transformers, and their Ensembles for the Segmentation of
Organs at Risk in Radiation Treatment of Cervical Cancer
- arxiv url: http://arxiv.org/abs/2303.11501v1
- Date: Mon, 20 Mar 2023 23:44:35 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-22 17:06:13.100010
- Title: Convolutions, Transformers, and their Ensembles for the Segmentation of
Organs at Risk in Radiation Treatment of Cervical Cancer
- Title（参考訳）: 子宮頸癌放射線治療における臓器の分別のための畳み込み, トランスフォーマー, およびそれらの組合わせ
- Authors: Vangelis Kostoulas, Peter A.N. Bosman, and Tanja Alderliesten
- Abstract要約: 子宮頸癌の放射線治療におけるOAR(Organs At Risk)のセグメンテーションの課題に答える。
我々は、異なるアーキテクチャに属するいくつかの最先端モデルと、いくつかの最先端モデルの側面を組み合わせたいくつかの新しいモデルを比較した。
モデル予測を可視化し、その出力確率を平均化し、モデル予測間のDice Coefficientを計算する。
- 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: Segmentation of regions of interest in images of patients, is a crucial step
in many medical procedures. Deep neural networks have proven to be particularly
adept at this task. However, a key question is what type of deep neural network
to choose, and whether making a certain choice makes a difference. In this
work, we will answer this question for the task of segmentation of the Organs
At Risk (OARs) in radiation treatment of cervical cancer (i.e., bladder, bowel,
rectum, sigmoid) in Magnetic Resonance Imaging (MRI) scans. We compare several
state-of-the-art models belonging to different architecture categories, as well
as a few new models that combine aspects of several state-of-the-art models, to
see if the results one gets are markedly different. We visualize model
predictions, create all possible ensembles of models by averaging their output
probabilities, and calculate the Dice Coefficient between predictions of
models, in order to understand the differences between them and the potential
of possible combinations. The results show that small improvements in metrics
can be achieved by advancing and merging architectures, but the predictions of
the models are quite similar (most models achieve on average more than 0.8 Dice
Coefficient when compared to the outputs of other models). However, the results
from the ensemble experiments indicate that the best results are obtained when
the best performing models from every category of the architectures are
combined.
- Abstract（参考訳）: 患者の画像に対する関心領域の分離は多くの医療処置において重要なステップである。
ディープニューラルネットワークはこのタスクに特に適していることが証明されている。
しかし、鍵となる疑問は、どのタイプのディープニューラルネットワークを選ぶべきか、特定の選択をするかどうかだ。
本研究では, 頚部癌(膀胱, 腸, 直腸, sigmoid)のMRI検査における放射線治療におけるOAR(Organs At Risk)のセグメンテーションの課題について, この問いに答える。
異なるアーキテクチャカテゴリに属する最先端のモデルと、いくつかの最先端のモデルの側面を組み合わせたいくつかの新しいモデルを比較して、結果が著しく異なるかどうかを確認した。
モデルの予測を可視化し,出力確率を平均化し,モデルの全ての可能なアンサンブルを作成し,モデルの予測間のサイス係数を計算し,それらの違いと可能な組み合わせの可能性を理解する。
結果は、アーキテクチャの進歩とマージによって、メトリクスの小さな改善が達成できることを示しているが、モデルの予測はかなり似ている(ほとんどのモデルは、他のモデルの出力と比較して平均0.8Dice Coefficientで達成される)。
しかし, アンサンブル実験の結果から, アーキテクチャの各カテゴリで最高のモデルが組み合わされた場合に, 最良の結果が得られることが示された。
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) - Ambiguous Medical Image Segmentation using Diffusion Models [60.378180265885945]
我々は,グループ洞察の分布を学習することで,複数の可算出力を生成する単一拡散モデルに基づくアプローチを提案する。
提案モデルでは,拡散の固有のサンプリングプロセスを利用してセグメンテーションマスクの分布を生成する。
その結果,提案手法は既存の最先端曖昧なセグメンテーションネットワークよりも優れていることがわかった。
論文 参考訳（メタデータ） (2023-04-10T17:58:22Z) - AMIGO: Sparse Multi-Modal Graph Transformer with Shared-Context
Processing for Representation Learning of Giga-pixel Images [53.29794593104923]
本稿では,スライド病理像全体に対する共有コンテキスト処理の新たな概念を提案する。
AMIGOは、組織内のセルラーグラフを使用して、患者に単一の表現を提供する。
我々のモデルは、データの20%以下で同じ性能を達成できる程度に、欠落した情報に対して強い堅牢性を示す。
論文 参考訳（メタデータ） (2023-03-01T23:37:45Z) - Multiclass Semantic Segmentation to Identify Anatomical Sub-Regions of
Brain and Measure Neuronal Health in Parkinson's Disease [2.288652563296735]
現在、脳の解剖下領域を分析して2次元の組織像を分析する機械学習モデルは利用できない。
本研究では,Nissl/HaematoxylinおよびTyrosine hydroxylase酵素(TH,ドーパミン作動性ニューロンの生存率の指標)で染色した約1000個のアノテート2次元脳画像を用いて,ベストフィットモデルを訓練した。
このモデルは、すべての画像において2つのサブリージョンコンパクト(SNCD)とレチキュラタ(SNr)を効果的に検出できる。
論文 参考訳（メタデータ） (2023-01-07T19:35:28Z) - FAST-AID Brain: Fast and Accurate Segmentation Tool using Artificial
Intelligence Developed for Brain [0.8376091455761259]
ヒト脳の132領域への高速かつ正確なセグメンテーションのための新しい深層学習法を提案する。
提案モデルは、効率的なU-Netライクなネットワークと、異なるビューと階層関係の交差点の利点を利用する。
提案手法は,画像の事前処理や性能低下を伴わずに頭蓋骨や他の人工物を含む脳MRIデータに適用することができる。
論文 参考訳（メタデータ） (2022-08-30T16:06:07Z) - Modality Completion via Gaussian Process Prior Variational Autoencoders
for Multi-Modal Glioma Segmentation [75.58395328700821]
本稿では,患者スキャンに欠落するサブモダリティを1つ以上のインプットするために,MGP-VAE(Multi-modal Gaussian Process Prior Variational Autoencoder)を提案する。
MGP-VAEは、変分オートエンコーダ(VAE)に先立ってガウス過程(GP)を利用して、被験者/患者およびサブモダリティ相関を利用することができる。
4つのサブモダリティのうち2つ、または3つが欠落している脳腫瘍に対するMGP-VAEの適用性を示す。
論文 参考訳（メタデータ） (2021-07-07T19:06:34Z) - A Twin Neural Model for Uplift [59.38563723706796]
Upliftは条件付き治療効果モデリングの特定のケースです。
相対リスクのベイズ解釈との関連性を利用して定義した新たな損失関数を提案する。
本提案手法は,シミュレーション設定の最先端と大規模ランダム化実験による実データとの競合性を示す。
論文 参考訳（メタデータ） (2021-05-11T16:02:39Z) - Spherical coordinates transformation pre-processing in Deep Convolution
Neural Networks for brain tumor segmentation in MRI [0.0]
深層畳み込みニューラルネットワーク(DCNN)は、最近非常に有望な結果を示している。
DCNNモデルは、優れたパフォーマンスを達成するために、大きな注釈付きデータセットが必要です。
本研究では,DCNNモデルの精度を向上させるために3次元球面座標変換を仮定した。
論文 参考訳（メタデータ） (2020-08-17T05:11:05Z) - Modeling Shared Responses in Neuroimaging Studies through MultiView ICA [94.31804763196116]
被験者の大規模なコホートを含むグループ研究は、脳機能組織に関する一般的な結論を引き出す上で重要である。
グループ研究のための新しい多視点独立成分分析モデルを提案し、各被験者のデータを共有独立音源と雑音の線形結合としてモデル化する。
まず、fMRIデータを用いて、被験者間の共通音源の同定における感度の向上を示す。
論文 参考訳（メタデータ） (2020-06-11T17:29:53Z) - Improving Calibration and Out-of-Distribution Detection in Medical Image
Segmentation with Convolutional Neural Networks [8.219843232619551]
畳み込みニューラルネットワーク(CNN)は強力な医用画像分割モデルであることが示されている。
マルチタスク学習、すなわち、複数の異なるデータセット上で単一のモデルをトレーニングすることを提唱する。
一つのCNNが、文脈を自動的に認識し、各文脈における関心の組織を正確に区分することを学ぶだけでなく、そのようなジョイントモデルの方が、より正確でより良い校正された予測を持つことも示している。
論文 参考訳（メタデータ） (2020-04-12T23:42:51Z) - Knowledge Distillation for Brain Tumor Segmentation [0.0]
本研究では,学習過程におけるモデルの性能とデータ量との関係について検討する。
追加データでトレーニングされた単一のモデルは、複数のモデルのアンサンブルに近いパフォーマンスを達成し、個々のメソッドより優れています。
論文 参考訳（メタデータ） (2020-02-10T12:44:07Z)
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。