論文の概要: Label-Free Liver Tumor Segmentation

• arxiv url: http://arxiv.org/abs/2303.14869v1
• Date: Mon, 27 Mar 2023 01:22:12 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-28 17:15:37.067555
• Title: Label-Free Liver Tumor Segmentation
• Title（参考訳）: ラベルフリー肝腫瘍切除
• Authors: Qixin Hu, Yixiong Chen, Junfei Xiao, Shuwen Sun, Jieneng Chen, Alan Yuille, Zongwei Zhou
• Abstract要約: 我々は, 合成腫瘍をCTスキャンで使用することにより, 手動によるアノテーションを必要とせずに, 肝腫瘍を正確に分類できることを示した。 私たちの合成腫瘍には、現実的な形状とテクスチャという、2つの興味深い利点があります。 私たちの合成腫瘍は、小さな(あるいは小さな)合成腫瘍の多くの例を自動的に生成することができます。
• 参考スコア（独自算出の注目度）: 10.851067782021902
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We demonstrate that AI models can accurately segment liver tumors without the need for manual annotation by using synthetic tumors in CT scans. Our synthetic tumors have two intriguing advantages: (I) realistic in shape and texture, which even medical professionals can confuse with real tumors; (II) effective for training AI models, which can perform liver tumor segmentation similarly to the model trained on real tumors -- this result is exciting because no existing work, using synthetic tumors only, has thus far reached a similar or even close performance to real tumors. This result also implies that manual efforts for annotating tumors voxel by voxel (which took years to create) can be significantly reduced in the future. Moreover, our synthetic tumors can automatically generate many examples of small (or even tiny) synthetic tumors and have the potential to improve the success rate of detecting small liver tumors, which is critical for detecting the early stages of cancer. In addition to enriching the training data, our synthesizing strategy also enables us to rigorously assess the AI robustness.
• Abstract（参考訳）: 我々は,ctスキャンで合成腫瘍を用いて,手作業による注記を必要とせず,aiモデルが肝腫瘍を正確に分割できることを実証する。 われわれの合成腫瘍は、2つの興味深い利点がある: (I) 現実的な形状とテクスチャ、医療専門家でさえ本物の腫瘍と混同できる; (II) 肝腫瘍のセグメント化を実際の腫瘍で訓練されたモデルと同じような方法で行うことができるAIモデルを訓練するのに効果的である。 この結果から, 将来, Voxel (Voxel) による腫瘍のアノテートに対する手作業が著しく削減される可能性が示唆された。 さらに, 合成腫瘍は小腫瘍(あるいは小腫瘍)の例を自動生成し, 癌の早期発見に不可欠である小肝腫瘍の検出成功率を向上させる可能性を秘めている。 トレーニングデータの充実に加えて、私たちの合成戦略により、AIの堅牢性を厳格に評価することができます。

関連論文リスト

• Analyzing Tumors by Synthesis [11.942932753828854]
  腫瘍合成は、腫瘍検出とセグメンテーションのためのAIトレーニングを支援するために、医療画像に多数の腫瘍例を生成する。 この章では、実データと合成データに関するAI開発についてレビューする。 ケーススタディによると、合成腫瘍で訓練されたAIは、実際のデータで訓練されたAIに匹敵する、あるいはそれ以上のパフォーマンスを達成することができる。
  論文  参考訳（メタデータ） (2024-09-09T19:51:44Z)
• FreeTumor: Advance Tumor Segmentation via Large-Scale Tumor Synthesis [7.064154713491736]
  FreeTumorは、堅牢な腫瘍合成とセグメンテーションのための堅牢なソリューションである。 合成トレーニングでは、敵のトレーニング戦略を使用して、大規模で多種多様なラベル付きデータを活用している。 FreeTumorでは,腫瘍セグメント化におけるデータスケーリングの法則について,データセットを1万1千件までスケールアップすることで検討する。
  論文  参考訳（メタデータ） (2024-06-03T12:27:29Z)
• Boosting Medical Image-based Cancer Detection via Text-guided Supervision from Reports [68.39938936308023]
  本研究では, 高精度ながん検出を実現するための新しいテキスト誘導学習法を提案する。 本手法は,大規模プレトレーニングVLMによる臨床知識の活用により,一般化能力の向上が期待できる。
  論文  参考訳（メタデータ） (2024-05-23T07:03:38Z)
• Towards Generalizable Tumor Synthesis [48.45704270448412]
  腫瘍合成は、医用画像における人工腫瘍の作成を可能にし、腫瘍の検出とセグメンテーションのためのAIモデルのトレーニングを容易にする。 本論文は, 臨界観察を生かして, 一般化可能な腫瘍合成に向けて進歩的な一歩を踏み出した。 私たちは、Diffusion Modelsのような生成AIモデルが、単一の臓器から限られた数の腫瘍例を訓練しても、様々な臓器に一般化された現実的な腫瘍を作成できることを確認した。
  論文  参考訳（メタデータ） (2024-02-29T18:57:39Z)
• Early Detection and Localization of Pancreatic Cancer by Label-Free Tumor Synthesis [11.86190788916592]
  膵癌の早期発見と局所化は、患者の5年間の生存率を8.5%から20%に引き上げることができる。 トレーニングAIモデルには、多数の注釈付きサンプルが必要だが、早期の腫瘍を取得するCTスキャンが利用可能であることには制約がある。 手動のアノテーションを必要とせず, 膵内小膵腫瘍の膨大な例を合成できる腫瘍合成法を開発した。
  論文  参考訳（メタデータ） (2023-08-06T03:37:34Z)
• Prediction of brain tumor recurrence location based on multi-modal fusion and nonlinear correlation learning [55.789874096142285]
  深層学習に基づく脳腫瘍再発位置予測ネットワークを提案する。 まず、パブリックデータセットBraTS 2021上で、マルチモーダル脳腫瘍セグメンテーションネットワークをトレーニングする。 次に、事前訓練されたエンコーダを、リッチなセマンティックな特徴を抽出するために、プライベートデータセットに転送する。 2つのデコーダは、現在の脳腫瘍を共同に分断し、将来の腫瘍再発位置を予測するために構築されている。
  論文  参考訳（メタデータ） (2023-04-11T02:45:38Z)
• Synthetic Tumors Make AI Segment Tumors Better [10.851067782021902]
  我々は合成腫瘍を生成するための新しい戦略を開発した。 腫瘍は形やテクスチャがリアルで、医療従事者でも本物の腫瘍と混同できる。 私たちの合成腫瘍は、小さな腫瘍検出の成功率を向上させる可能性がある。
  論文  参考訳（メタデータ） (2022-10-26T16:45:19Z)
• Triplet Contrastive Learning for Brain Tumor Classification [99.07846518148494]
  本稿では,脳腫瘍の深層埋め込みを直接学習する手法を提案する。 本手法は,27種類の腫瘍群からなる広範囲な脳腫瘍データセットを用いて評価し,そのうち13種は稀である。
  論文  参考訳（メタデータ） (2021-08-08T11:26:34Z)
• Spectral-Spatial Recurrent-Convolutional Networks for In-Vivo Hyperspectral Tumor Type Classification [49.32653090178743]
  ハイパースペクトル画像とディープラーニングを用いたin-vivo腫瘍型分類の可能性を示した。 我々の最良のモデルは76.3%のAUCを達成し、従来の学習手法とディープラーニング手法を著しく上回っている。
  論文  参考訳（メタデータ） (2020-07-02T12:00:53Z)
• 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。

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。