Fugu-MT 論文翻訳(概要): Comparing Adversarial and Supervised Learning for Organs at Risk Segmentation in CT images

論文の概要: Comparing Adversarial and Supervised Learning for Organs at Risk Segmentation in CT images

arxiv url: http://arxiv.org/abs/2303.17941v1
Date: Fri, 31 Mar 2023 10:10:05 GMT
ステータス: 処理完了
システム内更新日: 2023-04-03 14:33:08.284336
Title: Comparing Adversarial and Supervised Learning for Organs at Risk Segmentation in CT images
Title（参考訳）: CT画像におけるリスクセグメンテーションにおける臓器の対立学習と監視学習の比較
Authors: Leonardo Crespi, Mattia Portanti, Daniele Loiacono
Abstract要約: 放射線治療ワークフローの重要な構成要素は、CTスキャンからのOrgan at Risk (OAR)セグメンテーションである。本稿では,GAN(Generative Adversarial Networks)の性能について,CT画像からOARをセグメント化するための教師付き学習手法と比較して検討する。結果は非常に有望であり、提案されたGANベースのアプローチがCNNベースのアプローチと似ているか、あるいは優れていることを示している。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-sa/4.0/
Abstract: Organ at Risk (OAR) segmentation from CT scans is a key component of the radiotherapy treatment workflow. In recent years, deep learning techniques have shown remarkable potential in automating this process. In this paper, we investigate the performance of Generative Adversarial Networks (GANs) compared to supervised learning approaches for segmenting OARs from CT images. We propose three GAN-based models with identical generator architectures but different discriminator networks. These models are compared with well-established CNN models, such as SE-ResUnet and DeepLabV3, using the StructSeg dataset, which consists of 50 annotated CT scans containing contours of six OARs. Our work aims to provide insight into the advantages and disadvantages of adversarial training in the context of OAR segmentation. The results are very promising and show that the proposed GAN-based approaches are similar or superior to their CNN-based counterparts, particularly when segmenting more challenging target organs.
Abstract（参考訳）: organ at risk (oar) segmentation from ct scansは放射線治療のワークフローの重要な要素である。近年,ディープラーニング技術は,このプロセスの自動化に大きな可能性を示している。本稿では,GAN(Generative Adversarial Networks)の性能をCT画像からOARをセグメント化するための教師付き学習手法と比較する。同一のジェネレータアーキテクチャを持つ3つのGANモデルを提案する。これらのモデルは、se-resunetやdeeplabv3といった確立されたcnnモデルと比較され、6つのオールの輪郭を含む50の注釈付きctスキャンからなるstructsegデータセットを使用する。本研究は,OARセグメンテーションの文脈における対人訓練の利点とデメリットに関する知見を提供することを目的としている。結果は非常に有望であり、提案されたGANベースのアプローチがCNNベースのアプローチと似ているか、あるいは優れていることを示している。

関連論文リスト

Abnormality-Driven Representation Learning for Radiology Imaging [0.8321462983924758]
病変強調型コントラスト学習(LeCL)は,CTスキャンの異なる部位にわたる2次元軸方向スライスにおける異常により引き起こされる視覚的表現を得るための新しい手法である。本研究は, 腫瘍病変位置, 肺疾患検出, 患者ステージングの3つの臨床的課題に対するアプローチを, 最先端の4つの基礎モデルと比較した。
論文参考訳（メタデータ） (2024-11-25T13:53:26Z)
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)
Two-Stream Graph Convolutional Network for Intra-oral Scanner Image Segmentation [133.02190910009384]
本稿では,2ストリームグラフ畳み込みネットワーク(TSGCN)を提案する。 TSGCNは3次元歯(表面)セグメンテーションにおいて最先端の方法よりも優れています。
論文参考訳（メタデータ） (2022-04-19T10:41:09Z)
Multi-organ Segmentation Network with Adversarial Performance Validator [10.775440368500416]
本稿では,2次元から3次元のセグメンテーションフレームワークに対向的な性能検証ネットワークを導入する。提案したネットワークは, 2次元粗い結果から3次元高品質なセグメンテーションマスクへの変換を行い, 共同最適化によりセグメンテーション精度が向上する。 NIH膵分節データセットの実験では、提案したネットワークが小臓器分節の最先端の精度を達成し、過去の最高性能を上回った。
論文参考訳（メタデータ） (2022-04-16T18:00:29Z)
A unified 3D framework for Organs at Risk Localization and Segmentation for Radiation Therapy Planning [56.52933974838905]
現在の医療ワークフローは、OAR(Organs-at-risk)のマニュアル記述を必要とする本研究は,OARローカライゼーション・セグメンテーションのための統合された3Dパイプラインの導入を目的とする。提案手法は医用画像に固有の3Dコンテキスト情報の活用を可能にする。
論文参考訳（メタデータ） (2022-03-01T17:08:41Z)
SECP-Net: SE-Connection Pyramid Network of Organ At Risk Segmentation for Nasopharyngeal Carcinoma [0.0]
深層学習モデルは医用画像セグメンテーションタスクに広く応用されている。従来のディープニューラルネットワークは、グローバルおよびマルチサイズ情報の使用が欠如しているため、セグメンテーション時に性能が低下する。本稿ではセグメンテーション性能を向上させるための新しいSE-Connection Pyramid Network(SECP-Net)を提案する。
論文参考訳（メタデータ） (2021-12-28T07:48:18Z)
Generalized Organ Segmentation by Imitating One-shot Reasoning using Anatomical Correlation [55.1248480381153]
そこで我々は,アノテーション付きオルガンクラスから一般化されたオルガン概念を学習し,その概念を未知のクラスに転送するOrganNetを提案する。そこで,OrganNetは臓器形態の幅広い変化に効果的に抵抗でき,一発分節タスクで最先端の結果が得られることを示す。
論文参考訳（メタデータ） (2021-03-30T13:41:12Z)
TricycleGAN: Unsupervised Image Synthesis and Segmentation Based on Shape Priors [0.0]
本稿では,TricycleGANと呼ばれる,教師なし・半教師付き画像分割が可能な新しいネットワークアーキテクチャを提案する。このアプローチでは、3つの生成モデルを用いて、中間ステップとしてエッジマップを用いて医療画像とセグメンテーションマップ間の翻訳を学習する。腎超音波画像の臨床データセットとISIC 2018皮膚病変データセットのベンチマークを用いてTricycleGANを用いた実験を行った。
論文参考訳（メタデータ） (2021-02-04T15:36:18Z)
Semi-supervised Semantic Segmentation of Prostate and Organs-at-Risk on 3D Pelvic CT Images [9.33145393480254]
効果的なディープラーニングモデルのトレーニングは通常、大量の高品質なラベル付きデータを必要とする。骨盤CT画像セマンティックセグメンテーションのための半教師付き対位深層学習手法を開発した。
論文参考訳（メタデータ） (2020-09-21T01:57:23Z)
Pairwise Relation Learning for Semi-supervised Gland Segmentation [90.45303394358493]
病理組織像における腺分節に対するPRS2モデルを提案する。このモデルはセグメンテーションネットワーク(S-Net)とペア関係ネットワーク(PR-Net)から構成される。我々は,GlaSデータセットの最近の5つの手法とCRAGデータセットの最近の3つの手法を比較した。
論文参考訳（メタデータ） (2020-08-06T15:02:38Z)
A Global Benchmark of Algorithms for Segmenting Late Gadolinium-Enhanced Cardiac Magnetic Resonance Imaging [90.29017019187282]
現在世界最大の心臓LGE-MRIデータセットである154個の3D LGE-MRIを用いた「2018 left Atrium Challenge」。技術および生物学的指標を用いた提案アルゴリズムの解析を行った。その結果, 最上部法は93.2%, 平均表面は0.7mmであった。
論文参考訳（メタデータ） (2020-04-26T08:49:17Z)

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。