Fugu-MT 論文翻訳(概要): Trustworthy Multi-phase Liver Tumor Segmentation via Evidence-based Uncertainty

論文の概要: Trustworthy Multi-phase Liver Tumor Segmentation via Evidence-based Uncertainty

arxiv url: http://arxiv.org/abs/2305.05344v2
Date: Tue, 20 Jun 2023 14:00:31 GMT
ステータス: 処理完了
システム内更新日: 2023-06-22 02:21:29.253385
Title: Trustworthy Multi-phase Liver Tumor Segmentation via Evidence-based Uncertainty
Title（参考訳）: Evidence-based Uncertainty による肝腫瘍切除
Authors: Chuanfei Hu, Tianyi Xia, Ying Cui, Quchen Zou, Yuancheng Wang, Wenbo Xiao, Shenghong Ju, Xinde Li
Abstract要約: 多相肝腫瘍セグメンテーション(MPLiTS)法は冗長性と弱い解釈性に悩まされる。 TMPLiTS(Trustworthy Multi-phase liver tumor segmentation)を提案する。 TMPLiTSは、セグメンテーションと不確実性推定を共同で行う統合フレームワークである。
参考スコア（独自算出の注目度）: 6.631670005069929
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Multi-phase liver contrast-enhanced computed tomography (CECT) images convey the complementary multi-phase information for liver tumor segmentation (LiTS), which are crucial to assist the diagnosis of liver cancer clinically. However, the performances of existing multi-phase liver tumor segmentation (MPLiTS)-based methods suffer from redundancy and weak interpretability, % of the fused result, resulting in the implicit unreliability of clinical applications. In this paper, we propose a novel trustworthy multi-phase liver tumor segmentation (TMPLiTS), which is a unified framework jointly conducting segmentation and uncertainty estimation. The trustworthy results could assist the clinicians to make a reliable diagnosis. Specifically, Dempster-Shafer Evidence Theory (DST) is introduced to parameterize the segmentation and uncertainty as evidence following Dirichlet distribution. The reliability of segmentation results among multi-phase CECT images is quantified explicitly. Meanwhile, a multi-expert mixture scheme (MEMS) is proposed to fuse the multi-phase evidences, which can guarantee the effect of fusion procedure based on theoretical analysis. Experimental results demonstrate the superiority of TMPLiTS compared with the state-of-the-art methods. Meanwhile, the robustness of TMPLiTS is verified, where the reliable performance can be guaranteed against the perturbations.
Abstract（参考訳）: 多相肝造影CT(Multi-phase liver contrast-enhanced Computed Tomography, CECT)画像は,肝癌の臨床的診断に重要な肝腫瘍セグメンテーション(LiTS)の相補的多相情報を伝達する。しかし, 既存の多相肝腫瘍分画法(mplits)は冗長性, 弱い解釈性に苦しむため, 臨床応用の信頼性が暗黙的に低下した。本稿では, 分節化と不確実性推定を共同で行う統一的な枠組みである, 信頼性の高い多相肝腫瘍分節(tmplits)を提案する。信頼できる結果は、臨床医が信頼できる診断を行うのに役立つ。具体的には、ディリクレ分布に続く証拠として、セグメンテーションと不確実性をパラメータ化するためにDST(Dempster-Shafer Evidence Theory)が導入された。多相CECT画像間のセグメンテーション結果の信頼性を明示的に定量化する。一方, 多相混合法(MEMS)は, 多相証拠を融合するために提案され, 理論解析に基づく融合処理の効果を保証できる。実験の結果,TMPLiTSは最先端手法に比べて優れていた。一方、TMPLiTSの堅牢性は検証され、信頼性の高い性能が摂動に対して保証される。

関連論文リスト

ETSCL: An Evidence Theory-Based Supervised Contrastive Learning Framework for Multi-modal Glaucoma Grading [7.188153974946432]
緑内障は視覚障害の主要な原因の1つである。医用画像の類似度が高いことと、不均衡なマルチモーダルデータ分布のため、信頼性の高い特徴を抽出することは依然として困難である。コントラストのある特徴抽出段階と決定レベルの融合段階からなる新しいフレームワークであるETSCLを提案する。
論文参考訳（メタデータ） (2024-07-19T11:57:56Z)
XAI for In-hospital Mortality Prediction via Multimodal ICU Data [57.73357047856416]
マルチモーダルICUデータを用いて病院内死亡率を予測するための,効率的で説明可能なAIソリューションを提案する。我々は,臨床データから異種入力を受信し,意思決定を行うマルチモーダル・ラーニングを我々のフレームワークに導入する。我々の枠組みは、医療研究において重要な要素の発見を容易にする他の臨床課題に容易に移行することができる。
論文参考訳（メタデータ） (2023-12-29T14:28:04Z)
Edge-aware Multi-task Network for Integrating Quantification Segmentation and Uncertainty Prediction of Liver Tumor on Multi-modality Non-contrast MRI [21.57865822575582]
本稿では, マルチインデックス定量化, セグメンテーション, 肝腫瘍の不確実性を関連付けるために, エッジ対応マルチタスクネットワーク(EaMtNet)の統一フレームワークを提案する。提案したモデルでは最先端の技術を大きなマージンで上回り、ダイス類似係数は90.01$pm$1.23、平均絶対誤差は2.72$pm$0.58 mmである。
論文参考訳（メタデータ） (2023-07-04T16:08:18Z)
A Reliable and Interpretable Framework of Multi-view Learning for Liver Fibrosis Staging [13.491056805108183]
肝線維化の進行は肝疾患患者の診断と治療計画に重要である。腹部磁気共鳴画像(MRI)を用いた最新の深層学習法は、通常、肝臓のサブリージョンを入力として扱う。我々は,この課題を多視点学習問題として定式化し,肝臓の複数の部分領域を用いる。
論文参考訳（メタデータ） (2023-06-21T06:53:51Z)
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)
Towards Reliable Medical Image Segmentation by utilizing Evidential Calibrated Uncertainty [52.03490691733464]
本稿では,医療画像セグメンテーションネットワークにシームレスに統合可能な,実装が容易な基礎モデルであるDEviSを紹介する。主観的論理理論を利用して、医用画像分割の問題に対する確率と不確実性を明示的にモデル化する。 DeviSには不確実性を考慮したフィルタリングモジュールが組み込まれている。
論文参考訳（メタデータ） (2023-01-01T05:02:46Z)
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)
Joint Liver and Hepatic Lesion Segmentation in MRI using a Hybrid CNN with Transformer Layers [2.055026516354464]
SWTR-Unetと呼ばれるハイブリッドネットワークは、事前訓練されたResNet、トランスフォーマーブロック、共通のUnetスタイルのデコーダパスで構成されている。 Diceスコアが平均98-2%,MRIデータセットで81-28%,CTデータセットで97-2%,79-25%であったことから,提案したSWTR-Unetは肝病変と肝病変のセグメンテーションの正確なアプローチであることが判明した。
論文参考訳（メタデータ） (2022-01-26T14:52:23Z)
Dual-Consistency Semi-Supervised Learning with Uncertainty Quantification for COVID-19 Lesion Segmentation from CT Images [49.1861463923357]
CT画像を用いた半監視型COVID-19病変分割のための不確実性誘導型二重一貫性学習ネットワーク(UDC-Net)を提案する。提案した UDC-Net は,Dice の完全教師方式を 6.3% 向上させ,他の競合的半監督方式を有意なマージンで上回っている。
論文参考訳（メタデータ） (2021-04-07T16:23:35Z)
Multi-Slice Low-Rank Tensor Decomposition Based Multi-Atlas Segmentation: Application to Automatic Pathological Liver CT Segmentation [4.262342157729123]
腹部CT像からの肝分画は,肝癌のコンピュータ診断と手術計画に必須のステップである。現在、既存の肝セグメンテーション法の精度と堅牢性は臨床応用の要件を満たしていない。低ランクテンソル分解(LRTD)ベースのマルチアトラス分割(MAS)フレームワークを提案し、CT画像の正確で堅牢な病理学的肝分割を実現する。
論文参考訳（メタデータ） (2021-02-24T04:09:39Z)
Detecting Pancreatic Ductal Adenocarcinoma in Multi-phase CT Scans via Alignment Ensemble [77.5625174267105]
膵管腺癌(PDAC)は最も致命的ながんの1つである。複数のフェーズは単一のフェーズよりも多くの情報を提供するが、それらは整列せず、テクスチャにおいて不均一である。 PDAC検出性能を高めるために,これらすべてのアライメントのアンサンブルを提案する。
論文参考訳（メタデータ） (2020-03-18T19:06:27Z)

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。