論文の概要: propnet: Propagating 2D Annotation to 3D Segmentation for Gastric Tumors
on CT Scans
- arxiv url: http://arxiv.org/abs/2305.17871v1
- Date: Mon, 29 May 2023 03:24:02 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-30 16:06:52.868457
- Title: propnet: Propagating 2D Annotation to 3D Segmentation for Gastric Tumors
on CT Scans
- Title（参考訳）: propnet : CTスキャンによる胃腫瘍の3次元切開への2次元アノテーションの応用
- Authors: Zifan Chen, Jiazheng Li, Jie Zhao, Yiting Liu, Hongfeng Li, Bin Dong,
Lei Tang, Li Zhang
- Abstract要約: 本研究は,3次元腫瘍セグメンテーションの課題に対処するために,人間の誘導した知識とユニークなモジュールを利用したモデルを提案する。
98件の患者スキャンと30件のバリデーションを行い,手作業によるアノテーション(約0.803)との相当な一致を実現し,効率を向上する。
- 参考スコア（独自算出の注目度）: 16.135854257728337
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: **Background:** Accurate 3D CT scan segmentation of gastric tumors is pivotal
for diagnosis and treatment. The challenges lie in the irregular shapes,
blurred boundaries of tumors, and the inefficiency of existing methods.
**Purpose:** We conducted a study to introduce a model, utilizing
human-guided knowledge and unique modules, to address the challenges of 3D
tumor segmentation.
**Methods:** We developed the PropNet framework, propagating radiologists'
knowledge from 2D annotations to the entire 3D space. This model consists of a
proposing stage for coarse segmentation and a refining stage for improved
segmentation, using two-way branches for enhanced performance and an up-down
strategy for efficiency.
**Results:** With 98 patient scans for training and 30 for validation, our
method achieves a significant agreement with manual annotation (Dice of 0.803)
and improves efficiency. The performance is comparable in different scenarios
and with various radiologists' annotations (Dice between 0.785 and 0.803).
Moreover, the model shows improved prognostic prediction performance (C-index
of 0.620 vs. 0.576) on an independent validation set of 42 patients with
advanced gastric cancer.
**Conclusions:** Our model generates accurate tumor segmentation efficiently
and stably, improving prognostic performance and reducing high-throughput image
reading workload. This model can accelerate the quantitative analysis of
gastric tumors and enhance downstream task performance.
- Abstract（参考訳）: ※背景:** 胃癌の3D CT スキャンの正確なセグメンテーションは診断と治療に重要である。
課題は、不規則な形状、ぼやけた腫瘍の境界、既存の方法の非効率性にある。
*目的:**] 3d腫瘍の分節化の課題に対処するために,人間誘導知識とユニークなモジュールを用いたモデルを導入するための研究を行った。
**methods:*** 私たちは2dアノテーションから3d空間全体に放射線科医の知識を伝播するpropnetフレームワークを開発しました。
このモデルは、粗いセグメンテーションのプロポーティングステージと、改良されたセグメンテーションの精製ステージと、性能向上のための双方向ブランチと効率向上のためのアップダウン戦略からなる。
**結果:** 98件の患者スキャンと30件のバリデーションにより,手作業によるアノテーション(約0.803)との相当な一致を実現し,効率を向上する。
パフォーマンスは異なるシナリオと様々な放射線学者のアノテーション(0.785から0.803まで)に匹敵する。
さらに, 進行胃癌42例を対象に, 予後予測性能の改善(C-インデックス0.620 vs. 0.576)を行った。
*結論:*本モデルでは, 精度の高い腫瘍セグメンテーションを効率よく, 安定的に生成し, 予後を向上し, 高スループット画像読取作業量を削減する。
このモデルは胃腫瘍の定量的解析を加速し、下流タスク性能を向上させる。
関連論文リスト
- Lumbar Spine Tumor Segmentation and Localization in T2 MRI Images Using AI [2.9746083684997418]
本研究は, 脊椎腫瘍の領域分割と局所化をAIアプローチで自動化することを目的とした, 新たなデータ拡張手法を提案する。
畳み込みニューラルネットワーク(CNN)アーキテクチャは、腫瘍の分類に用いられている。3次元の椎骨分割とラベル付け技術は、腰椎の腫瘍の正確な位置を特定するのに役立つ。
その結果, 腫瘍分節の99%の精度, 腫瘍分類の98%の精度, 腫瘍局在の99%の精度が得られた。
論文 参考訳（メタデータ） (2024-05-07T05:55:50Z) - Re-DiffiNet: Modeling discrepancies in tumor segmentation using diffusion models [1.7995110894203483]
本稿では,U-Netのようなセグメンテーションモデルの出力と基底真理との相違をモデル化するRe-Diffinetというフレームワークを紹介する。
その結果、Diceスコアの平均0.55%、HD95の平均16.28%が5倍以上のクロスバリデーションで改善された。
論文 参考訳（メタデータ） (2024-02-12T01:03:39Z) - An Optimization Framework for Processing and Transfer Learning for the
Brain Tumor Segmentation [2.0886519175557368]
我々は脳腫瘍セグメント化のための3次元U-Netモデルに基づく最適化フレームワークを構築した。
このフレームワークには、さまざまな前処理や後処理技術、トランスファーラーニングなど、さまざまなテクニックが組み込まれている。
検証データセット上で、この多モード脳腫瘍セグメンテーションフレームワークは、それぞれチャレンジ1、2、3におけるDiceスコア平均0.79、0.72、0.74を達成する。
論文 参考訳（メタデータ） (2024-02-10T18:03:15Z) - Automated ensemble method for pediatric brain tumor segmentation [0.0]
本研究では,ONet と UNet の修正版を用いた新しいアンサンブル手法を提案する。
データ拡張により、さまざまなスキャンプロトコル間の堅牢性と精度が保証される。
以上の結果から,この高度なアンサンブルアプローチは診断精度の向上に期待できる可能性が示唆された。
論文 参考訳（メタデータ） (2023-08-14T15:29:32Z) - 3DSAM-adapter: Holistic adaptation of SAM from 2D to 3D for promptable tumor segmentation [52.699139151447945]
医用画像の領域分割を行うために, SAMを2次元から3次元に変換する新しい適応法を提案する。
本モデルでは, 腎腫瘍, 膵腫瘍, 大腸癌の3つのタスクのうち8.25%, 29.87%, 10.11%の3つのタスクにおいて, ドメイン・オブ・ザ・アーティヴ・メディカル・イメージ・セグメンテーション・モデルより優れ, 肝腫瘍セグメンテーションでも同様の性能が得られる。
論文 参考訳（メタデータ） (2023-06-23T12:09:52Z) - Evaluating the Effectiveness of 2D and 3D Features for Predicting Tumor
Response to Chemotherapy [0.9709939410473847]
2Dと3Dの腫瘍の特徴は、様々な医療画像解析タスクで広く利用されている。
化学療法反応予測では, 異なる種類の2D特徴と3D特徴の相互効果は包括的に評価されない。
論文 参考訳（メタデータ） (2023-03-28T16:44:43Z) - Improving Classification Model Performance on Chest X-Rays through Lung
Segmentation [63.45024974079371]
本稿では, セグメンテーションによる異常胸部X線(CXR)識別性能を向上させるための深層学習手法を提案する。
提案手法は,CXR画像中の肺領域を局所化するための深層ニューラルネットワーク(XLSor)と,大規模CXRデータセットで事前学習した自己教師あり運動量コントラスト(MoCo)モデルのバックボーンを用いたCXR分類モデルである。
論文 参考訳（メタデータ） (2022-02-22T15:24:06Z) - EMT-NET: Efficient multitask network for computer-aided diagnosis of
breast cancer [58.720142291102135]
乳腺腫瘍の分類と分別を同時に行うための,効率的で軽量な学習アーキテクチャを提案する。
腫瘍分類ネットワークにセグメンテーションタスクを組み込むことにより,腫瘍領域に着目したバックボーンネットワークで表現を学習する。
腫瘍分類の精度、感度、特異性はそれぞれ88.6%、94.1%、85.3%である。
論文 参考訳（メタデータ） (2022-01-13T05:24:40Z) - Systematic Clinical Evaluation of A Deep Learning Method for Medical
Image Segmentation: Radiosurgery Application [48.89674088331313]
3次元医用画像分割作業において,Deep Learning (DL) 手法を体系的に評価した。
本手法は放射線外科治療プロセスに統合され,臨床ワークフローに直接影響を及ぼす。
論文 参考訳（メタデータ） (2021-08-21T16:15:40Z) - Revisiting 3D Context Modeling with Supervised Pre-training for
Universal Lesion Detection in CT Slices [48.85784310158493]
CTスライスにおける普遍的病変検出のための3Dコンテキスト強化2D特徴を効率的に抽出するための修飾擬似3次元特徴ピラミッドネットワーク(MP3D FPN)を提案する。
新たな事前学習手法により,提案したMP3D FPNは,DeepLesionデータセット上での最先端検出性能を実現する。
提案された3Dプリトレーニングウェイトは、他の3D医療画像分析タスクのパフォーマンスを高めるために使用できる。
論文 参考訳（メタデータ） (2020-12-16T07:11:16Z) - 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)
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。