論文の概要: Single-Image-Based Deep Learning for Segmentation of Early Esophageal Cancer Lesions

• arxiv url: http://arxiv.org/abs/2306.05912v1
• Date: Fri, 9 Jun 2023 14:06:26 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-12 12:59:38.082679
• Title: Single-Image-Based Deep Learning for Segmentation of Early Esophageal Cancer Lesions
• Title（参考訳）: 早期食道癌病変の1画像による深達度学習
• Authors: Haipeng Li, Dingrui Liu, Yu Zeng, Shuaicheng Liu, Tao Gan, Nini Rao, Jinlin Yang, Bing Zeng
• Abstract要約: 脳波病変の分節化のための新しい深層学習手法を提案する。 1人の患者から得られる1つのイメージにのみ依存し、いわゆる"You-Only-Have-One"フレームワークを形成する。 我々は、自分たちで作成したEECデータセットに対してYOHOを評価し、平均Diceスコア0.888を達成した。
• 参考スコア（独自算出の注目度）: 36.60419108411669
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate segmentation of lesions is crucial for diagnosis and treatment of early esophageal cancer (EEC). However, neither traditional nor deep learning-based methods up to today can meet the clinical requirements, with the mean Dice score - the most important metric in medical image analysis - hardly exceeding 0.75. In this paper, we present a novel deep learning approach for segmenting EEC lesions. Our approach stands out for its uniqueness, as it relies solely on a single image coming from one patient, forming the so-called "You-Only-Have-One" (YOHO) framework. On one hand, this "one-image-one-network" learning ensures complete patient privacy as it does not use any images from other patients as the training data. On the other hand, it avoids nearly all generalization-related problems since each trained network is applied only to the input image itself. In particular, we can push the training to "over-fitting" as much as possible to increase the segmentation accuracy. Our technical details include an interaction with clinical physicians to utilize their expertise, a geometry-based rendering of a single lesion image to generate the training set (the \emph{biggest} novelty), and an edge-enhanced UNet. We have evaluated YOHO over an EEC data-set created by ourselves and achieved a mean Dice score of 0.888, which represents a significant advance toward clinical applications.
• Abstract（参考訳）: 早期食道癌(eec)の診断と治療には病変の正確な分画が重要である。 しかし、従来型や深層学習に基づく手法では臨床要件を満たすことはできない。医療画像分析で最も重要な指標である平均サイススコアは、0.75を超えないほどである。 本稿では,脳波損傷のセグメント化のための新しい深層学習手法を提案する。 私たちのアプローチは,1人の患者から得られる1つのイメージのみに依存し,いわゆる"You-Only-Have-One"(YOHO)フレームワークを形成するため,その特異性に注目する。 一方、この"one-image-one-network"学習は、トレーニングデータとして他の患者の画像を使用しないため、患者のプライバシーを完全に確保する。 一方、トレーニングされた各ネットワークは入力画像自体にのみ適用されるため、ほぼすべての一般化関連問題を回避する。 特に、トレーニングを可能な限り"過剰適合"にプッシュすることで、セグメンテーションの精度を向上できます。 技術的な詳細には,臨床医師との対話による専門知識の活用,単一の病変画像の幾何ベースレンダリングによるトレーニングセットの生成("\emph{biggest} novelty"),エッジエンハンスされたunetなどが含まれる。 我々は,自ら作成した脳波データに対してYOHOを評価し,平均Diceスコア0.888を達成し,臨床応用に向けた大きな進歩を示している。

関連論文リスト

• A Simple Framework Uniting Visual In-context Learning with Masked Image Modeling to Improve Ultrasound Segmentation [0.6223528900192875]
  ビジュアル・イン・コンテクスト・ラーニング(ICL)はコンピュータ・ビジョンの新しい研究分野である。 視覚的ICLペアリング画像とマスク画像モデリング(MIM)を組み合わせ,教師あり学習のための簡易な視覚的ICL手法SimICLを提案する。 SimICL は Dice coeffient (DC) が 0.96 で Jaccard Index (IoU) が 0.92 で、最先端のセグメンテーションとビジュアル ICL モデルを上回った。
  論文  参考訳（メタデータ） (2024-02-22T05:34:22Z)
• FBA-Net: Foreground and Background Aware Contrastive Learning for Semi-Supervised Atrium Segmentation [10.11072886547561]
  半教師付き3次元医用画像セグメンテーションのための,前景と背景表現の対照的な学習戦略を提案する。 我々のフレームワークは、半教師付き3次元医用画像セグメンテーションの分野を前進させる可能性を秘めている。
  論文  参考訳（メタデータ） (2023-06-27T04:14:50Z)
• LVM-Med: Learning Large-Scale Self-Supervised Vision Models for Medical Imaging via Second-order Graph Matching [59.01894976615714]
  LVM-Medは、大規模医療データセットに基づいてトレーニングされた、最初のディープネットワークファミリーである。 55の公開データセットから約13万の医療画像を収集しました。 LVM-Medは、多くの最先端の教師付き、自己監督型、基礎モデルよりも経験的に優れている。
  論文  参考訳（メタデータ） (2023-06-20T22:21:34Z)
• GraVIS: Grouping Augmented Views from Independent Sources for Dermatology Analysis [52.04899592688968]
  皮膚科画像から自己教師付き特徴を学習するために特に最適化されたGraVISを提案する。 GraVISは、病変のセグメンテーションと疾患分類のタスクにおいて、転送学習と自己教師型学習を著しく上回っている。
  論文  参考訳（メタデータ） (2023-01-11T11:38:37Z)
• Self-Supervised-RCNN for Medical Image Segmentation with Limited Data Annotation [0.16490701092527607]
  ラベルなしMRIスキャンによる自己教師付き事前学習に基づく新たなディープラーニング学習戦略を提案する。 我々の事前学習アプローチはまず、ラベルのない画像のランダム領域に異なる歪みをランダムに適用し、次に歪みの種類と情報の損失を予測する。 異なる事前学習シナリオと微調整シナリオにおけるセグメンテーション課題に対する提案手法の有効性を評価する。
  論文  参考訳（メタデータ） (2022-07-17T13:28:52Z)
• Efficient and Generic Interactive Segmentation Framework to Correct Mispredictions during Clinical Evaluation of Medical Images [32.00559434186769]
  我々はディープニューラルネットワーク(DNN)のための新しい条件推論手法を提案する。 他の方法とは異なり、我々の手法は複数の構造を同時に修正し、初期セグメンテーションで欠落した構造を追加することができる。 本手法は, 専門医の介入を最小限に抑えて, 診断・術後の経過観察に有用である。
  論文  参考訳（メタデータ） (2021-08-06T08:06:18Z)
• Self-Supervised Learning from Unlabeled Fundus Photographs Improves Segmentation of the Retina [4.815051667870375]
  基礎撮影は網膜イメージングの第一の方法であり、糖尿病網膜症予防に必須である。 現在のセグメンテーション法は、実際の臨床応用に典型的な画像条件や病理の多様性に対して堅牢ではない。 コントラスト型自己教師型学習を用いて,EyePACSデータセットの多種多様な未ラベル画像を利用する。
  論文  参考訳（メタデータ） (2021-08-05T18:02:56Z)
• Malignancy Prediction and Lesion Identification from Clinical Dermatological Images [65.1629311281062]
  臨床皮膚画像から機械学習に基づく悪性度予測と病変の同定を検討する。 まず, サブタイプや悪性度に関わらず画像に存在するすべての病変を同定し, その悪性度を推定し, 凝集により, 画像レベルの悪性度も生成する。
  論文  参考訳（メタデータ） (2021-04-02T20:52:05Z)
• Few-shot Medical Image Segmentation using a Global Correlation Network with Discriminative Embedding [60.89561661441736]
  医療画像分割のための新しい手法を提案する。 深層畳み込みネットワークを用いた数ショット画像セグメンタを構築します。 深層埋め込みの識別性を高め,同一クラスの特徴領域のクラスタリングを促進する。
  論文  参考訳（メタデータ） (2020-12-10T04:01:07Z)
• Co-Heterogeneous and Adaptive Segmentation from Multi-Source and Multi-Phase CT Imaging Data: A Study on Pathological Liver and Lesion Segmentation [48.504790189796836]
  我々は,新しいセグメンテーション戦略,コヘテロジネティック・アダプティブセグメンテーション(CHASe)を提案する。 本稿では,外見に基づく半スーパービジョン,マスクに基づく対向ドメイン適応,擬似ラベルを融合した多目的フレームワークを提案する。 CHASeは4.2% sim 9.4%$の範囲で、病理的な肝臓マスクDice-Sorensen係数をさらに改善することができる。
  論文  参考訳（メタデータ） (2020-05-27T06:58:39Z)

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。