論文の概要: Deep Learning Framework with Multi-Head Dilated Encoders for Enhanced
Segmentation of Cervical Cancer on Multiparametric Magnetic Resonance Imaging
- arxiv url: http://arxiv.org/abs/2306.11137v1
- Date: Mon, 19 Jun 2023 19:41:21 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-21 16:31:25.181064
- Title: Deep Learning Framework with Multi-Head Dilated Encoders for Enhanced
Segmentation of Cervical Cancer on Multiparametric Magnetic Resonance Imaging
- Title(参考訳): マルチパラメトリック磁気共鳴イメージングによる頸部癌の分節拡大のための多頭部拡張エンコーダを用いた深層学習フレームワーク
- Authors: Reza Kalantar, Sebastian Curcean, Jessica M Winfield, Gigin Lin,
Christina Messiou, Matthew D Blackledge and Dow-Mu Koh
- Abstract要約: T2強調核磁気共鳴画像(MRI)と拡散強調画像(DWI)は頸部がん診断に欠かせない要素である。
拡張畳み込みと共有残差接続を多パラメータMRI画像の分離符号化に用いる新しいマルチヘッドフレームワークを提案する。
- 参考スコア(独自算出の注目度): 0.6597195879147557
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: T2-weighted magnetic resonance imaging (MRI) and diffusion-weighted imaging
(DWI) are essential components for cervical cancer diagnosis. However,
combining these channels for training deep learning models are challenging due
to misalignment of images. Here, we propose a novel multi-head framework that
uses dilated convolutions and shared residual connections for separate encoding
of multiparametric MRI images. We employ a residual U-Net model as a baseline,
and perform a series of architectural experiments to evaluate the tumor
segmentation performance based on multiparametric input channels and feature
encoding configurations. All experiments were performed using a cohort
including 207 patients with locally advanced cervical cancer. Our proposed
multi-head model using separate dilated encoding for T2W MRI, and combined
b1000 DWI and apparent diffusion coefficient (ADC) images achieved the best
median Dice coefficient similarity (DSC) score, 0.823 (95% confidence interval
(CI), 0.595-0.797), outperforming the conventional multi-channel model, DSC
0.788 (95% CI, 0.568-0.776), although the difference was not statistically
significant (p>0.05). We investigated channel sensitivity using 3D GRAD-CAM and
channel dropout, and highlighted the critical importance of T2W and ADC
channels for accurate tumor segmentations. However, our results showed that
b1000 DWI had a minor impact on overall segmentation performance. We
demonstrated that the use of separate dilated feature extractors and
independent contextual learning improved the model's ability to reduce the
boundary effects and distortion of DWI, leading to improved segmentation
performance. Our findings can have significant implications for the development
of robust and generalizable models that can extend to other multi-modal
segmentation applications.
- Abstract(参考訳): T2強調核磁気共鳴画像(MRI)と拡散強調画像(DWI)は頸部がん診断に欠かせない要素である。
しかし、これらのチャネルを組み合わせて深層学習モデルを訓練することは、画像の不整合のため困難である。
本稿では,拡張畳み込みと共有残差接続を多パラメータMRI画像の分離符号化に用いる新しいマルチヘッドフレームワークを提案する。
本研究は,u-netモデルをベースラインとし,マルチパラメトリック入力チャネルと特徴エンコーディング構成に基づく腫瘍セグメンテーション性能を評価するための一連のアーキテクチャ実験を行う。
局所進行子宮頸癌207例を含むコホートを用いてすべての実験を行った。
t2w mri用拡張符号化とb1000dwiと視拡散係数(adc)画像の組み合わせを用いたマルチヘッドモデルにより,従来のマルチチャネルモデルであるdsc 0.788 (95% ci, 0.568-0.776) を上回っていたが,dscスコア(0.823 (95%信頼区間 (ci), 0.595-0.797) は統計的に有意ではなかった(p>0.05)。
3次元GRAD-CAMとチャネルドロップアウトを用いてチャネル感度を測定し,T2WおよびADCチャネルの正確な腫瘍分画の重要性を強調した。
しかし, この結果から, b1000 DWIは全体のセグメンテーション性能に小さな影響を与えていることがわかった。
分離した拡張特徴抽出器と独立した文脈学習を用いることで,dwiの境界効果と歪みを低減できるモデルの能力が向上し,セグメンテーション性能が向上した。
我々の発見は、他のマルチモーダルセグメンテーションアプリケーションにも拡張可能な堅牢で一般化可能なモデルの開発に大きな影響を与える可能性がある。
関連論文リスト
- A Two-Stage Generative Model with CycleGAN and Joint Diffusion for
MRI-based Brain Tumor Detection [41.454028276986946]
本稿では,脳腫瘍の検出とセグメンテーションを改善するための2段階生成モデル(TSGM)を提案する。
CycleGANは、未ペアデータに基づいてトレーニングされ、データとして正常な画像から異常な画像を生成する。
VE-JPは、合成対の異常画像をガイドとして使用して、健康な画像の再構成を行う。
論文 参考訳(メタデータ) (2023-11-06T12:58:26Z) - K-Space-Aware Cross-Modality Score for Synthesized Neuroimage Quality
Assessment [71.27193056354741]
クロスモダリティな医用画像合成をどう評価するかという問題は、ほとんど解明されていない。
本稿では,この課題の進展を促すため,新しい指標K-CROSSを提案する。
K-CROSSは、トレーニング済みのマルチモードセグメンテーションネットワークを使用して、病変の位置を予測する。
論文 参考訳(メタデータ) (2023-07-10T01:26:48Z) - On Sensitivity and Robustness of Normalization Schemes to Input
Distribution Shifts in Automatic MR Image Diagnosis [58.634791552376235]
深層学習(DL)モデルは、再構成画像を入力として、複数の疾患の診断において最先端のパフォーマンスを達成した。
DLモデルは、トレーニングとテストフェーズ間の入力データ分布の変化につながるため、さまざまなアーティファクトに敏感である。
本稿では,グループ正規化やレイヤ正規化といった他の正規化手法を用いて,画像のさまざまなアーチファクトに対して,モデル性能にロバスト性を注入することを提案する。
論文 参考訳(メタデータ) (2023-06-23T03:09:03Z) - Longitudinal Multimodal Transformer Integrating Imaging and Latent
Clinical Signatures From Routine EHRs for Pulmonary Nodule Classification [4.002181247287472]
単発性肺結節(SPN)分類におけるERHからの経時的臨床所見とリピート画像を統合するためのトランスフォーマーベースのマルチモーダル戦略を提案する。
臨床症状の非観血的非観血的切り離しを行ない, 時間依存性の自己注意を利用して, 臨床症状の表現と胸部CTスキャンから共同学習を行った。
論文 参考訳(メタデータ) (2023-04-06T03:03:07Z) - 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) - Mediastinal Lymph Node Detection and Segmentation Using Deep Learning [1.7188280334580195]
臨床ではCT(Computed tomography)とPET(positron emission tomography)が異常リンパ節(LN)を検出する
深層畳み込みニューラルネットワークは、しばしば医療写真にアイテムを分割する。
良質な深層学習手法であるUNetは、縦隔リンパ節の分節と検出のための戦略に基づいて、双線形および全一般化変異(TGV)を用いて修正された。
修正されたUNetはテクスチャの不連続を維持し、ノイズの多い領域を選択し、バックプロパゲーションを通じて適切なバランスポイントを検索し、画像の解像度を再現する。
論文 参考訳(メタデータ) (2022-11-24T02:55:20Z) - Affinity Feature Strengthening for Accurate, Complete and Robust Vessel
Segmentation [48.638327652506284]
血管セグメンテーションは、冠動脈狭窄、網膜血管疾患、脳動脈瘤などの多くの医学的応用において重要である。
コントラストに敏感なマルチスケールアフィニティアプローチを用いて,幾何学的手法と画素単位のセグメンテーション特徴を連成的にモデル化する新しいアプローチであるAFNを提案する。
論文 参考訳(メタデータ) (2022-11-12T05:39:17Z) - RA V-Net: Deep learning network for automated liver segmentation [1.6795461001108098]
RA V-Netは、U-Netに基づく医療画像の自動セグメンテーションモデルである。
より複雑な畳み込み層とスキップ接続により、より高いレベルの画像特徴抽出能力が得られる。
符号化モジュールのデータ画素と復号モジュールとの間の空間的特徴は、チャネルとLSTM畳み込みを調整することで知覚される。
LSTM畳み込みとCAモジュールによって提供されるアテンションメカニズムは、ニューラルネットワークの性能を強く保証する。
論文 参考訳(メタデータ) (2021-12-15T16:10:14Z) - Modality Completion via Gaussian Process Prior Variational Autoencoders
for Multi-Modal Glioma Segmentation [75.58395328700821]
本稿では,患者スキャンに欠落するサブモダリティを1つ以上のインプットするために,MGP-VAE(Multi-modal Gaussian Process Prior Variational Autoencoder)を提案する。
MGP-VAEは、変分オートエンコーダ(VAE)に先立ってガウス過程(GP)を利用して、被験者/患者およびサブモダリティ相関を利用することができる。
4つのサブモダリティのうち2つ、または3つが欠落している脳腫瘍に対するMGP-VAEの適用性を示す。
論文 参考訳(メタデータ) (2021-07-07T19:06:34Z) - PA-ResSeg: A Phase Attention Residual Network for Liver Tumor
Segmentation from Multi-phase CT Images [19.725599681891925]
肝腫瘍分節の多相特徴をモデル化するための位相注意残差ネットワーク(pa-resseg)を提案する。
提案手法は, 異なるデータセットと異なるバックボーンにおけるロバスト性と一般化能力を示す。
論文 参考訳(メタデータ) (2021-02-27T17:30:09Z) - Improved Slice-wise Tumour Detection in Brain MRIs by Computing
Dissimilarities between Latent Representations [68.8204255655161]
磁気共鳴画像(MRI)の異常検出は教師なし手法で行うことができる。
本研究では,変分オートエンコーダの潜伏空間における相似関数の計算に基づいて,腫瘍検出のためのスライスワイズ半教師法を提案する。
本研究では,高解像度画像上でのモデルをトレーニングし,再現の質を向上させることにより,異なるベースラインに匹敵する結果が得られることを示す。
論文 参考訳(メタデータ) (2020-07-24T14:02:09Z)
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。