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
- Deep Learning-Driven Segmentation of Ischemic Stroke Lesions Using Multi-Channel MRI [0.0]
本研究は,虚血性脳梗塞の分節化のための新しい深層学習法を提案する。
提案アーキテクチャは、DenseNet121をエンコーダとして、デコーダに自己組織化オペレーショナルニューラルネットワーク(ONN)を組み込む。
DWIだけで83.88%、DWIとADCで85.86%、DWI、ADC、eDWIの統合で87.49%のDice similarity Coefficients(DSC)を達成した。
論文 参考訳（メタデータ） (2025-01-04T13:38:06Z) - Multi-Layer Feature Fusion with Cross-Channel Attention-Based U-Net for Kidney Tumor Segmentation [0.0]
U-Netベースのディープラーニング技術は、自動化された医用画像セグメンテーションのための有望なアプローチとして登場しつつある。
腎腫瘍の診断のためのCTスキャン画像のエンドツーエンド自動セマンティックセマンティックセグメンテーションのための改良されたU-Netモデルを提案する。
論文 参考訳（メタデータ） (2024-10-20T19:02:41Z) - TotalSegmentator MRI: Sequence-Independent Segmentation of 59 Anatomical Structures in MR images [62.53931644063323]
本研究では,TotalSegmentatorをMR画像に拡張した。
このデータセットに基づいてnnU-Netセグメンテーションアルゴリズムを訓練し、類似度係数(Dice)を計算し、モデルの性能を評価した。
このモデルは、他の2つの公開セグメンテーションモデル(Dice score 0.824 vs 0.762; p0.001 and 0.762 versus 0.542; p)を大きく上回った。
論文 参考訳（メタデータ） (2024-05-29T20:15:54Z) - Analysis of the BraTS 2023 Intracranial Meningioma Segmentation Challenge [44.586530244472655]
我々はBraTS 2023の頭蓋内髄膜腫チャレンジの設計と結果について述べる。
BraTS髄膜腫チャレンジ(BraTS Meningioma Challenge)は、髄膜腫に焦点を当てた以前のBraTSグリオーマチャレンジとは異なる。
上層部は腫瘍,腫瘍コア,腫瘍全体の拡張のために0.976,0.976,0.964の病変中央値類似係数(DSC)を有していた。
論文 参考訳（メタデータ） (2024-05-16T03:23:57Z) - 3D Lymphoma Segmentation on PET/CT Images via Multi-Scale Information Fusion with Cross-Attention [6.499725732124126]
本研究は,びまん性大細胞型B細胞リンパ腫(DLBCL)の正確な分節法を開発することを目的とする。
シフトウインドウ変換器とマルチスケール情報融合(MSIF)モジュールを用いた3次元デュアルブランチエンコーダセグメンテーション法を提案する。
このモデルは5倍のクロスバリデーションを用いて165名のDLBCL患者のデータセットを用いて訓練および検証を行った。
論文 参考訳（メタデータ） (2024-02-04T05:25:12Z) - Cross-modality Guidance-aided Multi-modal Learning with Dual Attention
for MRI Brain Tumor Grading [47.50733518140625]
脳腫瘍は世界で最も致命的ながんの1つであり、子供や高齢者に非常に多い。
本稿では,MRI脳腫瘍グレーディングの課題に対処するために,新たな多モード学習法を提案する。
論文 参考訳（メタデータ） (2024-01-17T07:54:49Z) - 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) - Learned Local Attention Maps for Synthesising Vessel Segmentations [43.314353195417326]
我々は、T2 MRIのみから、Willis(CoW)円の主大脳動脈の分節を合成するためのエンコーダ・デコーダモデルを提案する。
これは、セグメンテーションラベルを拡張することによって生成された学習されたローカルアテンションマップを使用し、ネットワークはCoWの合成に関連するT2 MRIからのみ情報を抽出する。
論文 参考訳（メタデータ） (2023-08-24T15:32:27Z) - CKD-TransBTS: Clinical Knowledge-Driven Hybrid Transformer with
Modality-Correlated Cross-Attention for Brain Tumor Segmentation [37.39921484146194]
磁気共鳴画像(MRI)における脳腫瘍のセグメンテーションは、脳腫瘍の診断、癌管理、研究目的に不可欠である。
10年にわたるBraTSチャレンジの成功により、様々な技術的側面においてBTSの難しさに取り組むために、多くの優れたBTSモデルが提案されている。
CKD-TransBTSと呼ばれる臨床知識駆動型脳腫瘍分節モデルを提案する。
論文 参考訳（メタデータ） (2022-07-15T09:35:29Z) - 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)
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。