論文の概要: SimPLe: Similarity-Aware Propagation Learning for Weakly-Supervised
Breast Cancer Segmentation in DCE-MRI
- arxiv url: http://arxiv.org/abs/2306.16714v1
- Date: Thu, 29 Jun 2023 06:22:50 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-30 14:26:16.109432
- Title: SimPLe: Similarity-Aware Propagation Learning for Weakly-Supervised
Breast Cancer Segmentation in DCE-MRI
- Title（参考訳）: SimPLe: DCE-MRIにおける乳がんの重症化のための類似性認識プロパゲーション学習
- Authors: Yuming Zhong and Yi Wang
- Abstract要約: 癌領域の分節化は、その後の乳房MRI解析に不可欠である。
乳がんセグメンテーションのアノテーションとして極端点を用いた弱監督戦略を提案する。
実験により,SimPLe戦略を用いてネットワークを効率的に微調整する手法が実証された。
- 参考スコア（独自算出の注目度）: 4.689359813220365
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Breast dynamic contrast-enhanced magnetic resonance imaging (DCE-MRI) plays
an important role in the screening and prognosis assessment of high-risk breast
cancer. The segmentation of cancerous regions is essential useful for the
subsequent analysis of breast MRI. To alleviate the annotation effort to train
the segmentation networks, we propose a weakly-supervised strategy using
extreme points as annotations for breast cancer segmentation. Without using any
bells and whistles, our strategy focuses on fully exploiting the learning
capability of the routine training procedure, i.e., the train - fine-tune -
retrain process. The network first utilizes the pseudo-masks generated using
the extreme points to train itself, by minimizing a contrastive loss, which
encourages the network to learn more representative features for cancerous
voxels. Then the trained network fine-tunes itself by using a similarity-aware
propagation learning (SimPLe) strategy, which leverages feature similarity
between unlabeled and positive voxels to propagate labels. Finally the network
retrains itself by employing the pseudo-masks generated using previous
fine-tuned network. The proposed method is evaluated on our collected DCE-MRI
dataset containing 206 patients with biopsy-proven breast cancers. Experimental
results demonstrate our method effectively fine-tunes the network by using the
SimPLe strategy, and achieves a mean Dice value of 81%.
- Abstract（参考訳）: 乳腺ダイナミックコントラスト強調画像(DCE-MRI)は,高リスク乳癌のスクリーニングおよび予後評価において重要な役割を担っている。
乳癌領域の分節化は乳房mriのその後の解析に必須である。
セグメンテーションネットワークのトレーニングにおけるアノテーションの取り組みを軽減するため,乳がんセグメンテーションのアノテーションとして極端点を用いた弱制御戦略を提案する。
ベルやホイッスルを使わずに、我々の戦略は、ルーチントレーニング手順の学習能力、すなわち、列車 - 微調整プロセスを完全に活用することに焦点を当てます。
ネットワークはまず、極端点を用いて生成された擬似マスクを使用して自分自身を訓練し、コントラスト損失を最小限にすることで、ネットワークにがん性ボクセルのより代表的な特徴を学ぶように促す。
そして、トレーニングされたネットワークは、ラベルを伝播するためにラベルなしと正のボクセル間の特徴的類似性を利用する類似性認識伝播学習(SimPLe)戦略を用いて、自身を微調整する。
最後に、ネットワークは、以前の微調整ネットワークで生成された擬似マスクを使用することで、自分自身を再訓練する。
生検乳癌患者206例を対象に, dce-mriデータを用いた検討を行った。
実験により,SimPLe 戦略を用いてネットワークを効果的に微調整し,Dice の平均値が 81% であることを示す。
関連論文リスト
- Prototype Learning Guided Hybrid Network for Breast Tumor Segmentation in DCE-MRI [58.809276442508256]
本稿では,畳み込みニューラルネットワーク(CNN)とトランスフォーマー層を組み合わせたハイブリッドネットワークを提案する。
プライベートおよびパブリックなDCE-MRIデータセットの実験結果から,提案したハイブリッドネットワークは最先端の手法よりも優れた性能を示した。
論文 参考訳（メタデータ） (2024-08-11T15:46:00Z) - CT-based brain ventricle segmentation via diffusion Schrödinger Bridge without target domain ground truths [0.9720086191214947]
クリニカルCTスキャンによる高効率かつ正確な脳室分画は、腹腔鏡下手術のような緊急手術には不可欠である。
我々は,CTセグメント化の真偽を必要とせず,新しい不確実性に留意した心室分画法を導入する。
提案手法では拡散型Schr"odinger Bridgeと残像U-Netを併用し,画像診断とMRI検査を併用した。
論文 参考訳（メタデータ） (2024-05-28T15:17:58Z) - Enhancing Prostate Cancer Diagnosis with Deep Learning: A Study using
mpMRI Segmentation and Classification [0.0]
前立腺癌(PCa)は世界中の男性の間で重篤な疾患である。早期にPCaを同定し,有効治療のための正確な診断を行うことが重要である。
深層学習(DL)モデルは、医師の関心領域を特定することで、既存の臨床システムを強化し、患者のケアを改善することができる。
本研究は, mpMRI画像の分類とセグメンテーションによく知られたDLモデルを用いてPCaを検出する。
論文 参考訳（メタデータ） (2023-10-09T03:00:15Z) - Enhancing Clinical Support for Breast Cancer with Deep Learning Models
using Synthetic Correlated Diffusion Imaging [66.63200823918429]
深層学習モデルを用いた乳癌に対する臨床支援の強化について検討した。
我々は、体積畳み込みニューラルネットワークを利用して、前処理コホートから深い放射能特徴を学習する。
提案手法は, グレードと処理後応答予測の両方において, より良い性能を実現することができる。
論文 参考訳（メタデータ） (2022-11-10T03:02:12Z) - 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) - Lung Cancer Lesion Detection in Histopathology Images Using Graph-Based
Sparse PCA Network [93.22587316229954]
ヘマトキシリンとエオシン(H&E)で染色した組織学的肺スライドにおける癌病変の自動検出のためのグラフベーススパース成分分析(GS-PCA)ネットワークを提案する。
我々は,SVM K-rasG12D肺がんモデルから得られたH&Eスライダーの精度・リコール率,Fスコア,谷本係数,レシーバ演算子特性(ROC)の曲線下領域を用いて,提案アルゴリズムの性能評価を行った。
論文 参考訳（メタデータ） (2021-10-27T19:28:36Z) - RCA-IUnet: A residual cross-spatial attention guided inception U-Net
model for tumor segmentation in breast ultrasound imaging [0.6091702876917281]
本稿では,腫瘍セグメンテーションのトレーニングパラメータが最小限に抑えられたRCA-IUnetモデルについて紹介する。
RCA-IUnetモデルは、U-Netトポロジに従い、奥行きの深い分離可能な畳み込みとハイブリッドプール層を持つ。
無関係な特徴を抑え、対象構造に焦点を合わせるために、空間横断型アテンションフィルタが加えられる。
論文 参考訳（メタデータ） (2021-08-05T10:35:06Z) - Deep cross-modality (MR-CT) educed distillation learning for cone beam
CT lung tumor segmentation [3.8791511769387634]
新しい深層学習型cbct肺腫瘍分割法を開発した。
提案手法の主な考え方は、磁気共鳴イメージング(MRI)を用いてCBCTセグメンテーションネットワークトレーニングをガイドすることである。
我々は,unpaired cbct と mri データセットを用いて,unpaired domain adaptation (uda) とcross-domain segmentation distillation network (sdn) からなるエンドツーエンドネットワークを訓練することでこれを実現する。
論文 参考訳（メタデータ） (2021-02-17T03:52:02Z) - Automatic Segmentation of Gross Target Volume of Nasopharynx Cancer
using Ensemble of Multiscale Deep Neural Networks with Spatial Attention [2.204996105506197]
平面内分解能と平面内分解能の差に対処する2.5次元畳み込みニューラルネットワーク(CNN)を提案する。
また,ネットワークが小さなターゲットにフォーカスできる空間的アテンションモジュールを提案し,チャネルアテンションを用いてセグメンテーション性能をさらに向上する。
論文 参考訳（メタデータ） (2021-01-27T08:20:49Z) - A Global Benchmark of Algorithms for Segmenting Late Gadolinium-Enhanced
Cardiac Magnetic Resonance Imaging [90.29017019187282]
現在世界最大の心臓LGE-MRIデータセットである154個の3D LGE-MRIを用いた「2018 left Atrium Challenge」。
技術および生物学的指標を用いた提案アルゴリズムの解析を行った。
その結果, 最上部法は93.2%, 平均表面は0.7mmであった。
論文 参考訳（メタデータ） (2020-04-26T08:49:17Z) - Stan: Small tumor-aware network for breast ultrasound image segmentation [68.8204255655161]
本研究では,小腫瘍認識ネットワーク(Small tumor-Aware Network,STAN)と呼ばれる新しいディープラーニングアーキテクチャを提案する。
提案手法は, 乳腺腫瘍の分節化における最先端のアプローチよりも優れていた。
論文 参考訳（メタデータ） (2020-02-03T22:25:01Z)
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。