論文の概要: Improving Segmentation and Detection of Lesions in CT Scans Using
Intensity Distribution Supervision
- arxiv url: http://arxiv.org/abs/2307.05804v1
- Date: Tue, 11 Jul 2023 21:00:47 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-13 14:47:16.832076
- Title: Improving Segmentation and Detection of Lesions in CT Scans Using
Intensity Distribution Supervision
- Title（参考訳）: 強度分布スーパービジョンを用いたCTスキャンにおける病変の分離と検出の改善
- Authors: Seung Yeon Shin, Thomas C. Shen, Ronald M. Summers
- Abstract要約: 対象病変の強度ヒストグラムから強度に基づく病変確率関数を構築した。
各入力CTスキャンの計算したILPマップは、ネットワークトレーニングのための追加の監督として提供される。
また,本手法が検出作業に与える影響についても検討した。
- 参考スコア（独自算出の注目度）: 5.162622771922123
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We propose a method to incorporate the intensity information of a target
lesion on CT scans in training segmentation and detection networks. We first
build an intensity-based lesion probability (ILP) function from an intensity
histogram of the target lesion. It is used to compute the probability of being
the lesion for each voxel based on its intensity. Finally, the computed ILP map
of each input CT scan is provided as additional supervision for network
training, which aims to inform the network about possible lesion locations in
terms of intensity values at no additional labeling cost. The method was
applied to improve the segmentation of three different lesion types, namely,
small bowel carcinoid tumor, kidney tumor, and lung nodule. The effectiveness
of the proposed method on a detection task was also investigated. We observed
improvements of 41.3% -> 47.8%, 74.2% -> 76.0%, and 26.4% -> 32.7% in
segmenting small bowel carcinoid tumor, kidney tumor, and lung nodule,
respectively, in terms of per case Dice scores. An improvement of 64.6% ->
75.5% was achieved in detecting kidney tumors in terms of average precision.
The results of different usages of the ILP map and the effect of varied amount
of training data are also presented.
- Abstract（参考訳）: 訓練用セグメンテーションと検出ネットワークにおいて,ctスキャンに標的病変の強度情報を組み込む手法を提案する。
まず,対象病変の強度ヒストグラムからilp(tension-based lesion probability)関数を構築する。
強度に基づいて各ボクセルの病変となる確率を計算するために用いられる。
最後に、各入力CTスキャンの計算したILPマップをネットワークトレーニングのための追加の監視として提供し、追加のラベリングコストを伴わずに、強度値の観点で病変箇所をネットワークに通知することを目的とする。
本法は, 小腸カルチノイド, 腎腫瘍, 肺結節の3種類の病変の分節化を改善するために応用された。
また,提案手法が検出タスクに与える影響についても検討した。
分枝性小腸カルチノイド腫瘍,腎腫瘍,肺結節における41.3% -> 47.8%,74.2% -> 76.0%,26.4% -> 32.7%の改善を認めた。
64.6%～75.5%の改善は腎臓腫瘍を平均的精度で検出した。
また, ilpマップの異なる使用方法の結果と, トレーニングデータの多種多様化の効果について述べる。
関連論文リスト
- Weakly-Supervised Detection of Bone Lesions in CT [48.34559062736031]
骨格領域は乳腺と前立腺に転移性癌が拡がる一般的な部位の1つである。
代用セグメンテーションタスクによりCTボリュームの骨病変を検出するパイプラインを開発した。
不完全および部分的トレーニングデータを用いたにもかかわらず,CTでは96.7%,47.3%の精度で骨病変が検出された。
論文 参考訳（メタデータ） (2024-01-31T21:05:34Z) - TRUSTED: The Paired 3D Transabdominal Ultrasound and CT Human Data for
Kidney Segmentation and Registration Research [42.90853857929316]
腹部超音波(US)データを用いたIMIR(Inter-modal Image registration)と画像分割は,多くの重要な臨床応用例である。
ヒト48例の経腹部3DUSとCT腎像を組み合わせたTRUSTED(Tridimensional Ultra Sound TomodEnsitometrie dataset)を提案する。
論文 参考訳（メタデータ） (2023-10-19T11:09:50Z) - Detection and Segmentation of Pancreas using Morphological Snakes and
Deep Convolutional Neural Networks [0.0]
膵癌は最も致命的なタイプのがんの1つであり、診断された患者の25%は1年間しか生存せず、6%は5年間生存している。
このような画像の高度な解析は、しばしば時間を要する課題である膵を手動で分割する必要がある。
本論文は, 膵分画の2段階的アプローチについて検討し, この課題に対処するものである。
このセグメンテーションタスクは、形態的アクティブな輪郭アルゴリズムと同様に、収穫データに適用された修正されたU-Netモデルによって取り組まれる。
論文 参考訳（メタデータ） (2023-02-13T13:43:50Z) - Improving Small Lesion Segmentation in CT Scans using Intensity
Distribution Supervision: Application to Small Bowel Carcinoid Tumor [4.204844286979697]
小さな病変のセグメンテーションを改善する1つのアプローチは、関心領域を減らし、それを全領域に対して実行するよりも高い感度で検査することである。
そこで本研究では,対象病変の強度分布を付加的なラベル付けコストで利用し,背景から病変が検出可能な領域を効果的に分離することを提案する。
論文 参考訳（メタデータ） (2022-07-29T14:14:00Z) - 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) - Lymph Node Gross Tumor Volume Detection and Segmentation via
Distance-based Gating using 3D CT/PET Imaging in Radiotherapy [18.958512013804462]
本研究では,放射線腫瘍学者による高レベル推論プロトコルをシミュレーションし,単純化するための効果的な距離ベースゲーティング手法を提案する。
1つのGTVLNカテゴリの特徴を学習する各ブランチで、新しいマルチブランチ検出・セグメンテーションネットワークを訓練する。
以上の結果から,従来の最先端技術と比較して,平均リコール率を72.5%から78.2%に改善した。
論文 参考訳（メタデータ） (2020-08-27T00:37:50Z) - Detecting Scatteredly-Distributed, Small, andCritically Important
Objects in 3D OncologyImaging via Decision Stratification [23.075722503902714]
本研究は腫瘍学的に重要なリンパ節(または不審な癌転移)の検出と分節に焦点を当てた。
我々はOSLNを腫瘍近位・腫瘍遠位分類に分割する分断型決定階層化手法を提案する。
局所的な3D画像パッチから得られた特徴と高次病変特性を組み合わせた新しいグローバルローカルネットワーク(GLNet)を提案する。
論文 参考訳（メタデータ） (2020-05-27T23:12:11Z) - 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) - Residual Attention U-Net for Automated Multi-Class Segmentation of
COVID-19 Chest CT Images [46.844349956057776]
新型コロナウイルス感染症(COVID-19)は世界中で急速に広がり、公衆衛生や経済に大きな影響を及ぼしている。
新型コロナウイルスによる肺感染症を効果的に定量化する研究はいまだにない。
複数の新型コロナウイルス感染症領域の自動セグメンテーションのための新しいディープラーニングアルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-04-12T16:24:59Z) - Lung Infection Quantification of COVID-19 in CT Images with Deep
Learning [41.35413216175024]
深層学習システムは、関心のある感染症領域を自動的に定量化するために開発された。
感染領域分割のための放射線科医を支援するためのループ内ヒト戦略
論文 参考訳（メタデータ） (2020-03-10T11:58:40Z)
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。