論文の概要: Assessing the performance of deep learning-based models for prostate
cancer segmentation using uncertainty scores
- arxiv url: http://arxiv.org/abs/2308.04653v1
- Date: Wed, 9 Aug 2023 01:38:58 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-10 15:32:42.777014
- Title: Assessing the performance of deep learning-based models for prostate
cancer segmentation using uncertainty scores
- Title(参考訳): 不確実性スコアを用いた前立腺癌セグメンテーションにおけるディープラーニングモデルの性能評価
- Authors: Pablo Cesar Quihui-Rubio and Daniel Flores-Araiza and Gilberto
Ochoa-Ruiz and Miguel Gonzalez-Mendoza and Christian Mata
- Abstract要約: 目的は前立腺がんの検出と診断のワークフローを改善することである。
最高性能モデルはアテンション R2U-Net で、連合(IoU)の平均インターセクションは76.3%、Dice similarity Coefficient(DSC)は全ゾーンのセグメンテーションの85%を達成している。
- 参考スコア(独自算出の注目度): 1.0499611180329804
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This study focuses on comparing deep learning methods for the segmentation
and quantification of uncertainty in prostate segmentation from MRI images. The
aim is to improve the workflow of prostate cancer detection and diagnosis.
Seven different U-Net-based architectures, augmented with Monte-Carlo dropout,
are evaluated for automatic segmentation of the central zone, peripheral zone,
transition zone, and tumor, with uncertainty estimation. The top-performing
model in this study is the Attention R2U-Net, achieving a mean Intersection
over Union (IoU) of 76.3% and Dice Similarity Coefficient (DSC) of 85% for
segmenting all zones. Additionally, Attention R2U-Net exhibits the lowest
uncertainty values, particularly in the boundaries of the transition zone and
tumor, when compared to the other models.
- Abstract(参考訳): 本研究では,MRI画像から前立腺のセグメンテーションにおけるセグメンテーションと定量化の深層学習手法の比較に焦点を当てた。
目的は前立腺がんの検出と診断のワークフローを改善することである。
モンテカルロドロップアウトを付加した7種類のu-netベースのアーキテクチャを用いて, 中心領域, 周辺ゾーン, 遷移ゾーン, 腫瘍の自動分割と不確かさの推定を行った。
本研究におけるトップパフォーマンスモデルである注意r2u-netは,76.3%の結合平均交叉係数 (iou) と85%のdice類似度係数 (dsc) を達成する。
さらに、注意r2u-netは、他のモデルと比較して、遷移ゾーンと腫瘍の境界において、最も低い不確かさを示す。
関連論文リスト
- FAU-Net: An Attention U-Net Extension with Feature Pyramid Attention for
Prostate Cancer Segmentation [1.8499314936771563]
U-Netに基づくMRI画像における前立腺領域のセグメンテーションの深層学習手法を提案する。
提案したモデルは、7つの異なるU-Netアーキテクチャと比較される。
論文 参考訳(メタデータ) (2023-09-04T02:54:58Z) - 3D PETCT Tumor Lesion Segmentation via GCN Refinement [4.929126432666667]
グラフ畳み込みニューラルネットワーク(GCN)に基づく後処理手法を提案する。
MICCIA2022 autoPET ChallengeにおいてPET/CTデータセットの腫瘍分画実験を行った。
実験結果から, nnUNet-GCNの改良により偽陽性率が効果的に減少することが示唆された。
論文 参考訳(メタデータ) (2023-02-24T10:52:08Z) - 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) - Generative Adversarial Networks for Weakly Supervised Generation and Evaluation of Brain Tumor Segmentations on MR Images [0.0]
本研究は2次元磁気共鳴画像におけるセグメント異常に対する弱教師付きアプローチを示す。
我々は,癌画像を健全な変種に変換するGAN(Generative Adversarial Network)を訓練する。
非共役な変種は、弱監督的な方法で分割を評価するためにも用いられる。
論文 参考訳(メタデータ) (2022-11-10T00:04:46Z) - Comparison of automatic prostate zones segmentation models in MRI images
using U-net-like architectures [0.9786690381850356]
前立腺がんは世界で6番目に大きな死因である。
現在、腫瘍組織を含む関心領域(ROI)のセグメンテーションを専門医が手動で行う。
いくつかの研究は、磁気共鳴画像からROIの特徴を自動的に区分けし抽出するという課題に取り組んできた。
この研究で、6つのディープラーニングモデルを訓練し、ディジョン中央病院とカタルーニャ大学ポリテシカ校から取得したMRI画像のデータセットを用いて分析した。
論文 参考訳(メタデータ) (2022-07-19T18:00:41Z) - 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) - Inconsistency-aware Uncertainty Estimation for Semi-supervised Medical
Image Segmentation [92.9634065964963]
我々は、不確実性推定と個別の自己学習戦略に基づいて、新しい半教師付きセグメンテーションモデル、すなわち保守的ラディカルネットワーク(CoraNet)を提案する。
現在の技術と比較すると、ColaNetは優れたパフォーマンスを示しています。
論文 参考訳(メタデータ) (2021-10-17T08:49:33Z) - A Systematic Approach for MRI Brain Tumor Localization, and Segmentation
using Deep Learning and Active Contouring [0.0]
腫瘍境界のアノテーションとセグメンテーションのための3倍のディープラーニングアーキテクチャを提案する。
Chan-Vesesegmentationアルゴリズムを用いて, セグメンテーションプロセスの腫瘍境界を検出する。
グリオーマと髄膜腫のセグメンテーションにおける提案アーキテクチャの全体的な性能は平均的なサイススコア0.92である。
論文 参考訳(メタデータ) (2021-02-06T07:53:02Z) - 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) - 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。