論文の概要: CARE: A Large Scale CT Image Dataset and Clinical Applicable Benchmark
Model for Rectal Cancer Segmentation
- arxiv url: http://arxiv.org/abs/2308.08283v1
- Date: Wed, 16 Aug 2023 10:51:27 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-17 13:55:51.111156
- Title: CARE: A Large Scale CT Image Dataset and Clinical Applicable Benchmark
Model for Rectal Cancer Segmentation
- Title(参考訳): CARE:直腸癌切除のための大規模CT画像データセットと臨床応用ベンチマークモデル
- Authors: Hantao Zhang, Weidong Guo, Chenyang Qiu, Shouhong Wan, Bingbing Zou,
Wanqin Wang, Peiquan Jin
- Abstract要約: CT画像の直腸癌セグメンテーションは、タイムリーな臨床診断、放射線治療、経過観察において重要な役割を担っている。
これらの障害は直腸の複雑な解剖学的構造と直腸癌の鑑別診断の困難から生じる。
これらの課題に対処するため,本研究では,正常直腸と癌直腸の両方にピクセルレベルのアノテーションを付加した,新しい大規模直腸癌CT画像データセットCAREを導入する。
また,U-SAMと命名された新しい癌病変セグメンテーションベンチマークモデルを提案する。
このモデルは、迅速な情報を取り入れることで、腹部器官の複雑な解剖学的構造によって引き起こされる課題に対処するように設計されている。
- 参考スコア(独自算出の注目度): 8.728236864462302
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Rectal cancer segmentation of CT image plays a crucial role in timely
clinical diagnosis, radiotherapy treatment, and follow-up. Although current
segmentation methods have shown promise in delineating cancerous tissues, they
still encounter challenges in achieving high segmentation precision. These
obstacles arise from the intricate anatomical structures of the rectum and the
difficulties in performing differential diagnosis of rectal cancer.
Additionally, a major obstacle is the lack of a large-scale, finely annotated
CT image dataset for rectal cancer segmentation. To address these issues, this
work introduces a novel large scale rectal cancer CT image dataset CARE with
pixel-level annotations for both normal and cancerous rectum, which serves as a
valuable resource for algorithm research and clinical application development.
Moreover, we propose a novel medical cancer lesion segmentation benchmark model
named U-SAM. The model is specifically designed to tackle the challenges posed
by the intricate anatomical structures of abdominal organs by incorporating
prompt information. U-SAM contains three key components: promptable information
(e.g., points) to aid in target area localization, a convolution module for
capturing low-level lesion details, and skip-connections to preserve and
recover spatial information during the encoding-decoding process. To evaluate
the effectiveness of U-SAM, we systematically compare its performance with
several popular segmentation methods on the CARE dataset. The generalization of
the model is further verified on the WORD dataset. Extensive experiments
demonstrate that the proposed U-SAM outperforms state-of-the-art methods on
these two datasets. These experiments can serve as the baseline for future
research and clinical application development.
- Abstract(参考訳): ct画像による直腸癌の分画は,臨床診断,放射線治療,経過観察において重要な役割を担っている。
現在のセグメンテーション法は癌組織を規定する上で有望であるが、高いセグメンテーション精度を達成する上ではまだ課題に直面している。
これらの障害は直腸の複雑な解剖学的構造と直腸癌の鑑別診断の難しさから生じる。
さらに,直腸癌セグメント化のためのCT画像データセットが大規模で微細に付加されていないことも大きな障害である。
これらの課題に対処するため,本研究では,正常直腸と癌直腸の両方にピクセルレベルのアノテーションを付加した,新しい大規模直腸癌CT画像データセットであるCAREを導入する。
さらに,U-SAMと命名された新しい癌病変セグメンテーションベンチマークモデルを提案する。
このモデルは、迅速な情報を取り入れることで、腹部器官の複雑な解剖学的構造がもたらす課題に対処するように設計されている。
U-SAMには、ターゲット領域のローカライゼーションを支援するプロンプト可能な情報(例えば、ポイント)、低レベルの病変の詳細をキャプチャする畳み込みモジュール、符号化復号プロセス中に空間情報の保存と復元を行うスキップ接続という3つの重要なコンポーネントが含まれている。
U-SAMの有効性を評価するため,CAREデータセット上のいくつかの一般的なセグメンテーション手法と比較した。
モデルの一般化は、WORDデータセット上でさらに検証される。
大規模な実験により、提案されたU-SAMは2つのデータセット上で最先端の手法より優れていることが示された。
これらの実験は将来の研究および臨床応用開発の基礎となる。
関連論文リスト
- Mask-Enhanced Segment Anything Model for Tumor Lesion Semantic
Segmentation [49.916468280857885]
Mask-Enhanced SAM (M-SAM) は3次元腫瘍病変の分節に適した革新的なアーキテクチャである。
本稿では,M-SAM内におけるMask-Enhanced Adapter (MEA) を提案する。
論文 参考訳(メタデータ) (2024-03-09T13:37:02Z) - A Unified Multi-Phase CT Synthesis and Classification Framework for
Kidney Cancer Diagnosis with Incomplete Data [18.15801599933636]
非完全多相CTを用いた腎癌診断のための統合的枠組みを提案する。
同時に、欠落したCT画像を復元し、完了した画像セットを使用して癌サブタイプを分類する。
提案するフレームワークは,完全な3次元畳み込みニューラルネットワークに基づいている。
論文 参考訳(メタデータ) (2023-12-09T11:34:14Z) - Intelligent Breast Cancer Diagnosis with Heuristic-assisted
Trans-Res-U-Net and Multiscale DenseNet using Mammogram Images [0.0]
乳癌(BC)は、女性のがん関連死亡率に大きく寄与する。
悪性の腫瘤を正確に識別することは 依然として困難です
マンモグラフィ画像を用いたBCGスクリーニングのための新しい深層学習手法を提案する。
論文 参考訳(メタデータ) (2023-10-30T10:22:14Z) - AG-CRC: Anatomy-Guided Colorectal Cancer Segmentation in CT with
Imperfect Anatomical Knowledge [9.961742312147674]
自動生成臓器マスクを利用する新しい解剖ガイドセグメンテーションフレームワークを開発した。
提案手法を2つのCRCセグメンテーションデータセット上で広範囲に評価する。
論文 参考訳(メタデータ) (2023-10-07T03:22:06Z) - Revisiting Computer-Aided Tuberculosis Diagnosis [56.80999479735375]
結核(TB)は世界的な健康上の脅威であり、毎年何百万人もの死者を出している。
深層学習を用いたコンピュータ支援結核診断 (CTD) は有望であるが, 限られたトレーニングデータによって進行が妨げられている。
結核X線(TBX11K)データセットは11,200個の胸部X線(CXR)画像とそれに対応するTB領域のバウンディングボックスアノテーションを含む。
このデータセットは、高品質なCTDのための洗練された検出器のトレーニングを可能にする。
論文 参考訳(メタデータ) (2023-07-06T08:27:48Z) - High-Fidelity Image Synthesis from Pulmonary Nodule Lesion Maps using
Semantic Diffusion Model [10.412300404240751]
肺がんは、長年にわたり、世界中でがん関連の死因の1つとなっている。
ディープラーニング、学習アルゴリズムに基づくコンピュータ支援診断(CAD)モデルは、スクリーニングプロセスを加速することができる。
しかし、堅牢で正確なモデルを開発するには、しばしば高品質なアノテーションを備えた大規模で多様な医療データセットが必要である。
論文 参考訳(メタデータ) (2023-05-02T01:04:22Z) - Improving Classification Model Performance on Chest X-Rays through Lung
Segmentation [63.45024974079371]
本稿では, セグメンテーションによる異常胸部X線(CXR)識別性能を向上させるための深層学習手法を提案する。
提案手法は,CXR画像中の肺領域を局所化するための深層ニューラルネットワーク(XLSor)と,大規模CXRデータセットで事前学習した自己教師あり運動量コントラスト(MoCo)モデルのバックボーンを用いたCXR分類モデルである。
論文 参考訳(メタデータ) (2022-02-22T15:24:06Z) - Weakly supervised multiple instance learning histopathological tumor
segmentation [51.085268272912415]
スライド画像全体のセグメント化のための弱教師付きフレームワークを提案する。
トレーニングモデルに複数のインスタンス学習スキームを利用する。
提案するフレームワークは,The Cancer Genome AtlasとPatchCamelyonデータセットのマルチロケーションとマルチ中心公開データに基づいて評価されている。
論文 参考訳(メタデータ) (2020-04-10T13:12:47Z) - 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) - VerSe: A Vertebrae Labelling and Segmentation Benchmark for
Multi-detector CT Images [121.31355003451152]
大規模Vertebrae Challenge(VerSe)は、2019年と2020年に開催されたMICCAI(International Conference on Medical Image Computing and Computer Assisted Intervention)と共同で設立された。
本評価の結果を報告するとともに,脊椎レベル,スキャンレベル,および異なる視野での性能変化について検討した。
論文 参考訳(メタデータ) (2020-01-24T21:09:18Z) - Weakly Supervised Lesion Co-segmentation on CT Scans [18.58056402884405]
本稿では、まずRECISTスライスから擬似マスクを生成する弱教師付きコセグメンテーションモデルを提案する。
次に、これらを注意に基づく畳み込みニューラルネットワークのトレーニングラベルとして使用し、一対のCTスキャンから共通の病変を分割する。
論文 参考訳(メタデータ) (2020-01-24T19:39:33Z)
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。