論文の概要: Automated Identification of Failure Cases in Organ at Risk Segmentation
Using Distance Metrics: A Study on CT Data
- arxiv url: http://arxiv.org/abs/2308.10636v1
- Date: Mon, 21 Aug 2023 11:14:49 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-22 13:49:26.162306
- Title: Automated Identification of Failure Cases in Organ at Risk Segmentation
Using Distance Metrics: A Study on CT Data
- Title（参考訳）: 距離メトリクスを用いたリスクセグメンテーションにおける臓器不全症例の自動同定:CTデータによる検討
- Authors: Amin Honarmandi Shandiz and Attila R\'adics and Rajesh Tamada and Makk
\'Arp\'ad and Karolina Glowacka and Lehel Ferenczi and Sandeep Dutta and
Michael Fanariotis
- Abstract要約: オートマチック・オルガン・アット・リスク(OAR)セグメンテーションはCTスキャンにおける放射線治療計画に不可欠である。
本稿では,Dice と Hausdorff 距離の組み合わせのしきい値を設定することで,障害事例を自動的に識別する手法を提案する。
- 参考スコア（独自算出の注目度）: 0.19661503834671132
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Automated organ at risk (OAR) segmentation is crucial for radiation therapy
planning in CT scans, but the generated contours by automated models can be
inaccurate, potentially leading to treatment planning issues. The reasons for
these inaccuracies could be varied, such as unclear organ boundaries or
inaccurate ground truth due to annotation errors. To improve the model's
performance, it is necessary to identify these failure cases during the
training process and to correct them with some potential post-processing
techniques. However, this process can be time-consuming, as traditionally it
requires manual inspection of the predicted output. This paper proposes a
method to automatically identify failure cases by setting a threshold for the
combination of Dice and Hausdorff distances. This approach reduces the
time-consuming task of visually inspecting predicted outputs, allowing for
faster identification of failure case candidates. The method was evaluated on
20 cases of six different organs in CT images from clinical expert curated
datasets. By setting the thresholds for the Dice and Hausdorff distances, the
study was able to differentiate between various states of failure cases and
evaluate over 12 cases visually. This thresholding approach could be extended
to other organs, leading to faster identification of failure cases and thereby
improving the quality of radiation therapy planning.
- Abstract（参考訳）: oar(automated organ at risk)セグメンテーションはctスキャンで放射線治療計画に不可欠であるが、自動モデルによって生成された輪郭は不正確であり、治療計画の問題につながる可能性がある。
これらの不正確さの理由は、不明瞭な臓器境界や、アノテーションの誤りによる不正確な根拠など様々である。
モデルの性能を向上させるためには、トレーニングプロセス中のこれらの障害事例を特定し、潜在的な後処理技術で修正する必要がある。
しかし、従来は予測された出力を手動で検査する必要があるため、このプロセスは時間がかかる可能性がある。
本稿では,Dice と Hausdorff 距離の組み合わせのしきい値を設定することで,障害事例を自動的に識別する手法を提案する。
このアプローチは、予測出力を視覚的に検査する時間を要するタスクを減らし、失敗事例候補の同定を高速化する。
臨床専門医によるCT画像から6種類の臓器の20例について評価した。
Dice と Hausdorff の距離のしきい値を設定することで、さまざまな障害の状態を区別し、視覚的に12以上のケースを評価することができた。
このしきい値のアプローチは他の臓器にも拡張できるため、障害の発見が早くなり、放射線治療計画の品質が向上する。
関連論文リスト
- Quality assurance of organs-at-risk delineation in radiotherapy [7.698565355235687]
放射線治療計画において,腫瘍標的と臓器の脱線は重要である。
自動セグメンテーションの品質保証は、まだ臨床実践において必要ではない。
提案手法は,一級分類フレームワークにおける残差ネットワークとアテンション機構を導入し,様々な種類のOAR輪郭誤差を高精度に検出することができた。
論文 参考訳（メタデータ） (2024-05-20T02:32:46Z) - Semantic Latent Space Regression of Diffusion Autoencoders for Vertebral
Fracture Grading [72.45699658852304]
本稿では,教師なし特徴抽出器として生成拡散オートエンコーダモデルを訓練するための新しい手法を提案する。
フラクチャーグレーディングを連続回帰としてモデル化し, フラクチャーのスムーズな進行を反映した。
重要なことに,本手法の創成特性は,与えられた脊椎の様々な段階を可視化し,自動グルーピングに寄与する特徴を解釈し,洞察することを可能にする。
論文 参考訳（メタデータ） (2023-03-21T17:16:01Z) - Fuzzy Attention Neural Network to Tackle Discontinuity in Airway
Segmentation [67.19443246236048]
気道セグメンテーションは肺疾患の検査、診断、予後に重要である。
いくつかの小型の気道支線(気管支や終端など)は自動セグメンテーションの難しさを著しく増す。
本稿では,新しいファジィアテンションニューラルネットワークと包括的損失関数を備える,気道セグメンテーションの効率的な手法を提案する。
論文 参考訳（メタデータ） (2022-09-05T16:38:13Z) - Automatic identification of segmentation errors for radiotherapy using
geometric learning [0.0]
この研究の目的は、3D OARセグメンテーションにおけるエラーを自動的に識別するツールを開発することであった。
提案モデルは,耳下腺のセグメンテーションの合成データセットを用いて,自己教師付き学習を用いて訓練される。
内耳と外耳の誤差は85.0%, 89.7%と予測された。
論文 参考訳（メタデータ） (2022-06-27T14:01:52Z) - A unified 3D framework for Organs at Risk Localization and Segmentation
for Radiation Therapy Planning [56.52933974838905]
現在の医療ワークフローは、OAR(Organs-at-risk)のマニュアル記述を必要とする
本研究は,OARローカライゼーション・セグメンテーションのための統合された3Dパイプラインの導入を目的とする。
提案手法は医用画像に固有の3Dコンテキスト情報の活用を可能にする。
論文 参考訳（メタデータ） (2022-03-01T17:08:41Z) - StRegA: Unsupervised Anomaly Detection in Brain MRIs using a Compact
Context-encoding Variational Autoencoder [48.2010192865749]
教師なし異常検出(UAD)は、健康な被験者の異常なデータセットからデータ分布を学習し、分布サンプルの抽出に応用することができる。
本研究では,コンテクストエンコーディング(context-encoding)VAE(ceVAE)モデルのコンパクトバージョンと,前処理と後処理のステップを組み合わせて,UADパイプライン(StRegA)を作成することを提案する。
提案したパイプラインは、BraTSデータセットのT2w画像と0.859$pm$0.112の腫瘍を検出しながら、Diceスコアが0.642$pm$0.101に達した。
論文 参考訳（メタデータ） (2022-01-31T14:27:35Z) - Unsupervised deep learning techniques for powdery mildew recognition
based on multispectral imaging [63.62764375279861]
本稿では,キュウリ葉の粉状ミドウを自動的に認識する深層学習手法を提案する。
マルチスペクトルイメージングデータに適用した教師なし深層学習技術に焦点をあてる。
本稿では, オートエンコーダアーキテクチャを用いて, 疾患検出のための2つの手法を提案する。
論文 参考訳（メタデータ） (2021-12-20T13:29:13Z) - Assessing glaucoma in retinal fundus photographs using Deep Feature
Consistent Variational Autoencoders [63.391402501241195]
緑内障は症状が重くなるまで無症状のままでいるため、検出が困難である。
緑内障の早期診断は機能的,構造的,臨床的評価に基づいて行われることが多い。
ディープラーニング手法はこのジレンマを、マーカー識別段階をバイパスし、ハイレベルな情報を分析してデータを分類することで部分的に解決している。
論文 参考訳（メタデータ） (2021-10-04T16:06:49Z) - An Interpretable Approach to Automated Severity Scoring in Pelvic Trauma [3.762671763237911]
骨盤輪の破壊は鈍的外傷機構によって引き起こされ、多系統外傷患者にしばしば見られる。
全身CTによる骨盤骨折の重症度評価にはTile AO/OTA分類が多用されている。
本稿では, 骨盤外傷の自動診断支援システムについて紹介する。
論文 参考訳（メタデータ） (2021-05-21T09:52:33Z) - Automated Detection of Coronary Artery Stenosis in X-ray Angiography
using Deep Neural Networks [0.0]
X線冠動脈造影画像からの狭窄検出を部分的に自動化する2段階のディープラーニングフレームワークを提案する。
左/右冠動脈角ビューの分類作業において0.97の精度を達成し、LCAとRCAの関心領域の決定について0.68/0.73のリコールを行った。
論文 参考訳（メタデータ） (2021-03-04T11:45:54Z) - Self-Guided Multiple Instance Learning for Weakly Supervised Disease
Classification and Localization in Chest Radiographs [22.473965401043717]
局所化信頼度を高める畳み込みニューラルネットワークのトレーニングのための新しい損失関数を導入する
提案手法で提案する教師は,複数インスタンス学習用データセットの性能向上と,より正確な予測を行う。
論文 参考訳（メタデータ） (2020-09-30T22:19:40Z)
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。