論文の概要: Anisotropic Hybrid Networks for liver tumor segmentation with uncertainty quantification

• arxiv url: http://arxiv.org/abs/2308.11969v1
• Date: Wed, 23 Aug 2023 07:30:16 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-24 15:18:16.518279
• Title: Anisotropic Hybrid Networks for liver tumor segmentation with uncertainty quantification
• Title（参考訳）: 不確実性定量化を伴う肝腫瘍セグメンテーションのための異方性ハイブリッドネットワーク
• Authors: Benjamin Lambert, Pauline Roca, Florence Forbes, Senan Doyle and Michel Dojat
• Abstract要約: 肝腫瘍の重荷は重要であり、がん死亡の4番目の主要な原因としてランク付けされている。 造影MRI(CE-MRI)による肝腫瘍および肝腫瘍の描出について検討した。 課題は、利用可能なトレーニングデータの欠如と、画像解像度とMRIシーケンスの点で高いばらつきから生じる。
• 参考スコア（独自算出の注目度）: 0.5799785223420274
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The burden of liver tumors is important, ranking as the fourth leading cause of cancer mortality. In case of hepatocellular carcinoma (HCC), the delineation of liver and tumor on contrast-enhanced magnetic resonance imaging (CE-MRI) is performed to guide the treatment strategy. As this task is time-consuming, needs high expertise and could be subject to inter-observer variability there is a strong need for automatic tools. However, challenges arise from the lack of available training data, as well as the high variability in terms of image resolution and MRI sequence. In this work we propose to compare two different pipelines based on anisotropic models to obtain the segmentation of the liver and tumors. The first pipeline corresponds to a baseline multi-class model that performs the simultaneous segmentation of the liver and tumor classes. In the second approach, we train two distinct binary models, one segmenting the liver only and the other the tumors. Our results show that both pipelines exhibit different strengths and weaknesses. Moreover we propose an uncertainty quantification strategy allowing the identification of potential false positive tumor lesions. Both solutions were submitted to the MICCAI 2023 Atlas challenge regarding liver and tumor segmentation.
• Abstract（参考訳）: 肝腫瘍の重荷は重要であり、がん死亡の4番目に多い原因である。 肝細胞癌 (HCC) の場合, 造影MRI(CE-MRI) による肝腫瘍, 肝腫瘍の描出が治療戦略の指針となる。 このタスクは時間を要するため、高度な専門知識が必要であり、オブザーバ間のバラツキの対象となる可能性があるため、自動ツールの強いニーズがある。 しかし、画像の解像度とMRIシーケンスの点で高い可変性だけでなく、利用可能なトレーニングデータの欠如が課題となっている。 そこで本研究では,異方性モデルに基づく2つのパイプラインを比較し,肝臓と腫瘍のセグメンテーションを求める。 第1のパイプラインは、肝と腫瘍のクラスを同時にセグメンテーションするベースラインマルチクラスモデルに対応する。 第2のアプローチでは,肝のみと腫瘍のみを分節する2つの異なるバイナリモデルを訓練する。 その結果、両方のパイプラインが異なる強みと弱みを示していた。 また,偽陽性腫瘍の可能性を同定できる不確実性定量化戦略を提案する。 どちらのソリューションも肝臓と腫瘍の分画に関するmiccai 2023 atlas challengeに提出された。

関連論文リスト

• A Holistic Weakly Supervised Approach for Liver Tumor Segmentation with Clinical Knowledge-Informed Label Smoothing [17.798774864007505]
  肝がんは世界中で死亡率の高い原因である。 ディープラーニングは、自動肝セグメンテーションを約束している。 これらの課題に対処する新しい全体的弱教師付きフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-10-13T20:52:25Z)
• Cross-modality Guidance-aided Multi-modal Learning with Dual Attention for MRI Brain Tumor Grading [47.50733518140625]
  脳腫瘍は世界で最も致命的ながんの1つであり、子供や高齢者に非常に多い。 本稿では,MRI脳腫瘍グレーディングの課題に対処するために,新たな多モード学習法を提案する。
  論文  参考訳（メタデータ） (2024-01-17T07:54:49Z)
• Prediction of brain tumor recurrence location based on multi-modal fusion and nonlinear correlation learning [55.789874096142285]
  深層学習に基づく脳腫瘍再発位置予測ネットワークを提案する。 まず、パブリックデータセットBraTS 2021上で、マルチモーダル脳腫瘍セグメンテーションネットワークをトレーニングする。 次に、事前訓練されたエンコーダを、リッチなセマンティックな特徴を抽出するために、プライベートデータセットに転送する。 2つのデコーダは、現在の脳腫瘍を共同に分断し、将来の腫瘍再発位置を予測するために構築されている。
  論文  参考訳（メタデータ） (2023-04-11T02:45:38Z)
• CoRe: An Automated Pipeline for The Prediction of Liver Resection Complexity from Preoperative CT Scans [53.561797148529664]
  肝切除を複雑にするために重要な位置にある腫瘍が知られている。 CoReは、術後LRの複雑さを予測するための自動化された医療画像処理パイプラインである。
  論文  参考訳（メタデータ） (2022-10-15T15:29:24Z)
• A Pathologist-Informed Workflow for Classification of Prostate Glands in Histopathology [62.997667081978825]
  病理学者は、ガラススライド上の針生検の組織を調べて前立腺がんを診断し、診断する。 がんの重症度と転移リスクは、前立腺の組織と形態に基づくスコアであるGleason gradeによって決定される。 本稿では,病理学者のtextitmodus operandi に従って,個々の腺のマルチスケールパッチを分離・分類する自動ワークフローを提案する。
  論文  参考訳（メタデータ） (2022-09-27T14:08:19Z)
• United adversarial learning for liver tumor segmentation and detection of multi-modality non-contrast MRI [5.857654010519764]
  多モードNCMRIを用いた肝腫瘍の同時切除・検出のための統合対位学習フレームワーク(UAL)を提案する。 UALはまず、マルチビュー認識エンコーダを使用して、肝腫瘍のセグメンテーションと検出のための多モードNCMRI情報を抽出する。 パディングによる座標共有機構は,分割と検出のマルチタスクを統合し,複数のタスクを一つの識別器で組み合わせた対角学習を実現する。
  論文  参考訳（メタデータ） (2022-01-07T18:54:07Z)
• Modality-aware Mutual Learning for Multi-modal Medical Image Segmentation [12.308579499188921]
  肝臓がんは世界中で最も多いがんの1つである。 本稿では,マルチモーダルCT画像の統合による肝腫瘍切除の自動化に焦点をあてる。 そこで本研究では,肝腫瘍セグメント化を効果的かつ堅牢にするための新たな相互学習(ML)戦略を提案する。
  論文  参考訳（メタデータ） (2021-07-21T02:24:31Z)
• H2NF-Net for Brain Tumor Segmentation using Multimodal MR Imaging: 2nd Place Solution to BraTS Challenge 2020 Segmentation Task [96.49879910148854]
  当社のH2NF-Netは、単一およびカスケードのHNF-Netを使用して、異なる脳腫瘍サブリージョンを分割します。 我々は、マルチモーダル脳腫瘍チャレンジ(BraTS)2020データセットでモデルをトレーニングし、評価した。 提案手法は,80名近い参加者のうち,brats 2020チャレンジセグメンテーションタスクで2位となった。
  論文  参考訳（メタデータ） (2020-12-30T20:44:55Z)
• Soft Tissue Sarcoma Co-Segmentation in Combined MRI and PET/CT Data [2.2515303891664358]
  マルチモーダル医用画像における腫瘍のセグメンテーションは, 深層学習の手法に傾きつつある。 本稿では,モダリティ固有のエンコーダとデコーダのブランチによるマルチモーダル特徴学習を実現する,同時分離手法を提案する。 MRI(T1およびT2配列)とPET/CTスキャンを併用した公衆軟部肉腫データに対するアプローチの有効性を示した。
  論文  参考訳（メタデータ） (2020-08-28T09:15:42Z)
• 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。