論文の概要: Kidney abnormality segmentation in thorax-abdomen CT scans
- arxiv url: http://arxiv.org/abs/2309.03383v1
- Date: Wed, 6 Sep 2023 22:04:07 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-08 14:48:12.887069
- Title: Kidney abnormality segmentation in thorax-abdomen CT scans
- Title（参考訳）: 胸部腹部CTにおける腎異常分画の検討
- Authors: Gabriel Efrain Humpire Mamani and Nikolas Lessmann and Ernst Th.
Scholten and Mathias Prokop and Colin Jacobs and Bram van Ginneken
- Abstract要約: 腎腺腫と腎異常を鑑別するための深層学習手法を提案する。
胸腹部CTで215例の造影CT検査を施行した。
Diceスコアが0.965, 0.947となり, 腎発作を2つの検体で分けた。
- 参考スコア（独自算出の注目度）: 4.173079849880476
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In this study, we introduce a deep learning approach for segmenting kidney
parenchyma and kidney abnormalities to support clinicians in identifying and
quantifying renal abnormalities such as cysts, lesions, masses, metastases, and
primary tumors. Our end-to-end segmentation method was trained on 215
contrast-enhanced thoracic-abdominal CT scans, with half of these scans
containing one or more abnormalities.
We began by implementing our own version of the original 3D U-Net network and
incorporated four additional components: an end-to-end multi-resolution
approach, a set of task-specific data augmentations, a modified loss function
using top-$k$, and spatial dropout. Furthermore, we devised a tailored
post-processing strategy. Ablation studies demonstrated that each of the four
modifications enhanced kidney abnormality segmentation performance, while three
out of four improved kidney parenchyma segmentation. Subsequently, we trained
the nnUNet framework on our dataset. By ensembling the optimized 3D U-Net and
the nnUNet with our specialized post-processing, we achieved marginally
superior results.
Our best-performing model attained Dice scores of 0.965 and 0.947 for
segmenting kidney parenchyma in two test sets (20 scans without abnormalities
and 30 with abnormalities), outperforming an independent human observer who
scored 0.944 and 0.925, respectively. In segmenting kidney abnormalities within
the 30 test scans containing them, the top-performing method achieved a Dice
score of 0.585, while an independent second human observer reached a score of
0.664, suggesting potential for further improvement in computerized methods.
All training data is available to the research community under a CC-BY 4.0
license on https://doi.org/10.5281/zenodo.8014289
- Abstract（参考訳）: 本研究は,嚢胞,病変,腫瘤,転移,原発性腫瘍などの腎異常を同定し,定量化する臨床医を支援するために,腎パレンキマと腎異常を区分する深層学習手法を提案する。
胸腹部CTでは215例の造影CT検査を行い,その半数に1例以上の異常を認めた。
最初の3D U-Netネットワークの独自のバージョンの実装から始まり、エンド・ツー・エンドのマルチレゾリューション・アプローチ、タスク固有のデータ拡張のセット、トップ・k$を使った修正されたロス関数、空間的なドロップアウトの4つの追加コンポーネントを組み込んだ。
さらに,後処理戦略を考案した。
アブレーション試験では, 腎異常セグメンテーションが改善し, 4例中3例は腎発作セグメンテーションが改善した。
その後、データセット上でnnUNetフレームワークをトレーニングしました。
最適化された3D U-NetとnnUNetを特別な後処理と組み合わせることで、我々は圧倒的に優れた結果を得た。
2つのテストセット(異常なし20スキャン、異常なし30スキャン)で腎実質を分節する0.965点と0.947点のdiceスコアを達成し、それぞれ0.944点と0.925点の独立した観察者よりも優れていた。
それらを含む30検体内の腎臓異常の分画において、トップパフォーマンス法はDiceスコア0.585を達成し、独立した第2のヒト観察者が0.664を達成し、コンピュータ化された方法のさらなる改善の可能性を示した。
すべてのトレーニングデータは、cc-by 4.0ライセンスのhttps://doi.org/10.5281/zenodo.8014289で研究コミュニティに提供されている。
関連論文リスト
- Brain Tumor Classification on MRI in Light of Molecular Markers [61.77272414423481]
1p/19q遺伝子の同時欠失は、低グレードグリオーマの臨床成績と関連している。
本研究の目的は,MRIを用いた畳み込みニューラルネットワークを脳がん検出に活用することである。
論文 参考訳（メタデータ） (2024-09-29T07:04:26Z) - 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) - Exploring 3D U-Net Training Configurations and Post-Processing
Strategies for the MICCAI 2023 Kidney and Tumor Segmentation Challenge [16.189621599350684]
2023年には81,800人の腎臓がんが新たに診断され、米国では14,890人がこのがんで死亡すると推定されている。
腎腫瘍と腎腫瘍の像の特徴に微妙な違いがあるため、サーバ間変動が存在する。
論文 参考訳（メタデータ） (2023-12-09T10:42:50Z) - An Ensemble of 2.5D ResUnet Based Models for Segmentation for Kidney and
Masses [5.488270456927515]
CTスキャンによる腎, 腎腫瘍, 腎嚢胞の自動分離は, 課題である。
2.5D ResUnetは、CTスキャンの厚さの広い範囲と不均衡分布を考慮して、効率的な粗大なセマンティックセマンティックセグメンテーションフレームワークを構築するために採用されている。
論文 参考訳（メタデータ） (2023-11-27T07:24:50Z) - 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) - Systematic Clinical Evaluation of A Deep Learning Method for Medical
Image Segmentation: Radiosurgery Application [48.89674088331313]
3次元医用画像分割作業において,Deep Learning (DL) 手法を体系的に評価した。
本手法は放射線外科治療プロセスに統合され,臨床ワークフローに直接影響を及ぼす。
論文 参考訳（メタデータ） (2021-08-21T16:15:40Z) - 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) - Multi-Scale Supervised 3D U-Net for Kidneys and Kidney Tumor
Segmentation [0.8397730500554047]
腎腫瘍と腎腫瘍をCT画像から自動的に分離するマルチスケール3D U-Net(MSS U-Net)を提案する。
我々のアーキテクチャは、3次元U-Netトレーニング効率を高めるために、深い監視と指数対数損失を組み合わせる。
このアーキテクチャは、KiTS19パブリックデータセットのデータを使用した最先端の作業と比較して、優れたパフォーマンスを示している。
論文 参考訳（メタデータ） (2020-04-17T08:25:43Z) - Validation and Optimization of Multi-Organ Segmentation on Clinical
Imaging Archives [7.036733782879497]
2015年のMICCAIチャレンジは、多臓器性腹部CTセグメンテーションの大幅な革新を引き起こした。
近年のディープメソッドの革新は、臨床翻訳が魅力的であるレベルにパフォーマンスを誘導している。
オープンデータセットのクロスバリデーションは間接的な知識汚染のリスクを示し、円形の推論をもたらす可能性がある。
論文 参考訳（メタデータ） (2020-02-10T21:49:42Z) - 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)
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。