論文の概要: AutoPET Challenge 2023: Sliding Window-based Optimization of U-Net

• arxiv url: http://arxiv.org/abs/2309.12114v1
• Date: Thu, 21 Sep 2023 14:34:17 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-22 14:58:49.265134
• Title: AutoPET Challenge 2023: Sliding Window-based Optimization of U-Net
• Title（参考訳）: autopet challenge 2023: スライディングウィンドウに基づくu-netの最適化
• Authors: Matthias Hadlich, Zdravko Marinov, Rainer Stiefelhagen
• Abstract要約: FDG-PETスキャンは、健康な組織において不規則なグルコース消費をがんと誤解する可能性がある。 AutoPETの課題は、1014 FDG-PET/CT研究のデータセットを提供することである。
• 参考スコア（独自算出の注目度）: 30.142259166452693
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Tumor segmentation in medical imaging is crucial and relies on precise delineation. Fluorodeoxyglucose Positron-Emission Tomography (FDG-PET) is widely used in clinical practice to detect metabolically active tumors. However, FDG-PET scans may misinterpret irregular glucose consumption in healthy or benign tissues as cancer. Combining PET with Computed Tomography (CT) can enhance tumor segmentation by integrating metabolic and anatomic information. FDG-PET/CT scans are pivotal for cancer staging and reassessment, utilizing radiolabeled fluorodeoxyglucose to highlight metabolically active regions. Accurately distinguishing tumor-specific uptake from physiological uptake in normal tissues is a challenging aspect of precise tumor segmentation. The AutoPET challenge addresses this by providing a dataset of 1014 FDG-PET/CT studies, encouraging advancements in accurate tumor segmentation and analysis within the FDG-PET/CT domain. Code: https://github.com/matt3o/AutoPET2-Submission/
• Abstract（参考訳）: 医用画像における腫瘍のセグメンテーションは重要であり、正確なデライン化に依存している。 Fluorodeoxyglucose Positron-Emission Tomography (FDG-PET) は代謝活性腫瘍の検出に広く用いられている。 しかし、FDG-PETスキャンは、健康な組織や良性組織の不規則なグルコース消費をがんと誤解する可能性がある。 PETとCTを組み合わせることで、代謝情報と解剖情報を統合することにより腫瘍のセグメンテーションを高めることができる。 FDG-PET/CTスキャンは、放射線標識されたフルオロデオキシグルコースを用いて代謝活性領域を強調することにより、がんのステージングと再評価に欠かせない。 腫瘍特異的摂取と正常組織の生理的摂取を正確に区別することは、腫瘍の分節化の難しい側面である。 AutoPETは1014のFDG-PET/CT研究のデータセットを提供し、FDG-PET/CTドメイン内の正確な腫瘍のセグメンテーションと解析を奨励することでこの問題に対処する。 コード:https://github.com/matt3o/AutoPET2-Submission/

関連論文リスト

• Using Multiparametric MRI with Optimized Synthetic Correlated Diffusion Imaging to Enhance Breast Cancer Pathologic Complete Response Prediction [71.91773485443125]
  ネオアジュバント化学療法は乳癌の治療戦略として最近人気を集めている。 ネオアジュバント化学療法を推奨する現在のプロセスは、医療専門家の主観的評価に依存している。 本研究は, 乳癌の病理組織学的完全反応予測に最適化されたCDI$s$を応用することを検討した。
  論文  参考訳（メタデータ） (2024-05-13T15:40:56Z)
• Towards Generalizable Tumor Synthesis [48.45704270448412]
  腫瘍合成は、医用画像における人工腫瘍の作成を可能にし、腫瘍の検出とセグメンテーションのためのAIモデルのトレーニングを容易にする。 本論文は, 臨界観察を生かして, 一般化可能な腫瘍合成に向けて進歩的な一歩を踏み出した。 私たちは、Diffusion Modelsのような生成AIモデルが、単一の臓器から限られた数の腫瘍例を訓練しても、様々な臓器に一般化された現実的な腫瘍を作成できることを確認した。
  論文  参考訳（メタデータ） (2024-02-29T18:57:39Z)
• Contrastive Diffusion Model with Auxiliary Guidance for Coarse-to-Fine PET Reconstruction [62.29541106695824]
  本稿では, 粗い予測モジュール (CPM) と反復的修正モジュール (IRM) から構成される粗大なPET再構成フレームワークを提案する。 計算オーバーヘッドの大部分をCPMに委譲することで,本手法のサンプリング速度を大幅に向上させることができる。 2つの追加戦略、すなわち補助的な誘導戦略と対照的な拡散戦略が提案され、再構築プロセスに統合される。
  論文  参考訳（メタデータ） (2023-08-20T04:10:36Z)
• Exploring Vanilla U-Net for Lesion Segmentation from Whole-body FDG-PET/CT Scans [16.93163630413171]
  FDG-PETスキャンは代謝情報のみを提供するため、不規則なグルコース消費を伴う健康な組織や良性疾患はがんと誤認される可能性がある。 本稿では,ネットワークアーキテクチャ,データ前処理,データ拡張という3つの側面から,全身FDG-PET/CTスキャンにおける病変分割のためのU-Netの可能性について検討する。 本手法は, AutoPET 2022 チャレンジの予備的, 最終的リーダボードにおいて第1位となる。
  論文  参考訳（メタデータ） (2022-10-14T03:37:18Z)
• PriorNet: lesion segmentation in PET-CT including prior tumor appearance information [0.0]
  PET-CT画像における腫瘍病変のセグメンテーション性能を改善するための2段階のアプローチを提案する。 第1ステップは、先行腫瘍情報とみなすPET-CTボリュームから先行腫瘍出現マップを生成する。 標準のU-Netからなる第2ステップは、前回の腫瘍出現マップとPET-CT画像を受け取り、病変マスクを生成する。
  論文  参考訳（メタデータ） (2022-10-05T12:31:42Z)
• Automatic Tumor Segmentation via False Positive Reduction Network for Whole-Body Multi-Modal PET/CT Images [12.885308856495353]
  PET/CT画像評価では,腫瘍の自動切除が重要なステップである。 既存の方法は腫瘍領域を過剰に分離し、正常な高臓器、炎症、その他の感染症などの領域を含む傾向がある。 この制限を克服するために、偽陽性削減ネットワークを導入します。
  論文  参考訳（メタデータ） (2022-09-16T04:01:14Z)
• AutoPET Challenge: Combining nn-Unet with Swin UNETR Augmented by Maximum Intensity Projection Classifier [15.924886815041774]
  AutoPET Challengeは900人の患者のFDG-PET/CTスキャンを備えた公開データセットを提供する。 肺がん,黒色腫,リンパ腫と診断された症例のDiceスコアは72.12%であった。
  論文  参考訳（メタデータ） (2022-09-02T15:20:28Z)
• Multimodal Spatial Attention Module for Targeting Multimodal PET-CT Lung Tumor Segmentation [11.622615048002567]
  マルチモーダル空間アテンションモジュール(MSAM)は腫瘍に関連する領域を強調することを学ぶ。 MSAMは一般的なバックボーンアーキテクチャやトレーニングされたエンドツーエンドに適用できる。
  論文  参考訳（メタデータ） (2020-07-29T10:27:22Z)
• Spectral-Spatial Recurrent-Convolutional Networks for In-Vivo Hyperspectral Tumor Type Classification [49.32653090178743]
  ハイパースペクトル画像とディープラーニングを用いたin-vivo腫瘍型分類の可能性を示した。 我々の最良のモデルは76.3%のAUCを達成し、従来の学習手法とディープラーニング手法を著しく上回っている。
  論文  参考訳（メタデータ） (2020-07-02T12:00:53Z)
• Segmentation for Classification of Screening Pancreatic Neuroendocrine Tumors [72.65802386845002]
  本研究は,腹部CTで膵神経内分泌腫瘍(PNET)を早期に検出するための包括的結果を提示する。 我々の知る限りでは、このタスクは以前まで計算タスクとして研究されていなかった。 我々の手法は最先端のセグメンテーションネットワークより優れ、感度は89.47%、特異性は81.08%である。
  論文  参考訳（メタデータ） (2020-04-04T21:21:44Z)

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。