論文の概要: A mirror-Unet architecture for PET/CT lesion segmentation
- arxiv url: http://arxiv.org/abs/2309.13398v1
- Date: Sat, 23 Sep 2023 15:13:48 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-26 20:14:07.053963
- Title: A mirror-Unet architecture for PET/CT lesion segmentation
- Title(参考訳): PET/CT病変分割のためのミラーUnetアーキテクチャ
- Authors: Yamila Rotstein Habarnau and Mauro Nam\'ias
- Abstract要約: 本論文では,2つのUNet-3Dブランチの組み合わせに基づいて,腫瘍病変の分節化を目的とした深層学習手法を提案する。
私たちはAutoPET MICCAI 2023 Challengeデータセットでネットワークをトレーニングし、検証した。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Automatic lesion detection and segmentation from [${}^{18}$F]FDG PET/CT scans
is a challenging task, due to the diversity of shapes, sizes, FDG uptake and
location they may present, besides the fact that physiological uptake is also
present on healthy tissues. In this work, we propose a deep learning method
aimed at the segmentation of oncologic lesions, based on a combination of two
UNet-3D branches. First, one of the network's branches is trained to segment a
group of tissues from CT images. The other branch is trained to segment the
lesions from PET images, combining on the bottleneck the embedded information
of CT branch, already trained. We trained and validated our networks on the
AutoPET MICCAI 2023 Challenge dataset. Our code is available at:
https://github.com/yrotstein/AutoPET2023_Mv1.
- Abstract(参考訳): FDG PET/CTスキャンは, 形状, サイズ, FDG の取り込み, 位置の多様性に加えて, 生理的摂取も健常な組織に存在しているため, 病変の自動検出とセグメンテーションは難しい課題である。
本研究では,2つのUNet-3Dブランチの組み合わせに基づいて,腫瘍病変の分類を目的とした深層学習手法を提案する。
まず、ネットワークのブランチの1つが、ct画像から組織のグループを分割するように訓練される。
もう一方の枝はPET画像から病変を分離するように訓練されており、すでに訓練済みのCT枝の埋め込み情報をボトルネックと組み合わせている。
私たちはAutoPET MICCAI 2023 Challengeデータセットでネットワークをトレーニングし、検証した。
私たちのコードは、https://github.com/yrotstein/AutoPET2023_Mv1.comで利用可能です。
関連論文リスト
- A slice classification neural network for automated classification of
axial PET/CT slices from a multi-centric lymphoma dataset [1.0318017891096118]
我々は、リンパ腫/CT画像の軸スライスを分類するためにResNet-18ネットワークを訓練する。
受信機動作特性曲線(AUROC)の領域と高精度リコール曲線(AUPRC)の領域を用いてモデル性能を比較した。
我々は,スライスレベルスプリット訓練と比較して,スライスレベルスプリット訓練におけるパフォーマンス過大評価を観察し,記述した。
論文 参考訳(メタデータ) (2024-03-11T18:57:45Z) - Affine-Consistent Transformer for Multi-Class Cell Nuclei Detection [76.11864242047074]
本稿では, 原子核位置を直接生成する新しいアフィン一貫性変換器 (AC-Former) を提案する。
本稿では,AAT (Adaptive Affine Transformer) モジュールを導入し,ローカルネットワークトレーニングのためのオリジナル画像をワープするための重要な空間変換を自動学習する。
実験結果から,提案手法は様々なベンチマークにおいて既存の最先端アルゴリズムを著しく上回ることがわかった。
論文 参考訳(メタデータ) (2023-10-22T02:27:02Z) - Scale-aware Super-resolution Network with Dual Affinity Learning for
Lesion Segmentation from Medical Images [50.76668288066681]
低解像度医用画像から様々な大きさの病変を適応的に分割する,スケールアウェアな超解像ネットワークを提案する。
提案するネットワークは,他の最先端手法と比較して一貫した改善を実現した。
論文 参考訳(メタデータ) (2023-05-30T14:25:55Z) - Self-Supervised Correction Learning for Semi-Supervised Biomedical Image
Segmentation [84.58210297703714]
半教師付きバイオメディカルイメージセグメンテーションのための自己教師付き補正学習パラダイムを提案する。
共有エンコーダと2つの独立デコーダを含むデュアルタスクネットワークを設計する。
異なるタスクのための3つの医用画像分割データセットの実験により,本手法の優れた性能が示された。
論文 参考訳(メタデータ) (2023-01-12T08:19:46Z) - Dual Multi-scale Mean Teacher Network for Semi-supervised Infection
Segmentation in Chest CT Volume for COVID-19 [76.51091445670596]
CT(Computed tomography)データから肺感染症を自動的に検出することは、COVID-19と戦う上で重要な役割を担っている。
現在の新型コロナウイルス感染症のセグメンテーションのほとんどは、主に3Dシーケンシャルな制約を欠いた2D CT画像に依存している。
既存の3次元CTセグメンテーション法では,3次元ボリュームにおける複数レベルの受容場サイズを達成できない単一スケールの表現に焦点が当てられている。
論文 参考訳(メタデータ) (2022-11-10T13:11:21Z) - 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) - Whole-Body Lesion Segmentation in 18F-FDG PET/CT [11.662584140924725]
提案モデルは, 全身の病変を予測するために, 2D と 3D nnUNET アーキテクチャを基礎として設計されている。
提案手法は, ダイススコア, 偽陽性ボリューム, 偽陰性ボリュームの計測値において, 病変のセグメンテーション性能を計測するAutoPet Challengeの文脈で評価する。
論文 参考訳(メタデータ) (2022-09-16T10:49:53Z) - Two-Stream Graph Convolutional Network for Intra-oral Scanner Image
Segmentation [133.02190910009384]
本稿では,2ストリームグラフ畳み込みネットワーク(TSGCN)を提案する。
TSGCNは3次元歯(表面)セグメンテーションにおいて最先端の方法よりも優れています。
論文 参考訳(メタデータ) (2022-04-19T10:41:09Z) - Spatio-Temporal Dual-Stream Neural Network for Sequential Whole-Body PET
Segmentation [10.344707825773252]
連続体PETスキャンをセグメント化する「デュアルストリーム」ニューラルネットワーク(ST-DSNN)を提案する。
我々のST-DSNNは、時間とともに行われたPET画像から画像の特徴を学習し、蓄積する。
その結果,本手法は最新のPET画像分割法よりも優れていた。
論文 参考訳(メタデータ) (2021-06-09T10:15:20Z) - Bifurcated Autoencoder for Segmentation of COVID-19 Infected Regions in
CT Images [8.122848195290743]
新型コロナウイルス感染症(COVID-19)は、新型コロナウイルスの感染拡大で2020年初め以降、世界に衝撃を与えている。
この文脈では、ディープラーニングと畳み込みニューラルネットワークが画像解析に使われてきた。
本論文は、新型コロナウイルス感染症の肺領域を分画し、心臓科医がより正確に、より速く、より管理しやすいようにする方法を提案する。
論文 参考訳(メタデータ) (2020-11-01T21:32:00Z) - Synergistic Learning of Lung Lobe Segmentation and Hierarchical
Multi-Instance Classification for Automated Severity Assessment of COVID-19
in CT Images [61.862364277007934]
3次元CT画像におけるCOVID-19の重症度自動評価のための相乗的学習フレームワークを提案する。
マルチタスクのディープネットワーク(M$2$UNet)が開発され、新型コロナウイルス患者の重症度を評価する。
われわれのM$2$UNetはパッチレベルのエンコーダと肺葉分画のためのセグメンテーションサブネットワークと重度評価のための分類サブネットワークから構成されている。
論文 参考訳(メタデータ) (2020-05-08T03:16:15Z)
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。