論文の概要: Gastro-Intestinal Tract Segmentation Using an Explainable 3D Unet
- arxiv url: http://arxiv.org/abs/2309.14474v1
- Date: Mon, 25 Sep 2023 19:16:19 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-27 16:04:38.596681
- Title: Gastro-Intestinal Tract Segmentation Using an Explainable 3D Unet
- Title(参考訳): 説明可能な3D Unet を用いた胃腸管切開術
- Authors: Kai Li, Jonathan Chan
- Abstract要約: 放射線療法を用いて消化管がんを治療する際、放射線腫瘍学者の役割は、胃や腸を避けながら、X線を通した高線量放射線を腫瘍に向かって投与することである。
MR-Linacのような正確な放射線治療技術の出現により、腫瘍や腸の日々の位置を可視化することができる。
放射線を照射する前に、放射線腫瘍学者はX線ビームの位置と方向を決定するために、手動で消化管の位置を概説する必要がある。
これは、患者が大幅に長引く可能性のある、時間と労力の集中的なプロセスである。
- 参考スコア(独自算出の注目度): 7.590429694546891
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In treating gastrointestinal cancer using radiotherapy, the role of the
radiation oncologist is to administer high doses of radiation, through x-ray
beams, toward the tumor while avoiding the stomach and intestines. With the
advent of precise radiation treatment technology such as the MR-Linac,
oncologists can visualize the daily positions of the tumors and intestines,
which may vary day to day. Before delivering radiation, radio oncologists must
manually outline the position of the gastrointestinal organs in order to
determine position and direction of the x-ray beam. This is a time consuming
and labor intensive process that may substantially prolong a patient's
treatment. A deep learning (DL) method can automate and expedite the process.
However, many deep neural networks approaches currently in use are black-boxes
which lack interpretability which render them untrustworthy and impractical in
a healthcare setting. To address this, an emergent field of AI known as
Explainable AI (XAI) may be incorporated to improve the transparency and
viability of a model. This paper proposes a deep learning pipeline that
incorporates XAI to address the challenges of organ segmentation.
- Abstract(参考訳): 放射線治療による消化器癌の治療において、放射線腫瘍学者の役割は、胃や腸を避けながら、x線ビームを通して腫瘍に対して高線量放射線を投与することである。
MR-Linacのような正確な放射線治療技術の出現により、腫瘍や腸の日々の位置を可視化することができる。
放射線を照射する前に、放射線腫瘍学者はX線ビームの位置と方向を決定するために、手動で消化管の位置を概説する必要がある。
これは、患者の治療を著しく延長する時間と労働集約的なプロセスである。
ディープラーニング(DL)メソッドはプロセスの自動化と高速化を可能にする。
しかし、現在使われているディープニューラルネットワークアプローチの多くは、解釈可能性に欠けるブラックボックスであり、医療環境では信頼できない、実用的ではない。
これを解決するために、Explainable AI(XAI)として知られるAIの創発的な分野が組み込まれて、モデルの透明性と生存性を改善することができる。
本稿では,臓器セグメンテーションの課題に対処するために,XAIを組み込んだディープラーニングパイプラインを提案する。
関連論文リスト
- AiAReSeg: Catheter Detection and Segmentation in Interventional
Ultrasound using Transformers [75.20925220246689]
血管内手術は、電離放射線を用いてカテーテルと血管を可視化するFluoroscopyの黄金標準を用いて行われる。
本研究では、最先端機械学習トランスフォーマアーキテクチャを応用して、軸干渉超音波画像シーケンス中のカテーテルを検出し、セグメント化する手法を提案する。
論文 参考訳(メタデータ) (2023-09-25T19:34:12Z) - I-AI: A Controllable & Interpretable AI System for Decoding
Radiologists' Intense Focus for Accurate CXR Diagnoses [9.260958560874812]
解釈可能な人工知能(I-AI)は、新しく統一された制御可能な解釈可能なパイプラインである。
私たちのI-AIは、放射線科医がどこに見えるか、特定の領域にどのくらい焦点を合わせるか、どの発見を診断するか、という3つの重要な疑問に対処しています。
論文 参考訳(メタデータ) (2023-09-24T04:48:44Z) - Automatic Endoscopic Ultrasound Station Recognition with Limited Data [0.0]
膵臓がんは致命的ながん形態であり、世界中のがん関連死亡に大きく貢献する。
医療画像技術の進歩にもかかわらず、膵癌は検出が困難な疾患である。
内視鏡的超音波検査は膵癌を最も効果的に診断するツールである。
膵臓の完全な画像を得るには、内視鏡を複数の「EUSステーション」に誘導することを学ぶ必要がある。
論文 参考訳(メタデータ) (2023-09-21T06:40:05Z) - Domain Transfer Through Image-to-Image Translation for Uncertainty-Aware
Prostate Cancer Classification [60.20736568336466]
臨床的に有意なPCa分類のための前立腺mp-MRIの非対位画像変換のための新しいアプローチを提案する。
我々は、明らかなディープラーニングアプローチにより、モデルの不確実性を見積もる。
提案手法は, ROC曲線(AUC)を20%以上改善することを示した。
論文 参考訳(メタデータ) (2023-07-02T05:26:54Z) - Radiomics-Guided Global-Local Transformer for Weakly Supervised
Pathology Localization in Chest X-Rays [65.88435151891369]
Radiomics-Guided Transformer (RGT)は、テキストトグロバル画像情報と、テキストトグロバル情報とを融合する。
RGTは、画像トランスフォーマーブランチ、放射能トランスフォーマーブランチ、および画像と放射線情報を集約する融合層から構成される。
論文 参考訳(メタデータ) (2022-07-10T06:32:56Z) - Automated GI tract segmentation using deep learning [0.0]
MR-Linacsでは腫瘍の位置を可視化し、腫瘍細胞の存在に応じて正確な投与を可能にする。
本稿では、このプロセスの高速化と、より多くの患者が効果的に治療を受けられるように、ディープラーニングを用いた自動セグメンテーションプロセスについて論じる。
論文 参考訳(メタデータ) (2022-06-22T13:12:54Z) - 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) - MedNeRF: Medical Neural Radiance Fields for Reconstructing 3D-aware
CT-Projections from a Single X-ray [14.10611608681131]
過剰な電離放射線は、体に決定論的かつ有害な影響をもたらす可能性がある。
本稿では,CTプロジェクションの再構成を学習する深層学習モデルを提案する。
論文 参考訳(メタデータ) (2022-02-02T13:25:23Z) - In-Line Image Transformations for Imbalanced, Multiclass Computer Vision
Classification of Lung Chest X-Rays [91.3755431537592]
本研究は、COVID-19 LCXRデータ不足のバランスをとるために画像変換を適用するために、文献の体系を活用することを目的としている。
convolutional neural networks(cnns)のようなディープラーニング技術は、健康状態と疾患状態を区別する特徴を選択することができる。
本研究は,CNNアーキテクチャを用いて高速多クラスLCXR分類を94%精度で行う。
論文 参考訳(メタデータ) (2021-04-06T02:01:43Z) - XraySyn: Realistic View Synthesis From a Single Radiograph Through CT
Priors [118.27130593216096]
放射線写真は、X線を用いて患者の内部解剖を視覚化し、3D情報を2次元平面に投影する。
私たちの知る限りでは、ラジオグラフィビューの合成に関する最初の研究である。
本手法は,3次元空間におけるX線撮影の理解を得ることにより,地中骨ラベルを使わずに,X線撮影による骨抽出と骨抑制に応用できることが示唆された。
論文 参考訳(メタデータ) (2020-12-04T05:08:53Z) - Optimizing Radiotherapy Plans for Cancer Treatment with Tensor Networks [0.0]
IMRT(Intensity-Modulated Radiation Therapy)技術は、不均一な腫瘍や不均一な腫瘍を治療し、健康な臓器に対する放射線毒性を低下させる。
我々は、線量最適化問題をIsing-like Hamiltonianの基底状態の探索にマッピングし、長距離相互作用量子ビットの系を記述する。
同様のアプローチは、将来のハイブリッド古典量子アルゴリズムにも適用でき、将来の医療における量子技術の利用の道を開くことができる。
論文 参考訳(メタデータ) (2020-10-19T14:28:21Z)
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。