Fugu-MT 論文翻訳(概要): Gastro-Intestinal Tract Segmentation Using an Explainable 3D Unet

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

Computer-Aided Diagnosis of Thoracic Diseases in Chest X-rays using hybrid CNN-Transformer Architecture [1.0878040851637998]
自動コンピュータ支援診断システムは、胸部X線を解釈し、実行可能な洞察を提供することで、放射線科医を増強することができる。本研究では,DenseNet121 Convolutional Neural Network(CNN)を付加した新しいアーキテクチャを適用した。胸部X線による胸部疾患の診断において, 自己注意でCNNを増強する可能性が示唆された。
論文参考訳（メタデータ） (2024-04-18T01:46:31Z)
CathFlow: Self-Supervised Segmentation of Catheters in Interventional Ultrasound Using Optical Flow and Transformers [66.15847237150909]
縦型超音波画像におけるカテーテルのセグメンテーションのための自己教師型ディープラーニングアーキテクチャを提案する。ネットワークアーキテクチャは、Attention in Attentionメカニズムで構築されたセグメンテーショントランスフォーマであるAiAReSeg上に構築されている。我々は,シリコンオルタファントムから収集した合成データと画像からなる実験データセット上で,我々のモデルを検証した。
論文参考訳（メタデータ） (2024-03-21T15:13:36Z)
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)
Act Like a Radiologist: Radiology Report Generation across Anatomical Regions [50.13206214694885]
X-RGenは6つの解剖学的領域にわたる放射線学者によるレポート生成フレームワークである。 X-RGenでは、ヒトの放射線学者の行動を模倣し、これらを4つの主要な段階に分解する。画像エンコーダの認識能力は,各領域にまたがる画像やレポートを分析して向上する。
論文参考訳（メタデータ） (2023-05-26T07:12:35Z)
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)

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。