論文の概要: All Sizes Matter: Improving Volumetric Brain Segmentation on Small Lesions

• arxiv url: http://arxiv.org/abs/2310.02829v1
• Date: Wed, 4 Oct 2023 13:56:32 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-05 14:47:52.631046
• Title: All Sizes Matter: Improving Volumetric Brain Segmentation on Small Lesions
• Title（参考訳）: all sizes matter:小病変における体積脳分画の改善
• Authors: Ayhan Can Erdur, Daniel Scholz, Josef A. Buchner, Stephanie E. Combs, Daniel Rueckert, Jan C. Peeken
• Abstract要約: 我々は,小さなBMの検出とセグメンテーションに明示的に焦点をあてたニューラルネットワークのアンサンブルを開発する。 大きさやテクスチャの面では病変インスタンスの不均衡に特に対処するブロブロスを用いており,大病変に対しては偏りがない。 本実験は, 対数的ブロブ損失と減算シーケンスの有用性を実証した。
• 参考スコア（独自算出の注目度）: 10.713888034128496
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Brain metastases (BMs) are the most frequently occurring brain tumors. The treatment of patients having multiple BMs with stereo tactic radiosurgery necessitates accurate localization of the metastases. Neural networks can assist in this time-consuming and costly task that is typically performed by human experts. Particularly challenging is the detection of small lesions since they are often underrepresented in exist ing approaches. Yet, lesion detection is equally important for all sizes. In this work, we develop an ensemble of neural networks explicitly fo cused on detecting and segmenting small BMs. To accomplish this task, we trained several neural networks focusing on individual aspects of the BM segmentation problem: We use blob loss that specifically addresses the imbalance of lesion instances in terms of size and texture and is, therefore, not biased towards larger lesions. In addition, a model using a subtraction sequence between the T1 and T1 contrast-enhanced sequence focuses on low-contrast lesions. Furthermore, we train additional models only on small lesions. Our experiments demonstrate the utility of the ad ditional blob loss and the subtraction sequence. However, including the specialized small lesion models in the ensemble deteriorates segmentation results. We also find domain-knowledge-inspired postprocessing steps to drastically increase our performance in most experiments. Our approach enables us to submit a competitive challenge entry to the ASNR-MICCAI BraTS Brain Metastasis Challenge 2023.
• Abstract（参考訳）: 脳転移 (bms) は最も頻繁に発生する脳腫瘍である。 立体的戦術的放射線治療を併用した多発性BM患者の治療は、転移の正確な位置決めを必要とする。 ニューラルネットワークは、人間の専門家が通常行う時間とコストのかかるタスクを支援することができる。 特に難しいのは、ingアプローチでしばしば過小評価されるため、小さな病変の検出である。 しかし、病変検出はあらゆるサイズでも同様に重要である。 本研究では,小さなbmsの検出とセグメント化に特有なニューラルネットワークのアンサンブルを開発する。 この課題を達成するために、私たちは、BMセグメンテーション問題の個々の側面に焦点を当てた、いくつかのニューラルネットワークをトレーニングした。 さらに、T1コントラスト強調配列とT1コントラスト強調配列のサブトラクション配列を用いたモデルは、低コントラスト病変に焦点を当てる。 さらに,小病変に対してのみ追加モデルを訓練する。 本実験は, 随意ブロブ損失と減算シーケンスの有用性を実証した。 しかし, アンサンブルの特殊小病変モデルを含め, セグメンテーション結果が低下する。 また、ドメイン知識にインスパイアされた後処理ステップを見つけ、ほとんどの実験でパフォーマンスを劇的に向上させます。 我々のアプローチは、ASNR-MICCAI BraTS Brain Metastasis Challenge 2023に競合するチャレンジエントリを提出することを可能にする。

関連論文リスト

• Meta-Analysis of Transfer Learning for Segmentation of Brain Lesions [0.0]
  3次元磁気共鳴(MR)画像からの脳卒中病変の手動分割は、現在の金標準である。 転写学習(TL)と混合データアプローチを用いて訓練した8種類の2次元モデルアーキテクチャを用いて,脳卒中病変の完全自動セグメンテーション手法の実装と試験を行った。 クロスバリデーションの結果,新しい手法は,地中真実と比較して高速かつ高精度に病変を分割できることがわかった。
  論文  参考訳（メタデータ） (2023-06-20T17:42:30Z)
• 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)
• Maximum Entropy on Erroneous Predictions (MEEP): Improving model calibration for medical image segmentation [10.159176702917788]
  本稿では,分割ネットワークのトレーニング戦略であるMEEPを紹介する。 脳の磁気共鳴画像(MRI)における白質高強度病変と、心臓MRIにおける心房細動の2つの課題について、提案手法をベンチマークした。
  論文  参考訳（メタデータ） (2021-12-22T20:34:20Z)
• Multi-Scale Input Strategies for Medulloblastoma Tumor Classification using Deep Transfer Learning [59.30734371401316]
  乳腺芽腫は小児で最も多い悪性脳腫瘍である。 CNNはMBサブタイプ分類に有望な結果を示した。 タイルサイズと入力戦略の影響について検討した。
  論文  参考訳（メタデータ） (2021-09-14T09:42:37Z)
• Distributionally Robust Segmentation of Abnormal Fetal Brain 3D MRI [5.463018151091638]
  最先端のディープラーニングパイプライン nnU-Net では,異常なケースの一般化が困難であることを示す。 我々は、データセット上のボリューム当たり損失の分布のパーセンタイルを最小限に抑えるために、ディープニューラルネットワークをトレーニングすることを提案する。 我々は368個の胎児脳T2w MRIを用いてアプローチを検証した。
  論文  参考訳（メタデータ） (2021-08-09T17:00:21Z)
• Optimizing Operating Points for High Performance Lesion Detection and Segmentation Using Lesion Size Reweighting [1.0514231683620514]
  セグメンテーション精度を維持しつつ,小さな病理診断性能を向上させるための新しいリウィーディング戦略を提案する。 我々は,多発性硬化症患者画像の大規模・マルチスキャン・マルチセンターデータセットの実験に基づいて,我々のリウィーディング戦略が競合戦略を大きく上回っていることを示す。
  論文  参考訳（メタデータ） (2021-07-27T17:43:49Z)
• FocusNetv2: Imbalanced Large and Small Organ Segmentation with Adversarial Shape Constraint for Head and Neck CT Images [82.48587399026319]
  organ-at-risk (oars) は、健康な臓器の損傷を避けるために放射線治療計画において重要なステップである。 本研究では,この課題を解決するために,2段階の深層ニューラルネットワークであるFocusNetv2を提案する。 従来のFocusNetに加えて,小臓器に新たな対角的形状制約を導入し,推定小臓器形状と臓器形状との整合性を確保する。
  論文  参考訳（メタデータ） (2021-04-05T04:45:31Z)
• Multiple Sclerosis Lesion Activity Segmentation with Attention-Guided Two-Path CNNs [49.32653090178743]
  畳み込みニューラルネットワーク(CNN)は2つの時点から病変活動のセグメンテーションについて研究されている。 CNNは、異なる方法で2つのポイントからの情報を組み合わせて設計され、評価される。 深層学習に基づく手法が古典的アプローチより優れていることが実証された。
  論文  参考訳（メタデータ） (2020-08-05T08:49:20Z)
• Universal Loss Reweighting to Balance Lesion Size Inequality in 3D Medical Image Segmentation [50.63623720394348]
  ネットワークの小さな病変の検出能力を高めるために,損失再重み付け手法を提案する。 Dice Loss, Focal Loss, Asymmetric similarity Lossなど,よく知られた損失関数に対する本手法の利点を報告する。 実験の結果, 逆重み付けは検出品質を著しく向上させる一方で, 最先端のデライン化品質を保っていることがわかった。
  論文  参考訳（メタデータ） (2020-07-20T12:08:22Z)
• Scale-Space Autoencoders for Unsupervised Anomaly Segmentation in Brain MRI [47.26574993639482]
  本研究では, 異常セグメンテーション性能の向上と, ネイティブ解像度で入力データのより鮮明な再構成を行う汎用能力を示す。 ラプラシアンピラミッドのモデリングにより、複数のスケールで病変のデライン化と集約が可能になる。
  論文  参考訳（メタデータ） (2020-06-23T09:20:42Z)
• Pseudo-Labeling for Small Lesion Detection on Diabetic Retinopathy Images [12.49381528673824]
  糖尿病網膜症(英: Diabetic retinopathy、DR)は、世界の勤労者の視覚障害の主要な原因である。 糖尿病患者の約300～400万人は、DRのために視力を失います。 色眼底画像によるDRの診断は、そのような問題を緩和するための一般的なアプローチである。
  論文  参考訳（メタデータ） (2020-03-26T17:13:48Z)

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。