論文の概要: AG-CRC: Anatomy-Guided Colorectal Cancer Segmentation in CT with
Imperfect Anatomical Knowledge
- arxiv url: http://arxiv.org/abs/2310.04677v2
- Date: Fri, 1 Dec 2023 03:45:44 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-04 18:00:37.216049
- Title: AG-CRC: Anatomy-Guided Colorectal Cancer Segmentation in CT with
Imperfect Anatomical Knowledge
- Title（参考訳）: AG-CRC : 解剖学的知識が不十分なCTにおける大腸癌切除
- Authors: Rongzhao Zhang, Zhian Bai, Ruoying Yu, Wenrao Pang, Lingyun Wang,
Lifeng Zhu, Xiaofan Zhang, Huan Zhang, Weiguo Hu
- Abstract要約: 自動生成臓器マスクを利用する新しい解剖ガイドセグメンテーションフレームワークを開発した。
提案手法を2つのCRCセグメンテーションデータセット上で広範囲に評価する。
- 参考スコア（独自算出の注目度）: 9.961742312147674
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: When delineating lesions from medical images, a human expert can always keep
in mind the anatomical structure behind the voxels. However, although
high-quality (though not perfect) anatomical information can be retrieved from
computed tomography (CT) scans with modern deep learning algorithms, it is
still an open problem how these automatically generated organ masks can assist
in addressing challenging lesion segmentation tasks, such as the segmentation
of colorectal cancer (CRC). In this paper, we develop a novel Anatomy-Guided
segmentation framework to exploit the auto-generated organ masks to aid CRC
segmentation from CT, namely AG-CRC. First, we obtain multi-organ segmentation
(MOS) masks with existing MOS models (e.g., TotalSegmentor) and further derive
a more robust organ of interest (OOI) mask that may cover most of the
colon-rectum and CRC voxels. Then, we propose an anatomy-guided training patch
sampling strategy by optimizing a heuristic gain function that considers both
the proximity of important regions (e.g., the tumor or organs of interest) and
sample diversity. Third, we design a novel self-supervised learning scheme
inspired by the topology of tubular organs like the colon to boost the model
performance further. Finally, we employ a masked loss scheme to guide the model
to focus solely on the essential learning region. We extensively evaluate the
proposed method on two CRC segmentation datasets, where substantial performance
improvement (5% to 9% in Dice) is achieved over current state-of-the-art
medical image segmentation models, and the ablation studies further evidence
the efficacy of every proposed component.
- Abstract（参考訳）: 医療画像から病変を区切る場合、人間の専門家は常にボクセルの背後にある解剖学的構造を念頭に置いておくことができる。
しかし,最新のディープラーニングアルゴリズムを用いたCTスキャンから,高品質な解剖学的情報を取得することは可能であるが,これらの自動生成臓器マスクが大腸癌の分節化(CRC)などの難治性病変の分節化にどのように役立つかは,未解決の問題である。
本稿では,CTからのCRCセグメンテーション,すなわちAG-CRCを支援するために自動生成臓器マスクを利用する新しい解剖誘導セグメンテーションフレームワークを開発する。
まず,既存のMOSモデル(TotalSegmentorなど)を用いた多臓器セグメンテーション (MOS) マスクを取得し,さらに大腸およびCRCボクセルの大部分をカバーする,より堅牢な関心器官 (OOI) マスクを導出する。
次に,重要な領域(例えば腫瘍や臓器)とサンプルの多様性の両方を考慮するヒューリスティックゲイン関数を最適化し,解剖学的に誘導された訓練パッチサンプリング戦略を提案する。
第3に,大腸などの管状臓器のトポロジーに触発された新しい自己教師付き学習スキームをデザインし,モデルの性能をさらに高める。
最後に,本質的な学習領域にのみ焦点をあてるために,マスク付き損失スキームを用いてモデルを誘導する。
提案する2つのcrcセグメンテーションデータセットについて,現在最先端の医用画像セグメンテーションモデルよりも相当な性能向上(diceでは5%から9%)が達成され,アブレーション研究により各成分の有効性がさらに証明された。
関連論文リスト
- MedCLIP-SAMv2: Towards Universal Text-Driven Medical Image Segmentation [2.2585213273821716]
MedCLIP-SAMv2はCLIPとSAMモデルを統合して臨床スキャンのセグメンテーションを行う新しいフレームワークである。
提案手法は,DHN-NCE(Decoupled Hard Negative Noise Contrastive Estimation)によるBiomedCLIPモデルの微調整を含む。
また,ゼロショットセグメンテーションラベルを弱教師付きパラダイム内で使用することにより,セグメンテーション品質をさらに向上する。
論文 参考訳（メタデータ） (2024-09-28T23:10:37Z) - Tissue-Contrastive Semi-Masked Autoencoders for Segmentation Pretraining on Chest CT [10.40407976789742]
胸部CT画像のモデリングのための組織コントラストセミマスクオートエンコーダ(TCS-MAE)と呼ばれるMIM法を提案する。
本手法は, 組織型マスキング再構成法により, より微細な解剖学的特徴を捉えるとともに, マスク画像とオリジナル画像との対比学習を施した二重AEアーキテクチャを設計した。
論文 参考訳（メタデータ） (2024-07-12T03:24:17Z) - Abdominal organ segmentation via deep diffeomorphic mesh deformations [5.4173776411667935]
CTとMRIによる腹部臓器の分節は,手術計画とコンピュータ支援ナビゲーションシステムにとって必須の要件である。
肝, 腎, 膵, 脾の分節に対するテンプレートベースのメッシュ再構成法を応用した。
結果として得られたUNetFlowは4つの器官すべてによく当てはまり、新しいデータに基づいて簡単に微調整できる。
論文 参考訳（メタデータ） (2023-06-27T14:41:18Z) - Patched Diffusion Models for Unsupervised Anomaly Detection in Brain MRI [55.78588835407174]
本稿では,正常脳解剖のパッチベース推定法として拡散モデルの生成タスクを再構築する手法を提案する。
腫瘍と多発性硬化症について検討し,既存のベースラインと比較して25.1%の改善がみられた。
論文 参考訳（メタデータ） (2023-03-07T09:40:22Z) - 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) - Improving Classification Model Performance on Chest X-Rays through Lung
Segmentation [63.45024974079371]
本稿では, セグメンテーションによる異常胸部X線(CXR)識別性能を向上させるための深層学習手法を提案する。
提案手法は,CXR画像中の肺領域を局所化するための深層ニューラルネットワーク(XLSor)と,大規模CXRデータセットで事前学習した自己教師あり運動量コントラスト(MoCo)モデルのバックボーンを用いたCXR分類モデルである。
論文 参考訳（メタデータ） (2022-02-22T15:24:06Z) - RCA-IUnet: A residual cross-spatial attention guided inception U-Net
model for tumor segmentation in breast ultrasound imaging [0.6091702876917281]
本稿では,腫瘍セグメンテーションのトレーニングパラメータが最小限に抑えられたRCA-IUnetモデルについて紹介する。
RCA-IUnetモデルは、U-Netトポロジに従い、奥行きの深い分離可能な畳み込みとハイブリッドプール層を持つ。
無関係な特徴を抑え、対象構造に焦点を合わせるために、空間横断型アテンションフィルタが加えられる。
論文 参考訳（メタデータ） (2021-08-05T10:35:06Z) - Anatomy X-Net: A Semi-Supervised Anatomy Aware Convolutional Neural
Network for Thoracic Disease Classification [3.888080947524813]
この研究は、解剖学的注意に基づくアーキテクチャAnatomy X-Netを提案する。
事前に同定された解剖学的領域によって導かれる空間的特徴を優先する。
提案手法は,AUCスコアが0.8439のNIHテストセットに対して,新しい最先端性能を設定できる。
論文 参考訳（メタデータ） (2021-06-10T17:01:23Z) - 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) - Generalized Organ Segmentation by Imitating One-shot Reasoning using
Anatomical Correlation [55.1248480381153]
そこで我々は,アノテーション付きオルガンクラスから一般化されたオルガン概念を学習し,その概念を未知のクラスに転送するOrganNetを提案する。
そこで,OrganNetは臓器形態の幅広い変化に効果的に抵抗でき,一発分節タスクで最先端の結果が得られることを示す。
論文 参考訳（メタデータ） (2021-03-30T13:41:12Z) - A Global Benchmark of Algorithms for Segmenting Late Gadolinium-Enhanced
Cardiac Magnetic Resonance Imaging [90.29017019187282]
現在世界最大の心臓LGE-MRIデータセットである154個の3D LGE-MRIを用いた「2018 left Atrium Challenge」。
技術および生物学的指標を用いた提案アルゴリズムの解析を行った。
その結果, 最上部法は93.2%, 平均表面は0.7mmであった。
論文 参考訳（メタデータ） (2020-04-26T08:49:17Z)
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。