Fugu-MT 論文翻訳(概要): Progressive Dual Priori Network for Generalized Breast Tumor Segmentation

論文の概要: Progressive Dual Priori Network for Generalized Breast Tumor Segmentation

arxiv url: http://arxiv.org/abs/2310.13574v1
Date: Fri, 20 Oct 2023 15:12:06 GMT
ステータス: 処理完了
システム内更新日: 2023-10-23 22:12:02.324459
Title: Progressive Dual Priori Network for Generalized Breast Tumor Segmentation
Title（参考訳）: 一般化乳癌切除のための進行性デュアルプリオリネットワーク
Authors: Li Wang, Lihui Wang, Zixiang Kuai, Lei Tang, Yingfeng Ou, Chen Ye, Yuemin Zhu
Abstract要約: DCE-MRI画像から乳腺腫瘍を分離するプログレッシブデュアルプリオリネットワーク(PDPNet)を提案する。その結果, PDPNetのDSC, SEN, KAPPA, HD95はそれぞれ3.63%, 8.19%, 5.52%, 3.66%の改善が見られた。
参考スコア（独自算出の注目度）: 5.254926376364604
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: To promote the generalization ability of breast tumor segmentation models, as well as to improve the segmentation performance for breast tumors with smaller size, low-contrast amd irregular shape, we propose a progressive dual priori network (PDPNet) to segment breast tumors from dynamic enhanced magnetic resonance images (DCE-MRI) acquired at different sites. The PDPNet first cropped tumor regions with a coarse-segmentation based localization module, then the breast tumor mask was progressively refined by using the weak semantic priori and cross-scale correlation prior knowledge. To validate the effectiveness of PDPNet, we compared it with several state-of-the-art methods on multi-center datasets. The results showed that, comparing against the suboptimal method, the DSC, SEN, KAPPA and HD95 of PDPNet were improved 3.63\%, 8.19\%, 5.52\%, and 3.66\% respectively. In addition, through ablations, we demonstrated that the proposed localization module can decrease the influence of normal tissues and therefore improve the generalization ability of the model. The weak semantic priors allow focusing on tumor regions to avoid missing small tumors and low-contrast tumors. The cross-scale correlation priors are beneficial for promoting the shape-aware ability for irregual tumors. Thus integrating them in a unified framework improved the multi-center breast tumor segmentation performance.
Abstract（参考訳）: 乳腺腫瘍セグメント化モデルの一般化能力の向上と,より小型で低コントラストのアンダー不規則形状の乳腺腫瘍に対するセグメンテーション性能の向上を目的として,異なる部位で取得したダイナミックエンハンスメント磁気共鳴画像(DCE-MRI)から乳房腫瘍を分割するプログレッシブデュアルプライオリティネットワーク(PDPNet)を提案する。 PDPNetは,まず粗いセグメンテーションをベースとした局在モジュールを持つ腫瘍領域を収穫し,弱いセマンティックオーディションとクロススケール相関により乳房腫瘍マスクを徐々に改良した。 PDPNetの有効性を検証するため,マルチセンタデータセット上での最先端手法との比較を行った。その結果, PDPNetのDSC, SEN, KAPPA, HD95は, それぞれ3.63\%, 8.19\%, 5.52\%, 3.66\%の改善が見られた。さらに,提案する局在化モジュールが正常組織の影響を減少させ,モデルの一般化能力を向上させることを実証した。弱いセマンティクス優先は、腫瘍領域に集中することで、小腫瘍や低コントラスト腫瘍の欠如を避けることができる。クロススケール相関は,非切除性腫瘍の形状認識能の促進に有用である。これにより,乳腺腫瘍のマルチセンターセグメンテーション性能が向上した。

関連論文リスト

Prototype Learning Guided Hybrid Network for Breast Tumor Segmentation in DCE-MRI [58.809276442508256]
本稿では,畳み込みニューラルネットワーク(CNN)とトランスフォーマー層を組み合わせたハイブリッドネットワークを提案する。プライベートおよびパブリックなDCE-MRIデータセットの実験結果から,提案したハイブリッドネットワークは最先端の手法よりも優れた性能を示した。
論文参考訳（メタデータ） (2024-08-11T15:46:00Z)
Optimizing Synthetic Correlated Diffusion Imaging for Breast Cancer Tumour Delineation [71.91773485443125]
CDI$s$ - 最適化されたモダリティにより最高のAUCが達成され、金標準のモダリティが0.0044より優れていることを示す。特に、最適化されたCDI$s$モダリティは、最適化されていないCDI$s$値よりも0.02以上のAUC値を達成する。
論文参考訳（メタデータ） (2024-05-13T16:07:58Z)
Improving Breast Cancer Grade Prediction with Multiparametric MRI Created Using Optimized Synthetic Correlated Diffusion Imaging [71.91773485443125]
乳がん治療計画において、グレーディングは重要な役割を担っている。現在の腫瘍グレード法では、患者から組織を抽出し、ストレス、不快感、医療費の上昇につながる。本稿では,CDI$s$の最適化による乳癌の診断精度の向上について検討する。
論文参考訳（メタデータ） (2024-05-13T15:48:26Z)
Integrating Edges into U-Net Models with Explainable Activation Maps for Brain Tumor Segmentation using MR Images [1.223779595809275]
医用画像のセマンティックセグメンテーションのためのU-Netとその変種は,本研究で良好な成果を上げている。腫瘍の縁は、正確な診断、外科的精度、治療計画のための腫瘍領域と同じくらい重要である。 U-NetやV-Netのようなベースラインモデルでトレーニングされたエッジトレーニングモデルの性能は、ベースライン・オブ・ザ・アートモデルと同様のパフォーマンスを達成した。
論文参考訳（メタデータ） (2024-01-02T17:30:45Z)
Multilevel Perception Boundary-guided Network for Breast Lesion Segmentation in Ultrasound Images [9.252383213566947]
超音波画像から乳腺腫瘍を分離する多レベルグローバル認識モジュール(MGPM)と境界誘導モジュール(BGM)で構成されるPBNetを提案する。 MGPMでは、単一レベル特徴写像におけるボクセル間の長距離空間依存性をモデル化し、次いで多レベル意味情報を融合する。 BGMでは,腫瘍の境界線を最大プールの希釈および浸食効果を用いて高レベルセマンティックマップから抽出する。
論文参考訳（メタデータ） (2023-10-23T07:21:02Z)
3DSAM-adapter: Holistic adaptation of SAM from 2D to 3D for promptable tumor segmentation [52.699139151447945]
医用画像の領域分割を行うために, SAMを2次元から3次元に変換する新しい適応法を提案する。本モデルでは, 腎腫瘍, 膵腫瘍, 大腸癌の3つのタスクのうち8.25%, 29.87%, 10.11%の3つのタスクにおいて, ドメイン・オブ・ザ・アーティヴ・メディカル・イメージ・セグメンテーション・モデルより優れ, 肝腫瘍セグメンテーションでも同様の性能が得られる。
論文参考訳（メタデータ） (2023-06-23T12:09:52Z)
ESKNet-An enhanced adaptive selection kernel convolution for breast tumors segmentation [13.897849323634283]
乳がんは、世界の女性の健康を危険にさらす一般的ながんの1つである。 CNNは超音波画像から乳腺腫瘍を分離するために提案されている。乳腺腫瘍セグメンテーションのための選択的カーネル・コンボリューションを改良した。
論文参考訳（メタデータ） (2022-11-05T14:15:29Z)
EMT-NET: Efficient multitask network for computer-aided diagnosis of breast cancer [58.720142291102135]
乳腺腫瘍の分類と分別を同時に行うための,効率的で軽量な学習アーキテクチャを提案する。腫瘍分類ネットワークにセグメンテーションタスクを組み込むことにより,腫瘍領域に着目したバックボーンネットワークで表現を学習する。腫瘍分類の精度、感度、特異性はそれぞれ88.6%、94.1%、85.3%である。
論文参考訳（メタデータ） (2022-01-13T05:24:40Z)
Feature-enhanced Generation and Multi-modality Fusion based Deep Neural Network for Brain Tumor Segmentation with Missing MR Modalities [2.867517731896504]
主な問題は、すべてのMRIが常に臨床検査で利用できるわけではないことである。今回我々は1つ以上のモダリティが欠落した場合に新しい脳腫瘍分節ネットワークを提案する。提案ネットワークは,機能強化ジェネレータ,相関制約ブロック,セグメンテーションネットワークの3つのサブネットワークで構成されている。
論文参考訳（メタデータ） (2021-11-08T10:59:40Z)
ESTAN: Enhanced Small Tumor-Aware Network for Breast Ultrasound Image Segmentation [0.0]
本稿では,乳腺腫瘍を正確に分類するための新しいディープニューラルネットワークアーキテクチャであるESTAN(Enhanced Small tumor-Aware Network)を提案する。 ESTANは、2つのエンコーダを導入し、異なるスケールで画像コンテキスト情報を抽出し、フューズする。
論文参考訳（メタデータ） (2020-09-27T16:42:59Z)
Stan: Small tumor-aware network for breast ultrasound image segmentation [68.8204255655161]
本研究では,小腫瘍認識ネットワーク(Small tumor-Aware Network,STAN)と呼ばれる新しいディープラーニングアーキテクチャを提案する。提案手法は, 乳腺腫瘍の分節化における最先端のアプローチよりも優れていた。
論文参考訳（メタデータ） (2020-02-03T22:25:01Z)

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。