論文の概要: SegReg: Segmenting OARs by Registering MR Images and CT Annotations
- arxiv url: http://arxiv.org/abs/2311.06956v1
- Date: Sun, 12 Nov 2023 20:46:54 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-14 16:18:39.173277
- Title: SegReg: Segmenting OARs by Registering MR Images and CT Annotations
- Title（参考訳）: SegReg: MR画像とCTアノテーションの登録によるOARのセグメンテーション
- Authors: Zeyu Zhang, Xuyin Qi, Bowen Zhang, Biao Wu, Hien Le, Bora Jeong,
Minh-Son To, Richard Hartley
- Abstract要約: 我々は,MRIの登録にElastic Symmetric Normalizationを用いてOARセグメンテーションを行うSegRegという手法を提案する。
SegRegはCTのみのベースラインを16.78%、mIoUは18.77%上回る。
- 参考スコア（独自算出の注目度）: 7.839837458475822
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Organ at risk (OAR) segmentation is a critical process in radiotherapy
treatment planning such as head and neck tumors. Nevertheless, in clinical
practice, radiation oncologists predominantly perform OAR segmentations
manually on CT scans. This manual process is highly time-consuming and
expensive, limiting the number of patients who can receive timely radiotherapy.
Additionally, CT scans offer lower soft-tissue contrast compared to MRI.
Despite MRI providing superior soft-tissue visualization, its time-consuming
nature makes it infeasible for real-time treatment planning. To address these
challenges, we propose a method called SegReg, which utilizes Elastic Symmetric
Normalization for registering MRI to perform OAR segmentation. SegReg
outperforms the CT-only baseline by 16.78% in mDSC and 18.77% in mIoU, showing
that it effectively combines the geometric accuracy of CT with the superior
soft-tissue contrast of MRI, making accurate automated OAR segmentation for
clinical practice become possible.
- Abstract（参考訳）: 臓器リスクセグメンテーション(OAR)は頭頸部腫瘍などの放射線治療計画において重要なプロセスである。
それでも臨床実践では、放射線腫瘍学者は主にCTスキャンで手動でOARセグメンテーションを行う。
この手作業は、非常に時間がかかり高価であり、タイムリーな放射線治療を受ける患者の数を制限する。
さらに、CTスキャンはMRIと比較してソフト・タスクのコントラストが低い。
MRIは優れたソフト・タスク・ビジュアライゼーションを提供するが、その時間を要する性質により、リアルタイムな治療計画では不可能である。
これらの課題に対処するために,MRIの登録にElastic Symmetric Normalizationを利用するSegRegという手法を提案する。
SegRegはCTのみのベースラインを16.78%、mIoUは18.77%で上回り、CTの幾何学的精度とMRIの優れたソフト・コントラストを効果的に組み合わせ、正確なOARセグメンテーションを臨床訓練のために実現している。
関連論文リスト
- Towards General Text-guided Image Synthesis for Customized Multimodal Brain MRI Generation [51.28453192441364]
マルチモーダル脳磁気共鳴(MR)イメージングは神経科学や神経学において不可欠である。
現在のMR画像合成アプローチは、通常、特定のタスクのための独立したデータセットで訓練される。
テキスト誘導ユニバーサルMR画像合成モデルであるTUMSynについて述べる。
論文 参考訳（メタデータ） (2024-09-25T11:14:47Z) - Intraoperative Glioma Segmentation with YOLO + SAM for Improved Accuracy in Tumor Resection [1.9461727843485295]
グリオーマは、健康な組織との類似性から、重要な外科的課題を呈する。
MRI画像は、脳のシフトなどの要因により、手術中は効果がないことが多い。
本稿では,You Only Look Once Version 8 (Yv8) と Segment Anything Model Vision Transformer-base を組み合わせたディープラーニングパイプラインを提案する。
論文 参考訳（メタデータ） (2024-08-27T07:58:08Z) - Deep-learning-based acceleration of MRI for radiotherapy planning of
pediatric patients with brain tumors [39.58317527488534]
RT専用レシーバコイルアライメントで取得したアンダーサンプルデータからMRI再構成を行う深層学習法を開発した。
DeepMRIRecは、評価された最先端手法を超える構造的類似度スコアを4倍に削減した。
論文 参考訳（メタデータ） (2023-11-22T16:01:44Z) - Enhanced Synthetic MRI Generation from CT Scans Using CycleGAN with
Feature Extraction [3.2088888904556123]
合成MRI画像を用いたCTスキャンによるモノモーダル登録の高速化手法を提案する。
提案手法は有望な結果を示し,いくつかの最先端手法より優れていた。
論文 参考訳（メタデータ） (2023-10-31T16:39:56Z) - CMRxRecon: An open cardiac MRI dataset for the competition of
accelerated image reconstruction [62.61209705638161]
ディープラーニングベースのCMRイメージングアルゴリズムへの関心が高まっている。
ディープラーニング手法は大規模なトレーニングデータセットを必要とする。
このデータセットには300人の被験者のマルチコントラスト、マルチビュー、マルチスライス、マルチコイルCMRイメージングデータが含まれている。
論文 参考訳（メタデータ） (2023-09-19T15:14:42Z) - Weakly-supervised Biomechanically-constrained CT/MRI Registration of the
Spine [72.85011943179894]
本稿では,各脊椎の剛性と容積を保存し,登録精度を最大化しながら,弱教師付き深層学習フレームワークを提案する。
また,CTにおける椎体自動分節化はMRIと対比してより正確な結果をもたらすため,CTラベルマップのみに依存するよう,これらの損失を特に設計する。
以上の結果から, 解剖学的認識による損失の増大は, 精度を維持しつつも, 推測変換の妥当性を高めることが示唆された。
論文 参考訳（メタデータ） (2022-05-16T10:59:55Z) - A Long Short-term Memory Based Recurrent Neural Network for
Interventional MRI Reconstruction [50.1787181309337]
本稿では,畳み込み長短期記憶(Conv-LSTM)に基づくリカレントニューラルネットワーク(Recurrent Neural Network, RNN)を提案する。
提案アルゴリズムは,DBSのリアルタイムi-MRIを実現する可能性があり,汎用的なMR誘導介入に使用できる。
論文 参考訳（メタデータ） (2022-03-28T14:03:45Z) - 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) - Synthetic CT Skull Generation for Transcranial MR Imaging-Guided Focused
Ultrasound Interventions with Conditional Adversarial Networks [5.921808547303054]
経頭蓋MRIガイド下集束超音波(TcMRgFUS)は頭蓋骨内の音をMRIガイド下において非侵襲的に小さな領域に集束する治療用超音波法である。
頭蓋骨を通して超音波を的確に標的にするためには、送信波が目標領域に建設的に干渉する必要がある。
論文 参考訳（メタデータ） (2022-02-21T11:34:29Z) - Adipose Tissue Segmentation in Unlabeled Abdomen MRI using Cross
Modality Domain Adaptation [4.677846923899843]
腹部脂肪定量は、この領域内に複数の重要な臓器があるため重要である。
本研究では,MRI画像から脂肪組織を自動的に定量化するディープラーニング手法に基づくアルゴリズムを提案する。
本手法はMRスキャンの教師付きラベル付けを必要としないが,パイプライン構築にはC-GAN (Cycle Generative Adversarial Network) を用いる。
論文 参考訳（メタデータ） (2020-05-11T17:41:39Z) - 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。