論文の概要: Robust Tumor Segmentation with Hyperspectral Imaging and Graph Neural
Networks
- arxiv url: http://arxiv.org/abs/2311.11782v1
- Date: Mon, 20 Nov 2023 14:07:38 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-21 18:38:22.231416
- Title: Robust Tumor Segmentation with Hyperspectral Imaging and Graph Neural
Networks
- Title（参考訳）: ハイパースペクトルイメージングとグラフニューラルネットワークを用いたロバスト腫瘍分画
- Authors: Mayar Lotfy, Anna Alperovich, Tommaso Giannantonio, Bjorn Barz,
Xiaohan Zhang, Felix Holm, Nassir Navab, Felix Boehm, Carolin Schwamborn,
Thomas K. Hoffmann, and Patrick J. Schuler
- Abstract要約: より堅牢でスムーズなセグメンテーションのために,タイルの空間的文脈を利用した改良手法を提案する。
タイルの不規則な形状に対処するため,グラフニューラルネットワーク(GNN)を用いて周辺地域のコンテキスト情報を伝播する。
以上の結果から, 文脈認識型GNNアルゴリズムは, HSI画像上の腫瘍の区切りを頑健に検出できることが示唆された。
- 参考スコア（独自算出の注目度）: 31.87960207119459
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Segmenting the boundary between tumor and healthy tissue during surgical
cancer resection poses a significant challenge. In recent years, Hyperspectral
Imaging (HSI) combined with Machine Learning (ML) has emerged as a promising
solution. However, due to the extensive information contained within the
spectral domain, most ML approaches primarily classify individual HSI
(super-)pixels, or tiles, without taking into account their spatial context. In
this paper, we propose an improved methodology that leverages the spatial
context of tiles for more robust and smoother segmentation. To address the
irregular shapes of tiles, we utilize Graph Neural Networks (GNNs) to propagate
context information across neighboring regions. The features for each tile
within the graph are extracted using a Convolutional Neural Network (CNN),
which is trained simultaneously with the subsequent GNN. Moreover, we
incorporate local image quality metrics into the loss function to enhance the
training procedure's robustness against low-quality regions in the training
images. We demonstrate the superiority of our proposed method using a clinical
ex vivo dataset consisting of 51 HSI images from 30 patients. Despite the
limited dataset, the GNN-based model significantly outperforms context-agnostic
approaches, accurately distinguishing between healthy and tumor tissues, even
in images from previously unseen patients. Furthermore, we show that our
carefully designed loss function, accounting for local image quality, results
in additional improvements. Our findings demonstrate that context-aware GNN
algorithms can robustly find tumor demarcations on HSI images, ultimately
contributing to better surgery success and patient outcome.
- Abstract（参考訳）: 外科的癌切除中に腫瘍と健康組織の境界を分断することは重要な課題である。
近年,機械学習(ML)と組み合わせたハイパースペクトルイメージング(HSI)が,将来性のあるソリューションとして浮上している。
しかし、スペクトル領域に含まれる広範な情報のため、ほとんどのMLアプローチは、空間コンテキストを考慮せずに個々のHSI(スーパーピクセル)またはタイルを分類する。
本稿では,より堅牢でスムーズなセグメンテーションのために,タイルの空間的文脈を活用する改良手法を提案する。
タイルの不規則な形状に対処するため,グラフニューラルネットワーク(GNN)を用いて周辺地域のコンテキスト情報を伝播する。
グラフ内の各タイルの特徴は畳み込みニューラルネットワーク(CNN)を用いて抽出される。
さらに,局所的な画質指標を損失関数に組み込むことにより,訓練画像中の低品質領域に対する訓練手順の堅牢性を高める。
30例のHSI画像51例からなる臨床外生データセットを用いて,提案手法の優位性を実証した。
限られたデータセットにもかかわらず、GNNベースのモデルは文脈に依存しないアプローチを著しく上回り、健康な組織と腫瘍組織を正確に区別する。
さらに,局所的な画像品質を考慮し,慎重に設計した損失関数が,さらなる改善をもたらすことを示す。
以上の結果から,文脈認識型GNNアルゴリズムはHSI画像上の腫瘍の鑑別を良好に発見でき,手術成功と患者予後の向上に寄与することが示唆された。
関連論文リスト
- Applying Conditional Generative Adversarial Networks for Imaging Diagnosis [3.881664394416534]
本研究は、スタックド・ホアーグラス・ネットワーク(SHGN)と統合されたコンディショナル・ジェネレーション・アドバイザリアル・ネットワーク(C-GAN)の革新的な応用を紹介する。
我々は、複雑な画像データセットに適用されるディープラーニングモデルに共通するオーバーフィッティングの問題に、回転とスケーリングを通じてデータを増大させることで対処する。
血管内超音波(IVUS)画像において,L1とL2再構成損失を併用したハイブリッド損失関数を導入する。
論文 参考訳（メタデータ） (2024-07-17T23:23:09Z) - Connecting the Dots: Graph Neural Network Powered Ensemble and
Classification of Medical Images [0.0]
医療画像の深層学習は、大量のトレーニングデータを必要とするため、制限されている。
画像フォレスティング変換を用いて、画像を最適にスーパーピクセルに分割する。
これらのスーパーピクセルはその後、グラフ構造化データに変換され、特徴の巧妙な抽出と関係のモデリングを可能にする。
論文 参考訳（メタデータ） (2023-11-13T13:20:54Z) - Deepfake Image Generation for Improved Brain Tumor Segmentation [0.0]
本研究は,脳腫瘍セグメンテーションにおけるディープフェイク画像生成の可能性について検討した。
Generative Adversarial Networkは、ディープフェイク画像で訓練されたU-Netベースの畳み込みニューラルネットワークを用いて、画像から画像への変換と画像のセグメンテーションに使用された。
その結果,画像セグメンテーションの品質指標の面ではパフォーマンスが向上し,限られたデータでトレーニングする際の支援が可能となった。
論文 参考訳（メタデータ） (2023-07-26T16:11:51Z) - NexToU: Efficient Topology-Aware U-Net for Medical Image Segmentation [3.8336080345323227]
CNNとTransformerの派生型は、主要な医療画像セグメンテーションバックボーンとして登場した。
医用画像分割のための新しいハイブリッドアーキテクチャであるNexToUを提案する。
我々の手法は、他の最先端(SOTA)アーキテクチャよりも一貫して優れています。
論文 参考訳（メタデータ） (2023-05-25T10:18:57Z) - AMIGO: Sparse Multi-Modal Graph Transformer with Shared-Context
Processing for Representation Learning of Giga-pixel Images [53.29794593104923]
本稿では,スライド病理像全体に対する共有コンテキスト処理の新たな概念を提案する。
AMIGOは、組織内のセルラーグラフを使用して、患者に単一の表現を提供する。
我々のモデルは、データの20%以下で同じ性能を達成できる程度に、欠落した情報に対して強い堅牢性を示す。
論文 参考訳（メタデータ） (2023-03-01T23:37:45Z) - PCRLv2: A Unified Visual Information Preservation Framework for
Self-supervised Pre-training in Medical Image Analysis [56.63327669853693]
本稿では,ピクセルレベルの情報を高レベルなセマンティクスに明示的にエンコードするための画素復元タスクを提案する。
また,画像理解を支援する強力なツールであるスケール情報の保存についても検討する。
提案されている統合SSLフレームワークは、さまざまなタスクで自己管理されたフレームワークを超越している。
論文 参考訳（メタデータ） (2023-01-02T17:47:27Z) - How GNNs Facilitate CNNs in Mining Geometric Information from
Large-Scale Medical Images [2.2699159408903484]
畳み込みニューラルネットワーク(CNN)が捉えたグローバルな画像レベルの表現を強化するための融合フレームワークを提案する。
大腸癌と胃癌の大規模なコホートから得られた組織学的データセットの融合戦略について検討した。
論文 参考訳（メタデータ） (2022-06-15T15:27:48Z) - PSGR: Pixel-wise Sparse Graph Reasoning for COVID-19 Pneumonia
Segmentation in CT Images [83.26057031236965]
画像中の新型コロナウイルス感染領域セグメンテーションの長距離依存性のモデリングを強化するために,PSGRモジュールを提案する。
PSGRモジュールは不正確なピクセルからノードへの投影を回避し、グローバルな推論のために各ピクセル固有の情報を保存する。
このソリューションは、3つの公開データセット上の4つの広く使われているセグメンテーションモデルに対して評価されている。
論文 参考訳（メタデータ） (2021-08-09T04:58:23Z) - Global Guidance Network for Breast Lesion Segmentation in Ultrasound
Images [84.03487786163781]
我々は,大域的誘導ブロック(GGB)と乳房病変境界検出モジュールを備えた深部畳み込みニューラルネットワークを開発した。
当社のネットワークは、乳房超音波病変分割における他の医療画像分割方法および最近のセマンティックセグメンテーション方法よりも優れています。
論文 参考訳（メタデータ） (2021-04-05T13:15:22Z) - Improved Slice-wise Tumour Detection in Brain MRIs by Computing
Dissimilarities between Latent Representations [68.8204255655161]
磁気共鳴画像(MRI)の異常検出は教師なし手法で行うことができる。
本研究では,変分オートエンコーダの潜伏空間における相似関数の計算に基づいて,腫瘍検出のためのスライスワイズ半教師法を提案する。
本研究では,高解像度画像上でのモデルをトレーニングし,再現の質を向上させることにより,異なるベースラインに匹敵する結果が得られることを示す。
論文 参考訳（メタデータ） (2020-07-24T14:02:09Z) - Inf-Net: Automatic COVID-19 Lung Infection Segmentation from CT Images [152.34988415258988]
CT画像からの肺感染症の自動検出は、新型コロナウイルスに対処するための従来の医療戦略を強化する大きな可能性を秘めている。
CTスライスから感染領域を分割することは、高い感染特性の変化、感染と正常な組織の間の低強度のコントラストなど、いくつかの課題に直面している。
これらの課題に対処するため, 胸部CTスライスから感染部位を自動的に同定する, 新型のCOVID-19 Deep Lung infection Network (Inf-Net) が提案されている。
論文 参考訳（メタデータ） (2020-04-22T07:30:56Z)
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。