論文の概要: Automated 3D Tumor Segmentation using Temporal Cubic PatchGAN (TCuP-GAN)

• arxiv url: http://arxiv.org/abs/2311.14148v1
• Date: Thu, 23 Nov 2023 18:37:26 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-27 16:41:25.195215
• Title: Automated 3D Tumor Segmentation using Temporal Cubic PatchGAN (TCuP-GAN)
• Title（参考訳）: 経時的立方体PatchGAN(TCuP-GAN)を用いた3次元腫瘍切除
• Authors: Kameswara Bharadwaj Mantha, Ramanakumar Sankar, Lucy Fortson
• Abstract要約: テンポラルキューブPatchGAN(TCuP-GAN)は、畳み込み長短期記憶ネットワーク(LSTM)を用いた生成的特徴学習フレームワークの概念を結合したボリューム・ツー・ボリューム翻訳モデルである。 われわれは,4つのセグメンテーション課題 (Adult Glioma, Meningioma, Pediatric tumors, Sub-Saharan Africa) のデータに基づくTCuP-GANの有用性を実証した。 すべての課題にまたがって、堅牢なマルチクラスセグメンテーションマスクを予測するために、我々のフレームワークが成功したことを実証する。
• 参考スコア（独自算出の注目度）: 0.276240219662896
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Development of robust general purpose 3D segmentation frameworks using the latest deep learning techniques is one of the active topics in various bio-medical domains. In this work, we introduce Temporal Cubic PatchGAN (TCuP-GAN), a volume-to-volume translational model that marries the concepts of a generative feature learning framework with Convolutional Long Short-Term Memory Networks (LSTMs), for the task of 3D segmentation. We demonstrate the capabilities of our TCuP-GAN on the data from four segmentation challenges (Adult Glioma, Meningioma, Pediatric Tumors, and Sub-Saharan Africa subset) featured within the 2023 Brain Tumor Segmentation (BraTS) Challenge and quantify its performance using LesionWise Dice similarity and $95\%$ Hausdorff Distance metrics. We demonstrate the successful learning of our framework to predict robust multi-class segmentation masks across all the challenges. This benchmarking work serves as a stepping stone for future efforts towards applying TCuP-GAN on other multi-class tasks such as multi-organelle segmentation in electron microscopy imaging.
• Abstract（参考訳）: 最新の深層学習技術を用いた堅牢な汎用3Dセグメンテーションフレームワークの開発は,様々なバイオメディカル領域において活発な話題の1つである。 本研究では,3次元セグメンテーションの課題に対して,畳み込み長短期記憶ネットワーク(LSTM)を用いた生成的特徴学習フレームワークの概念をマージするボリューム・ツー・ボリューム翻訳モデルであるテンポラルキュービック・パッチGAN(TCuP-GAN)を紹介する。 われわれは2023年のBrain tumor Segmentation (BraTS) Challengeで紹介された4つのセグメンテーション課題(Adult Glioma, Meningioma, Pediatric tumors, Sub-Saharan Africa subset)のデータに基づいてTCuP-GANの能力を実証し、LesionWise Dice類似度と95%のHausdorff Distance測定値を用いてその性能を定量化する。 我々は,すべての課題に対してロバストなマルチクラスセグメンテーションマスクを予測するためのフレームワークの学習を成功させた。 このベンチマーク作業は、将来TCuP-GANを電子顕微鏡イメージングにおける多臓器分割のような他のマルチクラスタスクに適用するための足掛かりとなる。

関連論文リスト

• Intensity-Spatial Dual Masked Autoencoder for Multi-Scale Feature Learning in Chest CT Segmentation [4.916334618361524]
  本稿では,ISD-MAE (Intensity-Spatial Dual Masked AutoEncoder) という改良手法を提案する。 このモデルは、二重ブランチ構造とコントラスト学習を利用して、組織の特徴と境界の詳細を学習する能力を強化する。 以上の結果より, ISD-MAEは2次元肺炎および縦隔腫瘍セグメンテーションにおいて他の方法よりも有意に優れていた。
  論文  参考訳（メタデータ） (2024-11-20T10:58:47Z)
• Enhancing Weakly Supervised 3D Medical Image Segmentation through Probabilistic-aware Learning [52.249748801637196]
  3次元医用画像のセグメンテーションは、疾患の診断と治療計画に重要な意味を持つ課題である。 近年の深層学習の進歩は、完全に教師付き医療画像のセグメンテーションを著しく強化している。 本稿では,3次元医用画像に特化して設計された,確率的適応型弱教師付き学習パイプラインを提案する。
  論文  参考訳（メタデータ） (2024-03-05T00:46:53Z)
• BHSD: A 3D Multi-Class Brain Hemorrhage Segmentation Dataset [24.094836682245006]
  頭蓋内出血 (ICH) は頭蓋内出血や脳内出血を特徴とする病態である。 深層学習技術は医用画像のセグメンテーションに広く使われており、ICHセグメンテーションタスクにも応用されている。 既存の公開ICHデータセットは、マルチクラスセグメンテーション問題をサポートしない。
  論文  参考訳（メタデータ） (2023-08-22T09:20:55Z)
• Learning from partially labeled data for multi-organ and tumor segmentation [102.55303521877933]
  本稿では,トランスフォーマーに基づく動的オンデマンドネットワーク(TransDoDNet)を提案する。 動的ヘッドにより、ネットワークは複数のセグメンテーションタスクを柔軟に達成することができる。 我々はMOTSと呼ばれる大規模にラベル付けされたMulti-Organ and tumorベンチマークを作成し、他の競合相手よりもTransDoDNetの方が優れた性能を示す。
  論文  参考訳（メタデータ） (2022-11-13T13:03:09Z)
• Two-Stream Graph Convolutional Network for Intra-oral Scanner Image Segmentation [133.02190910009384]
  本稿では,2ストリームグラフ畳み込みネットワーク(TSGCN)を提案する。 TSGCNは3次元歯(表面)セグメンテーションにおいて最先端の方法よりも優れています。
  論文  参考訳（メタデータ） (2022-04-19T10:41:09Z)
• Multi-organ Segmentation Network with Adversarial Performance Validator [10.775440368500416]
  本稿では,2次元から3次元のセグメンテーションフレームワークに対向的な性能検証ネットワークを導入する。 提案したネットワークは, 2次元粗い結果から3次元高品質なセグメンテーションマスクへの変換を行い, 共同最適化によりセグメンテーション精度が向上する。 NIH膵分節データセットの実験では、提案したネットワークが小臓器分節の最先端の精度を達成し、過去の最高性能を上回った。
  論文  参考訳（メタデータ） (2022-04-16T18:00:29Z)
• 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)
• TSGCNet: Discriminative Geometric Feature Learning with Two-Stream GraphConvolutional Network for 3D Dental Model Segmentation [141.2690520327948]
  2流グラフ畳み込みネットワーク(TSGCNet)を提案し、異なる幾何学的特性から多視点情報を学ぶ。 3次元口腔内スキャナーで得られた歯科モデルのリアルタイムデータセットを用いてTSGCNetの評価を行った。
  論文  参考訳（メタデータ） (2020-12-26T08:02:56Z)
• 3D Segmentation Networks for Excessive Numbers of Classes: Distinct Bone Segmentation in Upper Bodies [1.2023648183416153]
  本稿では,多ラベル環境下での3次元セグメンテーションネットワークの訓練の複雑さについて論じる。 ネットワークアーキテクチャ、損失関数、データ拡張に必要となる変更を示す。 その結果,CTスキャンから学習した100以上の骨を同時に分割し,その頑健さを実証した。
  論文  参考訳（メタデータ） (2020-10-14T12:54:15Z)
• Unpaired Multi-modal Segmentation via Knowledge Distillation [77.39798870702174]
  本稿では,不対向画像分割のための新しい学習手法を提案する。 提案手法では,CTおよびMRI間での畳み込みカーネルの共有により,ネットワークパラメータを多用する。 我々は2つの多クラスセグメンテーション問題に対するアプローチを広範囲に検証した。
  論文  参考訳（メタデータ） (2020-01-06T20:03:17Z)
• Robust Semantic Segmentation of Brain Tumor Regions from 3D MRIs [2.4736005621421686]
  マルチモーダル脳腫瘍セグメンテーションチャレンジ(BraTS)は、3次元MRI脳腫瘍セグメンテーションの自動化方法を改善するために研究者を結集させる。 この手法をBraTS 2019の課題として評価した。
  論文  参考訳（メタデータ） (2020-01-06T07:47:42Z)

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。