論文の概要: Leveraging Anatomical Constraints with Uncertainty for Pneumothorax Segmentation

• arxiv url: http://arxiv.org/abs/2311.15213v1
• Date: Sun, 26 Nov 2023 07:03:17 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-28 18:45:09.653759
• Title: Leveraging Anatomical Constraints with Uncertainty for Pneumothorax Segmentation
• Title（参考訳）: 気胸分節に対する不確かさを伴う解剖学的制約の緩和
• Authors: Han Yuan, Chuan Hong, Nguyen Tuan Anh Tran, Xinxing Xu, Nan Liu
• Abstract要約: 気胸 (Pneumothorax) は、胸腔内の空気の異常蓄積によって引き起こされる救急疾患である。 深達度学習(DL)は胸部X線写真における気胸病変の分画にますます利用されている。 本稿では,2次元胸部X線写真における気胸セグメンテーションのためのDLモデルトレーニングにおいて,肺+空間を制約として組み込んだ新しいアプローチを提案する。
• 参考スコア（独自算出の注目度）: 8.198854439726853
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Pneumothorax is a medical emergency caused by abnormal accumulation of air in the pleural space - the potential space between the lungs and chest wall. On 2D chest radiographs, pneumothorax occurs within the thoracic cavity and outside of the mediastinum and we refer to this area as "lung+ space". While deep learning (DL) has increasingly been utilized to segment pneumothorax lesions in chest radiographs, many existing DL models employ an end-to-end approach. These models directly map chest radiographs to clinician-annotated lesion areas, often neglecting the vital domain knowledge that pneumothorax is inherently location-sensitive. We propose a novel approach that incorporates the lung+ space as a constraint during DL model training for pneumothorax segmentation on 2D chest radiographs. To circumvent the need for additional annotations and to prevent potential label leakage on the target task, our method utilizes external datasets and an auxiliary task of lung segmentation. This approach generates a specific constraint of lung+ space for each chest radiograph. Furthermore, we have incorporated a discriminator to eliminate unreliable constraints caused by the domain shift between the auxiliary and target datasets. Our results demonstrated significant improvements, with average performance gains of 4.6%, 3.6%, and 3.3% regarding Intersection over Union (IoU), Dice Similarity Coefficient (DSC), and Hausdorff Distance (HD). Our research underscores the significance of incorporating medical domain knowledge about the location-specific nature of pneumothorax to enhance DL-based lesion segmentation.
• Abstract（参考訳）: 気胸は胸腔に異常な空気の蓄積(肺と胸壁の間の潜在的な空間)によって引き起こされる医学上の緊急事態である。 2D胸部X線写真では胸腔内および縦隔外側に気胸を認め,この領域を「lung+ space」と呼ぶ。 深層学習(DL)は胸部X線写真における気胸病変の分画にますます利用されているが,既存のDLモデルの多くはエンドツーエンドアプローチを採用している。 これらのモデルは胸部x線写真を直接臨床医に注釈された病変領域にマッピングし、気胸が本質的に位置に敏感であるという重要な領域知識を無視することが多い。 2次元胸部x線写真における気胸分画のdlモデルトレーニング中に肺+空間を制約として組み込む新しいアプローチを提案する。 追加アノテーションの必要性を回避し,対象タスクにおける潜在的なラベルリークを防止するために,外部データセットと肺分節補助タスクを利用する。 このアプローチは胸部X線写真ごとに肺+空間の特定の制約を生成する。 さらに,補助データセットと対象データセット間のドメインシフトに起因する信頼できない制約を排除するために,判別器を組み込んだ。 その結果,平均性能は4.6%,3.6%,3.3%向上し,iou(intersection over union),dsc(dice similarity coefficient)およびhd(hausdorff distance)が改善した。 本研究は, 気胸の部位特異性に関する医学領域知識を取り入れ, dl-based lesion segmentationを増強する意義を強調する。

関連論文リスト

• Accurate Fine-Grained Segmentation of Human Anatomy in Radiographs via Volumetric Pseudo-Labeling [66.75096111651062]
  我々は,10,021個の胸部CTと157個のラベルの大規模データセットを作成した。 解剖学的擬似ラベル抽出のために3次元解剖分類モデルのアンサンブルを適用した。 得られたセグメンテーションモデルはCXRで顕著な性能を示した。
  論文  参考訳（メタデータ） (2023-06-06T18:01:08Z)
• SGDA: Towards 3D Universal Pulmonary Nodule Detection via Slice Grouped Domain Attention [47.44114201293201]
  肺がんは世界中でがんの死因となっている。 現在の肺結節検出法は通常ドメイン固有である。 肺結節検出ネットワークの一般化能力を高めるために,スライスグループドメインアテンション(SGDA)モジュールを提案する。
  論文  参考訳（メタデータ） (2023-03-07T03:17:49Z)
• An Efficient and Robust Method for Chest X-Ray Rib Suppression that Improves Pulmonary Abnormality Diagnosis [0.49998148477760956]
  胸部X線(CXR)に対する胸部骨陰影の抑制は肺疾患の診断を改善することが示唆された。 従来のアプローチは、教師なしの物理的および教師なしのディープラーニングモデルに分類される。 本研究では,(1)空間変換勾配場における物理モデルによる最小化によりGT骨影を除去した2段階のトレーニングペアの生成について,一般化可能かつ効率的なワークフローを提案する。 2) 受信したCXRの高速リブ除去のために,ステージ1データセット上でのネットワークトレーニングをフル教師する。
  論文  参考訳（メタデータ） (2023-02-19T23:47:02Z)
• What Makes for Automatic Reconstruction of Pulmonary Segments [50.216231776343115]
  肺の3次元再構成は肺癌の外科的治療計画において重要な役割を担っている。 しかし, 深層学習の時代には, 肺部分の自動再建は行われていない。 肺セグメント再建のための深部暗黙表面モデルImPulSeを提案する。
  論文  参考訳（メタデータ） (2022-07-07T04:24:17Z)
• CoRSAI: A System for Robust Interpretation of CT Scans of COVID-19 Patients Using Deep Learning [133.87426554801252]
  我々は,深部畳み込み神経網のアンサンブルを用いた肺CTスキャンのセグメンテーションによるアプローチを採用した。 本モデルを用いて, 病変の分類, 患者の動態の評価, 病変による肺の相対体積の推定, 肺の損傷ステージの評価が可能となった。
  論文  参考訳（メタデータ） (2021-05-25T12:06:55Z)
• Development of a Multi-Task Learning V-Net for Pulmonary Lobar Segmentation on Computed Tomography and Application to Diseased Lungs [0.19573380763700707]
  疾患のある肺領域は、しばしばCT画像に高密度ゾーンを生成し、損傷した葉を特定するアルゴリズムの実行を制限する。 この影響は、肺葉を分節する機械学習手法の改善を動機づけた。 このアプローチは、放射線科医のロバストなツールとして臨床現場で容易に採用することができる。
  論文  参考訳（メタデータ） (2021-05-11T17:10:25Z)
• Deep LF-Net: Semantic Lung Segmentation from Indian Chest Radiographs Including Severely Unhealthy Images [5.826056983051642]
  胸部X線写真(胸部X線、CxR)は、様々な肺疾患の診断において重要な役割を担っている。 正確な肺分画は、健康問題、年齢、性別による肺の形状のばらつきから非常に困難である。 提案研究は,CxRからの肺の正確な分画に対する効率的な深部畳み込みニューラルネットワークの使用について検討した。
  論文  参考訳（メタデータ） (2020-11-19T07:21:02Z)
• Pneumothorax and chest tube classification on chest x-rays for detection of missed pneumothorax [1.181048306817215]
  胸部気胸および胸部気胸の治療によく用いられる各種の胸部管を画像分類パイプラインで検出する。 多段階のアルゴリズムは肺の分節と肺気胸の分類に基づいており、気胸を含む可能性が最も高いパッチの分類を含む。
  論文  参考訳（メタデータ） (2020-11-14T18:06:06Z)
• Contralaterally Enhanced Networks for Thoracic Disease Detection [120.60868136876599]
  胸骨、肺野、気管支管など、胸部左右に類似した構造が多数存在する。 このような類似性は、広義の放射線学者の経験から、胸部X線における疾患の同定に利用することができる。 本稿では,病状提案の特徴表現を強化するために,対向的コンテキスト情報を活用するディープ・エンド・ツー・エンド・モジュールを提案する。
  論文  参考訳（メタデータ） (2020-10-09T10:15:26Z)
• M3Lung-Sys: A Deep Learning System for Multi-Class Lung Pneumonia Screening from CT Imaging [85.00066186644466]
  マルチタスク型マルチスライス深層学習システム(M3Lung-Sys)を提案する。 COVID-19とHealthy, H1N1, CAPとの鑑別に加えて, M3 Lung-Sysも関連病変の部位を特定できる。
  論文  参考訳（メタデータ） (2020-10-07T06:22:24Z)

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。