論文の概要: An Ensemble of 2.5D ResUnet Based Models for Segmentation for Kidney and
Masses
- arxiv url: http://arxiv.org/abs/2311.15586v1
- Date: Mon, 27 Nov 2023 07:24:50 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-28 16:53:57.911335
- Title: An Ensemble of 2.5D ResUnet Based Models for Segmentation for Kidney and
Masses
- Title(参考訳): 腎および腫瘤の分節化のための2.5dレズネットモデルの一構成法
- Authors: Cancan Chen and RongguoZhang
- Abstract要約: CTスキャンによる腎, 腎腫瘍, 腎嚢胞の自動分離は, 課題である。
2.5D ResUnetは、CTスキャンの厚さの広い範囲と不均衡分布を考慮して、効率的な粗大なセマンティックセマンティックセグメンテーションフレームワークを構築するために採用されている。
- 参考スコア(独自算出の注目度): 5.488270456927515
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The automatic segmentation of kidney, kidney tumor and kidney cyst on
Computed Tomography (CT) scans is a challenging task due to the indistinct
lesion boundaries and fuzzy texture. Considering the large range and unbalanced
distribution of CT scans' thickness, 2.5D ResUnet are adopted to build an
efficient coarse-to-fine semantic segmentation framework in this work. A set of
489 CT scans are used for training and validation, and an independent
never-before-used CT scans for testing. Finally, we demonstrate the
effectiveness of our proposed method. The dice values on test set are 0.954,
0.792, 0.691, the surface dice values are 0.897, 0.591, 0.541 for kidney, tumor
and cyst, respectively. The average inference time of each CT scan is 20.65s
and the max GPU memory is 3525MB. The results suggest that a better trade-off
between model performance and efficiency.
- Abstract(参考訳): ctスキャンによる腎,腎腫瘍,腎嚢胞の自動分画は,病変境界とファジィテクスチャの欠如が原因で困難な課題である。
2.5D ResUnetは,CTスキャンの厚さの広帯域分布と不均衡分布を考慮し,効率的な粗大なセマンティックセマンティックセグメンテーションフレームワークを構築する。
トレーニングと検証には489個のCTスキャンが使用され、テストには独立した未使用のCTスキャンが使用される。
最後に,提案手法の有効性を示す。
試験セットのサイコロ値は0.954, 0.792, 0.691, 表面サイコロ値は0.897, 0.591, 0.541である。
各CTスキャンの平均推論時間は20.65秒であり、最大GPUメモリは3525MBである。
その結果,モデルの性能と効率のトレードオフが向上した。
関連論文リスト
- Kidney abnormality segmentation in thorax-abdomen CT scans [4.173079849880476]
腎腺腫と腎異常を鑑別するための深層学習手法を提案する。
胸腹部CTで215例の造影CT検査を施行した。
Diceスコアが0.965, 0.947となり, 腎発作を2つの検体で分けた。
論文 参考訳(メタデータ) (2023-09-06T22:04:07Z) - Kidney and Kidney Tumour Segmentation in CT Images [0.0]
本研究は,造影CT画像における腎および腎腫瘍の自動分画法の開発に焦点をあてる。
3D U-Netセグメンテーションモデルを開発した。
試験では、腎臓のDiceスコアが0.8034、腎臓のDiceスコアが0.4713、平均のDiceスコアが0.6374であった。
論文 参考訳(メタデータ) (2022-12-26T08:08:44Z) - TotalSegmentator: robust segmentation of 104 anatomical structures in CT
images [48.50994220135258]
身体CT画像の深層学習セグメント化モデルを提案する。
このモデルは、臓器の容積、疾患の特徴、外科的または放射線療法計画などのユースケースに関連する104の解剖学的構造を区分することができる。
論文 参考訳(メタデータ) (2022-08-11T15:16:40Z) - 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) - 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) - Deep learning-based detection of intravenous contrast in computed
tomography scans [0.7313653675718069]
CTスキャンにおける静脈内(IV)コントラストの同定は、モデル開発と試験のためのデータキュレーションの鍵となる要素である。
我々は,CTスキャン内でIVコントラストを識別するCNNベースのディープラーニングプラットフォームを開発し,検証した。
論文 参考訳(メタデータ) (2021-10-16T00:46:45Z) - Rapid quantification of COVID-19 pneumonia burden from computed
tomography with convolutional LSTM networks [1.0072268949897432]
新型肺炎における肺病変の迅速定量と分化のための新しい完全自動化ディープラーニングフレームワークを提案する。
SARS-CoV-2の陽性逆転写ポリメラーゼ連鎖反応試験結果を有する197例のCTデータセット上で,この方法の性能を評価した。
論文 参考訳(メタデータ) (2021-03-31T22:09:14Z) - H2NF-Net for Brain Tumor Segmentation using Multimodal MR Imaging: 2nd
Place Solution to BraTS Challenge 2020 Segmentation Task [96.49879910148854]
当社のH2NF-Netは、単一およびカスケードのHNF-Netを使用して、異なる脳腫瘍サブリージョンを分割します。
我々は、マルチモーダル脳腫瘍チャレンジ(BraTS)2020データセットでモデルをトレーニングし、評価した。
提案手法は,80名近い参加者のうち,brats 2020チャレンジセグメンテーションタスクで2位となった。
論文 参考訳(メタデータ) (2020-12-30T20:44:55Z) - Brain tumor segmentation with self-ensembled, deeply-supervised 3D U-net
neural networks: a BraTS 2020 challenge solution [56.17099252139182]
U-netのようなニューラルネットワークを用いた脳腫瘍セグメント化作業の自動化と標準化を行う。
2つの独立したモデルのアンサンブルが訓練され、それぞれが脳腫瘍のセグメンテーションマップを作成した。
我々の解は、最終試験データセットにおいて、Diceの0.79、0.89、0.84、およびHausdorffの95%の20.4、6.7、19.5mmを達成した。
論文 参考訳(メタデータ) (2020-10-30T14:36:10Z) - Multiple resolution residual network for automatic thoracic
organs-at-risk segmentation from CT [2.9023633922848586]
我々は,CT画像からのOAR分割のためのMRRN(Multiple resolution residual Network)の実装と評価を行った。
提案手法は,複数画像解像度で計算された特徴ストリームと残差接続による特徴レベルを同時に組み合わせる。
左肺, 心臓, 食道, 脊髄を分画する検査を35回行った肺がん患者206例の胸部CT検査を用いて, アプローチを訓練した。
論文 参考訳(メタデータ) (2020-05-27T22:39:09Z) - Segmentation of the Myocardium on Late-Gadolinium Enhanced MRI based on
2.5 D Residual Squeeze and Excitation Deep Learning Model [55.09533240649176]
本研究の目的は,LGE-MRIを用いた心筋境界領域の深部学習モデルに基づく正確な自動セグメンテーション法を開発することである。
合計320回の試験(平均6回の試験)と28回の試験が行われた。
ベーススライスとミドルスライスにおけるアンサンブルモデルの性能解析は, サーバ内調査と同等であり, アトピーススライスではわずかに低かった。
論文 参考訳(メタデータ) (2020-05-27T20:44:38Z)
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。