論文の概要: Seeing Beyond Cancer: Multi-Institutional Validation of Object
Localization and 3D Semantic Segmentation using Deep Learning for Breast MRI
- arxiv url: http://arxiv.org/abs/2311.16213v1
- Date: Mon, 27 Nov 2023 18:22:07 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-29 21:29:34.688153
- Title: Seeing Beyond Cancer: Multi-Institutional Validation of Object
Localization and 3D Semantic Segmentation using Deep Learning for Breast MRI
- Title（参考訳）: 癌以外のものを見る: 深層学習による多施設における物体局在の検証と3次元セマンティックセマンティックセグメンテーション
- Authors: Arda Pekis, Vignesh Kannan, Evandros Kaklamanos, Anu Antony, Snehal
Patel, Tyler Earnest
- Abstract要約: そこで本研究では, 乳房内の各組織タイプを正確に分類するために, 組織-組織間相互作用を利用する手法を提案する。
複数の腫瘍周囲組織を統合することで,乳癌のステージング,予後,手術計画に臨床応用が期待できる。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The clinical management of breast cancer depends on an accurate understanding
of the tumor and its anatomical context to adjacent tissues and landmark
structures. This context may be provided by semantic segmentation methods;
however, previous works have been largely limited to a singular focus on the
tumor alone and rarely other tissue types. In contrast, we present a method
that exploits tissue-tissue interactions to accurately segment every major
tissue type in the breast including: chest wall, skin, adipose tissue,
fibroglandular tissue, vasculature and tumor via standard-of-care Dynamic
Contrast Enhanced MRI. Comparing our method to prior state-of-the-art, we
achieved a superior Dice score on tumor segmentation while maintaining
competitive performance on other studied tissues across multiple institutions.
Briefly, our method proceeds by localizing the tumor using 2D object detectors,
then segmenting the tumor and surrounding tissues independently using two 3D
U-nets, and finally integrating these results while mitigating false positives
by checking for anatomically plausible tissue-tissue contacts. The object
detection models were pre-trained on ImageNet and COCO, and operated on MIP
(maximum intensity projection) images in the axial and sagittal planes,
establishing a 3D tumor bounding box. By integrating multiple relevant
peri-tumoral tissues, our work enables clinical applications in breast cancer
staging, prognosis and surgical planning.
- Abstract（参考訳）: 乳癌の臨床管理は、腫瘍の正確な理解と、隣接する組織やランドマーク構造に対する解剖学的文脈に依存する。
この文脈はセマンティックセグメンテーション法によって提供され得るが、以前の研究は腫瘍のみにのみ焦点をあてることに限られており、他の組織の種類は稀である。
対照的に,胸壁,皮膚,脂肪組織,線維腺組織,血管および腫瘍など,乳房のすべての主要組織タイプを,標準的ダイナミックコントラスト造影MRIで正確に分類するために組織間相互作用を利用する手法を提案する。
本手法を先行技術と比較し,複数の組織にまたがる他の組織との競合性を維持しつつ,腫瘍の分画において優れたdiceスコアを得た。
2Dオブジェクト検出器を用いて腫瘍の局所化を行い、2つの3D U-netを用いて腫瘍とその周辺組織を個別に分画し、最終的には解剖学的に可塑性な組織-組織接触をチェックして偽陽性を緩和する。
物体検出モデルは ImageNet と COCO で事前トレーニングを行い, 軸方向および矢状面のMIP(最大強度投影)画像上で動作し, 3次元の腫瘍境界ボックスを構築した。
複数の腫瘍周囲組織を統合することで,乳癌のステージング,予後,手術計画に臨床応用が期待できる。
関連論文リスト
- A novel method to compute the contact surface area between an organ and cancer tissue [81.84413479369512]
CSA(contact surface area)とは、腫瘍と臓器の間の接触領域のこと。
我々は,腫瘍と臓器の3次元再構成を頼りに,CSAの正確な客観的評価を行う革新的な方法を提案する。
論文 参考訳（メタデータ） (2024-01-19T14:34:34Z) - Moving from 2D to 3D: volumetric medical image classification for rectal
cancer staging [62.346649719614]
術前T2期とT3期を区別することは直腸癌治療における最も困難かつ臨床的に重要な課題である。
直腸MRIでT3期直腸癌からT2を正確に判別するための体積畳み込みニューラルネットワークを提案する。
論文 参考訳（メタデータ） (2022-09-13T07:10:14Z) - 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) - 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) - Learned super resolution ultrasound for improved breast lesion
characterization [52.77024349608834]
超高分解能超音波局在顕微鏡は毛細血管レベルでの微小血管のイメージングを可能にする。
この作業では、これらの課題に対処するために、信号構造を効果的に活用するディープニューラルネットワークアーキテクチャを使用します。
トレーニングしたネットワークを利用することで,従来のPSF知識を必要とせず,UCAの分離性も必要とせず,短時間で微小血管構造を復元する。
論文 参考訳（メタデータ） (2021-07-12T09:04:20Z) - Brain Tumor Segmentation Network Using Attention-based Fusion and
Spatial Relationship Constraint [19.094164029068462]
マルチモーダルMR画像に基づいて脳腫瘍を頑健に分節する新しいマルチモーダル腫瘍セグメンテーションネットワーク(MMTSN)を開発した。
マルチモーダル脳腫瘍セグメンテーションチャレンジ2020(BraTs 2020)の試験セットについて検討した。
論文 参考訳（メタデータ） (2020-10-29T14:51:10Z) - ESTAN: Enhanced Small Tumor-Aware Network for Breast Ultrasound Image
Segmentation [0.0]
本稿では,乳腺腫瘍を正確に分類するための新しいディープニューラルネットワークアーキテクチャであるESTAN(Enhanced Small tumor-Aware Network)を提案する。
ESTANは、2つのエンコーダを導入し、異なるスケールで画像コンテキスト情報を抽出し、フューズする。
論文 参考訳（メタデータ） (2020-09-27T16:42:59Z) - Soft Tissue Sarcoma Co-Segmentation in Combined MRI and PET/CT Data [2.2515303891664358]
マルチモーダル医用画像における腫瘍のセグメンテーションは, 深層学習の手法に傾きつつある。
本稿では,モダリティ固有のエンコーダとデコーダのブランチによるマルチモーダル特徴学習を実現する,同時分離手法を提案する。
MRI(T1およびT2配列)とPET/CTスキャンを併用した公衆軟部肉腫データに対するアプローチの有効性を示した。
論文 参考訳（メタデータ） (2020-08-28T09:15:42Z) - Perfusion Quantification from Endoscopic Videos: Learning to Read Tumor
Signatures [3.5769263034973697]
本稿では,動的灌流パターンの微妙な差異をコンピュータ支援で解釈するための灌流定量化手法を提案する。
この方法は、癌血管新生から発生する血管が周囲の組織と異なる灌流パターンをもたらすという事実を利用する。
内視鏡検査による大腸癌手術のコホートについて実験的に評価した結果, 腫瘍の診断は正常, 癌, 良性組織を95%の精度で識別できることが示唆された。
論文 参考訳（メタデータ） (2020-06-25T11:53:20Z) - Stan: Small tumor-aware network for breast ultrasound image segmentation [68.8204255655161]
本研究では,小腫瘍認識ネットワーク(Small tumor-Aware Network,STAN)と呼ばれる新しいディープラーニングアーキテクチャを提案する。
提案手法は, 乳腺腫瘍の分節化における最先端のアプローチよりも優れていた。
論文 参考訳（メタデータ） (2020-02-03T22:25:01Z)
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。