論文の概要: Image Synthesis-based Late Stage Cancer Augmentation and Semi-Supervised
Segmentation for MRI Rectal Cancer Staging
- arxiv url: http://arxiv.org/abs/2312.04779v1
- Date: Fri, 8 Dec 2023 01:36:24 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-11 16:36:29.711367
- Title: Image Synthesis-based Late Stage Cancer Augmentation and Semi-Supervised
Segmentation for MRI Rectal Cancer Staging
- Title（参考訳）: MRI直腸癌ステージングにおける画像合成による後期癌拡大と半スーパービジョン
- Authors: Saeko Sasuga, Akira Kudo, Yoshiro Kitamura, Satoshi Iizuka, Edgar
Simo-Serra, Atsushi Hamabe, Masayuki Ishii, Ichiro Takemasa
- Abstract要約: 本研究の目的は, 胸部, 直腸, 直腸の領域を分節し, 組織学的にT期を予測できることである。
アブレーション研究では, 半教師付き学習アプローチでTスタージング損失は0.13。
- 参考スコア（独自算出の注目度）: 9.992841347751332
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Rectal cancer is one of the most common diseases and a major cause of
mortality. For deciding rectal cancer treatment plans, T-staging is important.
However, evaluating the index from preoperative MRI images requires high
radiologists' skill and experience. Therefore, the aim of this study is to
segment the mesorectum, rectum, and rectal cancer region so that the system can
predict T-stage from segmentation results. Generally, shortage of large and
diverse dataset and high quality annotation are known to be the bottlenecks in
computer aided diagnostics development. Regarding rectal cancer, advanced
cancer images are very rare, and per-pixel annotation requires high
radiologists' skill and time. Therefore, it is not feasible to collect
comprehensive disease patterns in a training dataset. To tackle this, we
propose two kinds of approaches of image synthesis-based late stage cancer
augmentation and semi-supervised learning which is designed for T-stage
prediction. In the image synthesis data augmentation approach, we generated
advanced cancer images from labels. The real cancer labels were deformed to
resemble advanced cancer labels by artificial cancer progress simulation. Next,
we introduce a T-staging loss which enables us to train segmentation models
from per-image T-stage labels. The loss works to keep inclusion/invasion
relationships between rectum and cancer region consistent to the ground truth
T-stage. The verification tests show that the proposed method obtains the best
sensitivity (0.76) and specificity (0.80) in distinguishing between over T3
stage and underT2. In the ablation studies, our semi-supervised learning
approach with the T-staging loss improved specificity by 0.13. Adding the image
synthesis-based data augmentation improved the DICE score of invasion cancer
area by 0.08 from baseline.
- Abstract（参考訳）: 直腸癌は最も一般的な疾患の1つであり、死亡の主な原因である。
直腸癌治療計画の決定にはt-stagingが重要である。
しかし,術前MRI画像から指標を評価するには,放射線技師のスキルと経験が必要である。
そこで本研究の目的は, 分節結果からt期を予測できるように, 腸間膜, 直腸, 直腸癌の領域を分割することである。
一般に、大規模で多様なデータセットと高品質なアノテーションが不足していることは、コンピュータ支援診断開発におけるボトルネックであることが知られている。
直腸癌については、進行癌の画像は非常に稀であり、ピクセル単位のアノテーションは、高い放射線技師のスキルと時間を必要とする。
したがって、トレーニングデータセットで包括的な疾患パターンを収集することは不可能である。
そこで我々は,Tステージ予測のための画像合成に基づく後期がん拡大と半教師付き学習の2つのアプローチを提案する。
画像合成データ拡張アプローチでは,ラベルから高度ながん画像を生成する。
実際のがんラベルは、人工がん進行シミュレーションにより、進行がんラベルに類似するように変形した。
次に、画像ごとのTステージラベルからセグメンテーションモデルをトレーニングできるTステージ損失を導入する。
この損失は、直腸とがん領域の包含/侵入関係を基底の真理T期と一致させるのに有効である。
検証試験の結果,提案手法は,T3ステージとUrT2の区別において,最高の感度 (0.76) と特異度 (0.80) が得られることがわかった。
アブレーション研究では, 半教師付き学習アプローチでTスタージング損失は0.13。
画像合成に基づくデータ拡張により、浸潤癌領域のDICEスコアはベースラインから0.08向上した。
関連論文リスト
- Towards a Benchmark for Colorectal Cancer Segmentation in Endorectal Ultrasound Videos: Dataset and Model Development [59.74920439478643]
本稿では,多様なERUSシナリオをカバーする最初のベンチマークデータセットを収集し,注釈付けする。
ERUS-10Kデータセットは77の動画と10,000の高解像度アノテートフレームで構成されています。
本稿では,ASTR (Adaptive Sparse-context TRansformer) という大腸癌セグメンテーションのベンチマークモデルを提案する。
論文 参考訳（メタデータ） (2024-08-19T15:04:42Z) - Boosting Medical Image-based Cancer Detection via Text-guided Supervision from Reports [68.39938936308023]
本研究では, 高精度ながん検出を実現するための新しいテキスト誘導学習法を提案する。
本手法は,大規模プレトレーニングVLMによる臨床知識の活用により,一般化能力の向上が期待できる。
論文 参考訳（メタデータ） (2024-05-23T07:03:38Z) - Optimizing Synthetic Correlated Diffusion Imaging for Breast Cancer Tumour Delineation [71.91773485443125]
CDI$s$ - 最適化されたモダリティにより最高のAUCが達成され、金標準のモダリティが0.0044より優れていることを示す。
特に、最適化されたCDI$s$モダリティは、最適化されていないCDI$s$値よりも0.02以上のAUC値を達成する。
論文 参考訳（メタデータ） (2024-05-13T16:07:58Z) - Improving Breast Cancer Grade Prediction with Multiparametric MRI Created Using Optimized Synthetic Correlated Diffusion Imaging [71.91773485443125]
乳がん治療計画において、グレーディングは重要な役割を担っている。
現在の腫瘍グレード法では、患者から組織を抽出し、ストレス、不快感、医療費の上昇につながる。
本稿では,CDI$s$の最適化による乳癌の診断精度の向上について検討する。
論文 参考訳（メタデータ） (2024-05-13T15:48:26Z) - From Pixel to Cancer: Cellular Automata in Computed Tomography [12.524228287083888]
腫瘍合成は、医療画像に人工腫瘍を作ろうとする。
本稿では腫瘍発生をシミュレートする汎用ルールのセットを確立する。
我々は,腫瘍状態をCT画像に統合し,異なる臓器にまたがる合成腫瘍を生成する。
論文 参考訳（メタデータ） (2024-03-11T06:46:31Z) - Improved Breast Cancer Diagnosis through Transfer Learning on
Hematoxylin and Eosin Stained Histology Images [3.7498611358320733]
本研究では,最新のBRACS染色画像を用いて乳癌腫瘍の分類を行った。
我々は、Xception、EfficientNet、ResNet50、InceptionResNetといった、ImageNet重みに基づいて事前訓練された様々なディープラーニングモデルを用いて実験を行った。
論文 参考訳（メタデータ） (2023-09-15T20:16:17Z) - Cancer-Net BCa-S: Breast Cancer Grade Prediction using Volumetric Deep
Radiomic Features from Synthetic Correlated Diffusion Imaging [82.74877848011798]
乳がんの流行は成長を続けており、2023年には米国で約30万人の女性に影響を及ぼした。
金標準のScarff-Bloom-Richardson(SBR)グレードは、化学療法に対する患者の反応を一貫して示すことが示されている。
本稿では,合成相関拡散(CDI$s$)画像を用いた乳がん鑑定における深層学習の有効性について検討する。
論文 参考訳（メタデータ） (2023-04-12T15:08:34Z) - 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) - Automatic tumour segmentation in H&E-stained whole-slide images of the
pancreas [2.4431235585344475]
病気の検出とセグメンテーションの精度のバランスをとるために,マルチタスク畳み込みニューラルネットワークを提案する。
異なる解像度で29人の患者を対象にアプローチを検証した。
論文 参考訳（メタデータ） (2021-12-01T22:05:15Z) - Synthesizing lesions using contextual GANs improves breast cancer
classification on mammograms [0.4297070083645048]
本稿では, マンモグラムの病変を現実的に合成し, 除去するデータ拡張のための, GANモデルを提案する。
自己注意と半教師付き学習コンポーネントにより、U-netベースのアーキテクチャは高解像度(256x256px)の出力を生成することができる。
論文 参考訳（メタデータ） (2020-05-29T21:23:00Z)
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。