Fugu-MT 論文翻訳(概要): 3D Lymphoma Segmentation on PET/CT Images via Multi-Scale Information Fusion with Cross-Attention

論文の概要: 3D Lymphoma Segmentation on PET/CT Images via Multi-Scale Information Fusion with Cross-Attention

arxiv url: http://arxiv.org/abs/2402.02349v2
Date: Mon, 9 Sep 2024 16:17:29 GMT
ステータス: 処理完了
システム内更新日: 2024-09-11 03:22:55.336343
Title: 3D Lymphoma Segmentation on PET/CT Images via Multi-Scale Information Fusion with Cross-Attention
Title（参考訳）: PET/CT画像におけるクロスアテンションを用いた多次元情報融合による3次元リンパ腫分離
Authors: Huan Huang, Liheng Qiu, Shenmiao Yang, Longxi Li, Jiaofen Nan, Yanting Li, Chuang Han, Fubao Zhu, Chen Zhao, Weihua Zhou,
Abstract要約: 本研究は,びまん性大細胞型B細胞リンパ腫(DLBCL)の正確な分節法を開発することを目的とする。シフトウインドウ変換器とマルチスケール情報融合(MSIF)モジュールを用いた3次元デュアルブランチエンコーダセグメンテーション法を提案する。このモデルは5倍のクロスバリデーションを用いて165名のDLBCL患者のデータセットを用いて訓練および検証を行った。
参考スコア（独自算出の注目度）: 6.499725732124126
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Background: Accurate segmentation of diffuse large B-cell lymphoma (DLBCL) lesions is challenging due to their complex patterns in medical imaging. Objective: This study aims to develop a precise segmentation method for DLBCL using 18F-Fluorodeoxyglucose (FDG) positron emission tomography (PET) and computed tomography (CT) images. Methods: We propose a 3D dual-branch encoder segmentation method using shifted window transformers and a Multi-Scale Information Fusion (MSIF) module. To enhance feature integration, the MSIF module performs multi-scale feature fusion using cross-attention mechanisms with a shifted window framework. A gated neural network within the MSIF module dynamically balances the contributions from each modality. The model was optimized using the Dice Similarity Coefficient (DSC) loss function. Additionally, we computed the total metabolic tumor volume (TMTV) and performed statistical analyses. Results: The model was trained and validated on a dataset of 165 DLBCL patients using 5-fold cross-validation, achieving a DSC of 0.7512. Statistical analysis showed a significant improvement over comparative methods (p < 0.05). Additionally, a Pearson correlation coefficient of 0.91 and an R^2 of 0.89 were observed when comparing manual annotations to segmentation results for TMTV measurement. Conclusion: This study presents an effective automatic segmentation method for DLBCL that leverages the complementary strengths of PET and CT imaging. Our method has the potential to improve diagnostic interpretations and assist in treatment planning for DLBCL patients.
Abstract（参考訳）: 背景: びまん性大細胞型B細胞リンパ腫 (DLBCL) の正確な分画は, 医用画像の複雑なパターンが原因で困難である。目的: 本研究の目的は, 18F-Fluorodeoxyglucose (FDG) positron emission tomography (PET) と CT (CT) 画像を用いたDLBCLの精密セグメンテーション法を開発することである。方法: シフトウインドウ変換器とマルチスケールインフォメーション・フュージョン(MSIF)モジュールを用いた3次元デュアルブランチ・エンコーダ・セグメンテーション法を提案する。機能統合を強化するため、MSIFモジュールは、シフトウインドウフレームワークによるクロスアテンション機構を用いたマルチスケール機能融合を実行する。 MSIFモジュール内のゲートニューラルネットワークは、各モードからのコントリビューションを動的にバランスさせる。このモデルはDice similarity Coefficient (DSC)損失関数を用いて最適化された。さらに, 総代謝性腫瘍容積 (TMTV) を算出し, 統計学的解析を行った。結果: このモデルは5倍のクロスバリデーションを用いて165名のDLBCL患者のデータセットを用いて訓練し, 評価した。統計的解析の結果,比較法に比べて有意な改善が認められた(p < 0.05)。また,TMTV測定における手動アノテーションとセグメンテーション結果を比較すると,ピアソン相関係数0.91,R^20.89が観察された。結論:本研究では,PETおよびCT画像の相補的強度を利用したDLBCLの効果的な自動分割法を提案する。本手法は,DLBCL患者に対する診断的解釈の改善と治療計画支援の可能性を秘めている。

関連論文リスト

Multi-Layer Feature Fusion with Cross-Channel Attention-Based U-Net for Kidney Tumor Segmentation [0.0]
U-Netベースのディープラーニング技術は、自動化された医用画像セグメンテーションのための有望なアプローチとして登場しつつある。腎腫瘍の診断のためのCTスキャン画像のエンドツーエンド自動セマンティックセマンティックセグメンテーションのための改良されたU-Netモデルを提案する。
論文参考訳（メタデータ） (2024-10-20T19:02:41Z)
Tumor aware recurrent inter-patient deformable image registration of computed tomography scans with lung cancer [6.361348748202733]
Voxel-based analysis (VBA) for population level radiotherapy outcomes modeling requiresserving inter- patient deformable image registration (DIR) 腫瘍認識型再帰型深層学習法(TRACER)を開発した。
論文参考訳（メタデータ） (2024-09-18T12:11:59Z)
Multi-modal Evidential Fusion Network for Trusted PET/CT Tumor Segmentation [5.839660501978193]
PET画像とCT画像の画質は臨床環境で大きく変化しており、ネットワークによって抽出されたモダリティ情報の不確実性につながっている。本稿では,クロスモーダル・フィーチャーラーニング(CFL)モジュールとマルチモーダル・トラスト・フュージョン(MTF)モジュールからなる新しいマルチモーダル・エビデンシャル・フュージョン・ネットワーク(MEFN)を提案する。本モデルでは, 自動セグメンテーション結果の受け入れや拒絶の判断において, セグメンテーション結果の確実な不確実性を, 放射線技師に提供することができる。
論文参考訳（メタデータ） (2024-06-26T13:14:24Z)
Dual-scale Enhanced and Cross-generative Consistency Learning for Semi-supervised Medical Image Segmentation [49.57907601086494]
医用画像のセグメンテーションはコンピュータ支援診断において重要な役割を担っている。半教師型医用画像(DEC-Seg)のための新しいDual-scale Enhanced and Cross-generative consistency learning frameworkを提案する。
論文参考訳（メタデータ） (2023-12-26T12:56:31Z)
Reliable Joint Segmentation of Retinal Edema Lesions in OCT Images [55.83984261827332]
本稿では,信頼性の高いマルチスケールウェーブレットエンハンストランスネットワークを提案する。本研究では,ウェーブレット型特徴抽出器ネットワークとマルチスケール変圧器モジュールを統合したセグメンテーションバックボーンを開発した。提案手法は,他の最先端セグメンテーション手法と比較して信頼性の高いセグメンテーション精度を実現する。
論文参考訳（メタデータ） (2022-12-01T07:32:56Z)
Mediastinal Lymph Node Detection and Segmentation Using Deep Learning [1.7188280334580195]
臨床ではCT(Computed tomography)とPET(positron emission tomography)が異常リンパ節(LN)を検出する深層畳み込みニューラルネットワークは、しばしば医療写真にアイテムを分割する。良質な深層学習手法であるUNetは、縦隔リンパ節の分節と検出のための戦略に基づいて、双線形および全一般化変異(TGV)を用いて修正された。修正されたUNetはテクスチャの不連続を維持し、ノイズの多い領域を選択し、バックプロパゲーションを通じて適切なバランスポイントを検索し、画像の解像度を再現する。
論文参考訳（メタデータ） (2022-11-24T02:55:20Z)
Improving Classification Model Performance on Chest X-Rays through Lung Segmentation [63.45024974079371]
本稿では, セグメンテーションによる異常胸部X線(CXR)識別性能を向上させるための深層学習手法を提案する。提案手法は,CXR画像中の肺領域を局所化するための深層ニューラルネットワーク(XLSor)と,大規模CXRデータセットで事前学習した自己教師あり運動量コントラスト(MoCo)モデルのバックボーンを用いたCXR分類モデルである。
論文参考訳（メタデータ） (2022-02-22T15:24:06Z)
Incremental Cross-view Mutual Distillation for Self-supervised Medical CT Synthesis [88.39466012709205]
本稿では,スライス間の分解能を高めるために,新しい医療スライスを構築した。臨床実践において, 根本・中間医療スライスは常に欠落していることを考慮し, 相互蒸留の段階的相互蒸留戦略を導入する。提案手法は,最先端のアルゴリズムよりも明確なマージンで優れる。
論文参考訳（メタデータ） (2021-12-20T03:38:37Z)
Systematic Clinical Evaluation of A Deep Learning Method for Medical Image Segmentation: Radiosurgery Application [48.89674088331313]
3次元医用画像分割作業において,Deep Learning (DL) 手法を体系的に評価した。本手法は放射線外科治療プロセスに統合され,臨床ワークフローに直接影響を及ぼす。
論文参考訳（メタデータ） (2021-08-21T16:15:40Z)
Evidential segmentation of 3D PET/CT images [20.65495780362289]
3D PET/CT画像におけるリンパ腫のセグメント化には、信念関数に基づくセグメンテーション法が提案されている。アーキテクチャは特徴抽出モジュールと明白なセグメンテーション(ES)モジュールで構成されている。びまん性大細胞性b細胞リンパ腫173例のデータベース上で評価した。
論文参考訳（メタデータ） (2021-04-27T16:06:27Z)
Revisiting 3D Context Modeling with Supervised Pre-training for Universal Lesion Detection in CT Slices [48.85784310158493]
CTスライスにおける普遍的病変検出のための3Dコンテキスト強化2D特徴を効率的に抽出するための修飾擬似3次元特徴ピラミッドネットワーク(MP3D FPN)を提案する。新たな事前学習手法により,提案したMP3D FPNは,DeepLesionデータセット上での最先端検出性能を実現する。提案された3Dプリトレーニングウェイトは、他の3D医療画像分析タスクのパフォーマンスを高めるために使用できる。
論文参考訳（メタデータ） (2020-12-16T07:11:16Z)

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。