論文の概要: A novel method to compute the contact surface area between an organ and cancer tissue
- arxiv url: http://arxiv.org/abs/2402.16857v1
- Date: Fri, 19 Jan 2024 14:34:34 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-18 07:09:00.299127
- Title: A novel method to compute the contact surface area between an organ and cancer tissue
- Title（参考訳）: 臓器と癌組織間の接触面面積の計算法
- Authors: Alessandra Bulanti, Alessandro Carfì, Paolo Traverso, Carlo Terrone, Fulvio Mastrogiovanni,
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 81.84413479369512
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: With "contact surface area" (CSA) we refers to the area of contact between a tumor and an organ. This indicator has been identified as a predictive factor for surgical peri-operative parameters, particularly in the context of kidney cancer. However, state-of-the-art algorithms for computing the CSA rely on assumptions about the tumor shape and require manual human annotation. In this study, we introduce an innovative method that relies on 3D reconstructions of tumors and organs to provide an accurate and objective estimate of the CSA. Our approach consists of a segmentation protocol for reconstructing organs and tumors from Computed Tomography (CT) images and an algorithm leveraging the reconstructed meshes to compute the CSA. With the aim to contributing to the literature with replicable results, we provide an open-source implementation of our algorithm, along with an easy-to-use graphical user interface to support its adoption and widespread use. We evaluated the accuracy of our method using both a synthetic dataset and reconstructions of 87 real tumor-organ pairs.
- Abstract（参考訳）: 接触面面積 (contact surface area, CSA) は腫瘍と臓器との接触領域を指す。
この指標は外科的周術期パラメーターの予測因子として同定されており、特に腎がんの文脈で確認されている。
しかし、CSAの最先端のアルゴリズムは腫瘍の形状に関する仮定に依存しており、手動の人間のアノテーションを必要とする。
そこで本研究では,腫瘍と臓器の3次元再構成を利用したCSAの高精度かつ客観的な評価手法を提案する。
提案手法は,CT画像から臓器と腫瘍を再構成するためのセグメンテーションプロトコルと,再構成メッシュを用いてCSAを計算するアルゴリズムから構成される。
複製可能な結果の文献へのコントリビューションを目的として,我々のアルゴリズムのオープンソース実装と,その採用と普及を支援するグラフィカルユーザインタフェースを提供する。
本手法の精度は, 合成データセットと87個の実腫瘍-臓器ペアの再構成の両方を用いて評価した。
関連論文リスト
- Anatomy-guided Pathology Segmentation [56.883822515800205]
本研究では, 解剖学的特徴と病理学的情報を組み合わせた汎用的セグメンテーションモデルを構築し, 病理学的特徴のセグメンテーション精度を高めることを目的とする。
我々の解剖学・病理学交流(APEx)訓練では,ヒト解剖学の問合せ表現に結合特徴空間をデコードする問合せベースのセグメンテーション変換器を用いている。
これにより、FDG-PET-CTとChest X-Rayの病理分類タスクにおいて、強力なベースライン法に比べて最大3.3%のマージンで、ボード全体で最高の結果を報告できる。
論文 参考訳（メタデータ） (2024-07-08T11:44:15Z) - Hybrid Multihead Attentive Unet-3D for Brain Tumor Segmentation [0.0]
脳腫瘍のセグメンテーションは、医療画像解析において重要な課題であり、脳腫瘍患者の診断と治療計画を支援する。
様々な深層学習技術がこの分野で大きな進歩を遂げてきたが、脳腫瘍形態の複雑で変動的な性質のため、精度の面ではまだ限界に直面している。
本稿では,脳腫瘍の正確なセグメンテーションにおける課題を解決するために,新しいハイブリッドマルチヘッド注意型U-Netアーキテクチャを提案する。
論文 参考訳（メタデータ） (2024-05-22T02:46:26Z) - Lumbar Spine Tumor Segmentation and Localization in T2 MRI Images Using AI [2.9746083684997418]
本研究は, 脊椎腫瘍の領域分割と局所化をAIアプローチで自動化することを目的とした, 新たなデータ拡張手法を提案する。
畳み込みニューラルネットワーク(CNN)アーキテクチャは、腫瘍の分類に用いられている。3次元の椎骨分割とラベル付け技術は、腰椎の腫瘍の正確な位置を特定するのに役立つ。
その結果, 腫瘍分節の99%の精度, 腫瘍分類の98%の精度, 腫瘍局在の99%の精度が得られた。
論文 参考訳（メタデータ） (2024-05-07T05:55:50Z) - Segmentation-based Assessment of Tumor-Vessel Involvement for Surgical
Resectability Prediction of Pancreatic Ductal Adenocarcinoma [1.880228463170355]
膵管腺癌 (PDAC) は, 治療の選択肢が限られる進行癌である。
本研究は,腫瘍血管の関与を自動的に評価するワークフローと深層学習に基づくセグメンテーションモデルを提案する。
論文 参考訳（メタデータ） (2023-10-01T10:39:38Z) - 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) - Deep Reinforcement Learning for Organ Localization in CT [59.23083161858951]
我々はCTにおける臓器局所化のための深層強化学習手法を提案する。
この研究において、人工エージェントは、その主張や誤りから学習することで、CT内の臓器の局所化を積極的に行う。
本手法は,任意の臓器をローカライズするためのプラグイン・アンド・プレイモジュールとして利用できる。
論文 参考訳（メタデータ） (2020-05-11T10:06:13Z) - Region of Interest Identification for Brain Tumors in Magnetic Resonance
Images [8.75217589103206]
そこで我々は,腫瘍周辺で最小の境界ボックスを見つけるために,軽量計算量で高速かつ自動化された手法を提案する。
この領域は、サブリージョン腫瘍セグメンテーションのトレーニングネットワークにおける前処理ステップとして使用できる。
提案手法は BraTS 2015 データセット上で評価され,得られた平均 DICE スコアは 0.73 である。
論文 参考訳（メタデータ） (2020-02-26T14:10:40Z) - A Novel and Efficient Tumor Detection Framework for Pancreatic Cancer
via CT Images [21.627818410241552]
本稿では,新しい膵腫瘍検出フレームワークを提案する。
提案手法のコントリビューションは,Augmented Feature Pyramid Network,Self-Adaptive Feature Fusion,Dependencies Computation Moduleの3つのコンポーネントから構成される。
実験により,AUCの0.9455による検出において,他の最先端手法よりも優れた性能が得られた。
論文 参考訳（メタデータ） (2020-02-11T15:48:22Z) - 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。