論文の概要: YNetr: Dual-Encoder architecture on Plain Scan Liver Tumors (PSLT)

• arxiv url: http://arxiv.org/abs/2404.00327v1
• Date: Sat, 30 Mar 2024 11:41:19 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-04 04:20:25.947797
• Title: YNetr: Dual-Encoder architecture on Plain Scan Liver Tumors (PSLT)
• Title（参考訳）: YNetr:Plain Scan Liver tumors (PSLT)上のデュアルエンコーダアーキテクチャ
• Authors: Wen Sheng, Zhong Zheng, Jiajun Liu, Han Lu, Hanyuan Zhang, Zhengyong Jiang, Zhihong Zhang, Daoping Zhu,
• Abstract要約: 肝腫瘍は良性または悪性の肝の異常な増殖である。 肝腫瘍のプレーンスキャンセグメンテーションのためのデータセットは存在しない。 そこで我々はPlain Scan Liver tumors(PSLT)とYNetrを提案する。
• 参考スコア（独自算出の注目度）: 11.779888288866577
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Background: Liver tumors are abnormal growths in the liver that can be either benign or malignant, with liver cancer being a significant health concern worldwide. However, there is no dataset for plain scan segmentation of liver tumors, nor any related algorithms. To fill this gap, we propose Plain Scan Liver Tumors(PSLT) and YNetr. Methods: A collection of 40 liver tumor plain scan segmentation datasets was assembled and annotated. Concurrently, we utilized Dice coefficient as the metric for assessing the segmentation outcomes produced by YNetr, having advantage of capturing different frequency information. Results: The YNetr model achieved a Dice coefficient of 62.63% on the PSLT dataset, surpassing the other publicly available model by an accuracy margin of 1.22%. Comparative evaluations were conducted against a range of models including UNet 3+, XNet, UNetr, Swin UNetr, Trans-BTS, COTr, nnUNetv2 (2D), nnUNetv2 (3D fullres), MedNext (2D) and MedNext(3D fullres). Conclusions: We not only proposed a dataset named PSLT(Plain Scan Liver Tumors), but also explored a structure called YNetr that utilizes wavelet transform to extract different frequency information, which having the SOTA in PSLT by experiments.
• Abstract（参考訳）: 背景:肝腫瘍は良性または悪性の可能性がある肝臓の異常な増殖であり、肝がんは世界中で重要な健康上の問題となっている。 しかし、肝腫瘍の平滑なスキャンセグメンテーションのためのデータセットは存在せず、関連するアルゴリズムも存在しない。 このギャップを埋めるために,Plain Scan Liver tumors (PSLT) と YNetr を提案する。 方法:40個の肝腫瘍平板スキャンセグメンテーションデータセットを収集し,注釈を付した。 同時に,YNetrが生成したセグメント化結果を評価する指標としてDice係数を用いた。 結果: YNetrモデルはPSLTデータセット上で62.63%のDice係数を達成した。 UNet 3+, XNet, UNetr, Swin UNetr, Trans-BTS, COTr, nnUNetv2 (2D), nnUNetv2 (3D fullres), MedNext (2D), MedNext (3D fullres) など,様々なモデルに対して比較評価を行った。 結論:我々はPSLT(Plain Scan Liver tumors)というデータセットを提案するだけでなく,ウェーブレット変換を用いてPSLTにSOTAを持つ異なる周波数情報を抽出するYNetrという構造も検討した。

関連論文リスト

• SDR-Former: A Siamese Dual-Resolution Transformer for Liver Lesion Classification Using 3D Multi-Phase Imaging [59.78761085714715]
  本研究は肝病変分類のための新しいSDR-Formerフレームワークを提案する。 提案フレームワークは2つの臨床データセットに関する総合的な実験を通じて検証された。 科学コミュニティを支援するため,肝病変解析のための多段階MRデータセットを公開しています。
  論文  参考訳（メタデータ） (2024-02-27T06:32:56Z)
• VertXNet: An Ensemble Method for Vertebrae Segmentation and Identification of Spinal X-Ray [3.7139410609392933]
  VertXNetは脊椎X線画像に脊椎を自動的に分類しラベル付けするためのアンサンブルパイプラインである。 2つの最先端(SOTA)セグメンテーションモデル(特にU-NetとMask R-CNN)を組み合わせることで、X線脊椎画像における脊椎の自動セグメンテーションとラベル付けを行う。 提案したパイプラインを3つの脊髄X線データセット(内部2点,公開1点)で評価し,放射線医が注釈した椎骨との比較を行った。
  論文  参考訳（メタデータ） (2023-02-07T14:01:32Z)
• 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)
• Efficient liver segmentation with 3D CNN using computed tomography scans [0.0]
  肝腫瘍による肝疾患は、世界で最も一般的な理由の1つである。 多くの画像モダリティは、肝腫瘍を検出するための補助ツールとして使用できる。 腹部CTから肝を検出・分画する効率的な自動肝分画フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-08-28T19:02:39Z)
• Decoupled Pyramid Correlation Network for Liver Tumor Segmentation from CT images [22.128902125820193]
  Decoupled Pyramid correlation Network (DPC-Net)を提案する。 注意機構を利用して、FCNに埋め込まれた低レベルの特徴と高レベルの特徴をフル活用し、肝腫瘍を分節する。 DSCは96.2%、ASSDは1.636mmで肝臓セグメンテーションが可能である。
  論文  参考訳（メタデータ） (2022-05-26T07:31:29Z)
• Federated Learning Enables Big Data for Rare Cancer Boundary Detection [98.5549882883963]
  6大陸にわたる71の医療機関のデータを含む,これまでで最大のフェデレーテッドML研究の結果を報告する。 グリオ芽腫の稀な疾患に対する腫瘍境界自動検出装置を作製した。 当科では, 外科的に標的とした腫瘍の悪性度を高めるために, 33%の改善率を示し, 腫瘍全体に対する23%の改善率を示した。
  論文  参考訳（メタデータ） (2022-04-22T17:27:00Z)
• 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)
• 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)
• Multiclass Spinal Cord Tumor Segmentation on MRI with Deep Learning [3.2803205051531235]
  我々は,腫瘍を2段階のプロセスで分割する u-net モデルを用いたカスケードアーキテクチャを提案する。 腫瘍、空洞および浮腫のセグメント化(単一のクラスとして)は76.7 $pm$ 1.5%のダイススコアに達し、腫瘍のセグメント化は単独で61.8 $pm$ 4.0%のダイススコアに達した。
  論文  参考訳（メタデータ） (2020-12-23T17:31:08Z)
• E$^2$Net: An Edge Enhanced Network for Accurate Liver and Tumor Segmentation on CT Scans [19.8618638586525]
  2次元肝と腫瘍の分節のための2段階の枠組みを提案する。 第1段階は粗い肝臓セグメンテーションネットワーク、第2段階はエッジ強化ネットワーク(E$2$Net)である。 E$2$Netは、補完的なオブジェクト(配信と腫瘍)とそのネットワーク内のエッジ情報を明示的にモデル化し、臓器と病変の境界を保存する。 提案フレームワークは, 最先端の2D, 3D, 2D/3Dハイブリッドフレームワークと比較して, 肝および肝腫瘍のセグメンテーションにおいて優れた性能を示した。
  論文  参考訳（メタデータ） (2020-07-19T21:50:22Z)
• VerSe: A Vertebrae Labelling and Segmentation Benchmark for Multi-detector CT Images [121.31355003451152]
  大規模Vertebrae Challenge(VerSe)は、2019年と2020年に開催されたMICCAI(International Conference on Medical Image Computing and Computer Assisted Intervention)と共同で設立された。 本評価の結果を報告するとともに,脊椎レベル,スキャンレベル,および異なる視野での性能変化について検討した。
  論文  参考訳（メタデータ） (2020-01-24T21:09:18Z)

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。