論文の概要: Deep-learning Segmentation of Small Volumes in CT images for Radiotherapy Treatment Planning
- arxiv url: http://arxiv.org/abs/2404.04202v1
- Date: Fri, 5 Apr 2024 16:25:39 GMT
- ステータス: 処理完了
- システム内更新日: 2024-04-08 15:35:54.856987
- Title: Deep-learning Segmentation of Small Volumes in CT images for Radiotherapy Treatment Planning
- Title（参考訳）: 放射線治療計画のためのCT画像中の小容積のディープラーニング分割
- Authors: Jianxin Zhou, Kadishe Fejza, Massimiliano Salvatori, Daniele Della Latta, Gregory M. Hermann, Angela Di Fulvio,
- Abstract要約: 頭頸部領域に20臓器を分節する汎用V-Netモデルを開発した。
この解剖学的領域,すなわち眼球レンズにおける小体積の分画精度を向上させるための戦略を適用した。
その結果, 画像正規化範囲と分類閾値の最適化により, 眼球レンズの約50%のセグメンテーション改善が得られた。
- 参考スコア（独自算出の注目度）: 1.055551340663609
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Our understanding of organs at risk is progressing to include physical small tissues such as coronary arteries and the radiosensitivities of many small organs and tissues are high. Therefore, the accurate segmentation of small volumes in external radiotherapy is crucial to protect them from over-irradiation. Moreover, with the development of the particle therapy and on-board imaging, the treatment becomes more accurate and precise. The purpose of this work is to optimize organ segmentation algorithms for small organs. We used 50 three-dimensional (3-D) computed tomography (CT) head and neck images from StructSeg2019 challenge to develop a general-purpose V-Net model to segment 20 organs in the head and neck region. We applied specific strategies to improve the segmentation accuracy of the small volumes in this anatomical region, i.e., the lens of the eye. Then, we used 17 additional head images from OSF healthcare to validate the robustness of the V Net model optimized for small-volume segmentation. With the study of the StructSeg2019 images, we found that the optimization of the image normalization range and classification threshold yielded a segmentation improvement of the lens of the eye of approximately 50%, compared to the use of the V-Net not optimized for small volumes. We used the optimized model to segment 17 images acquired using heterogeneous protocols. We obtained comparable Dice coefficient values for the clinical and StructSeg2019 images (0.61 plus/minus 0.07 and 0.58 plus/minus 0.10 for the left and right lens of the eye, respectively)
- Abstract（参考訳）: 危険臓器に対する我々の理解は、冠動脈などの物理的な小組織を含むように進歩しており、多くの小臓器や組織の放射線感受性が高い。
したがって、放射線治療における小量の正確なセグメンテーションは、過照射から保護するために重要である。
さらに、粒子療法やオンボードイメージングの発展に伴い、治療はより正確かつ正確になる。
本研究の目的は小器官の臓器分割アルゴリズムを最適化することである。
我々はStructSeg2019の3次元CT画像50枚を用いて,頭頸部領域に20の臓器を分割する汎用V-Netモデルを開発した。
この解剖学的領域における小体積のセグメンテーション精度,すなわち眼球レンズのセグメンテーション精度を向上させるための具体的な戦略を適用した。
次に,小容量セグメンテーションに最適化されたVNetモデルのロバスト性を検証するため,OSFの医療用ヘッドイメージを17枚追加した。
StructSeg2019画像を用いて、画像正規化範囲と分類閾値の最適化により、小さなボリュームに最適化されていないV-Netと比較して、眼のレンズのセグメンテーション精度が約50%向上することを発見した。
我々は、最適化されたモデルを用いて、異種プロトコルを用いて取得した17の画像をセグメント化した。
0.61+/minus 0.07/minus 0.58+/minus 0.10)とStructSeg2019画像に対して比較したDice係数値を得た。
関連論文リスト
- Domain-specific augmentations with resolution agnostic self-attention mechanism improves choroid segmentation in optical coherence tomography images [3.8485899972356337]
脈絡膜は眼の重要な血管層であり、網膜光受容体に酸素を供給する。
現在、コロイドを測定するには、独立した半自動および深層学習に基づく複数のアルゴリズムを使う必要がある。
我々は、コロイドセグメンテーション(REACH)のためのロバストで解像度に依存しない、効果的な注意に基づくネットワークを提案する。
論文 参考訳（メタデータ） (2024-05-23T11:35:23Z) - 3DSAM-adapter: Holistic adaptation of SAM from 2D to 3D for promptable tumor segmentation [52.699139151447945]
医用画像の領域分割を行うために, SAMを2次元から3次元に変換する新しい適応法を提案する。
本モデルでは, 腎腫瘍, 膵腫瘍, 大腸癌の3つのタスクのうち8.25%, 29.87%, 10.11%の3つのタスクにおいて, ドメイン・オブ・ザ・アーティヴ・メディカル・イメージ・セグメンテーション・モデルより優れ, 肝腫瘍セグメンテーションでも同様の性能が得られる。
論文 参考訳（メタデータ） (2023-06-23T12:09:52Z) - 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) - 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) - FocusNetv2: Imbalanced Large and Small Organ Segmentation with
Adversarial Shape Constraint for Head and Neck CT Images [82.48587399026319]
organ-at-risk (oars) は、健康な臓器の損傷を避けるために放射線治療計画において重要なステップである。
本研究では,この課題を解決するために,2段階の深層ニューラルネットワークであるFocusNetv2を提案する。
従来のFocusNetに加えて,小臓器に新たな対角的形状制約を導入し,推定小臓器形状と臓器形状との整合性を確保する。
論文 参考訳（メタデータ） (2021-04-05T04:45:31Z) - Quadruple Augmented Pyramid Network for Multi-class COVID-19
Segmentation via CT [1.6815638149823744]
新型コロナウイルス(COVID-19)は、世界で最も深刻な感染症の1つとなっています。
本稿では,放射線科医が肺の容積を推定するためのマルチクラスctセグメンテーションを提案する。
論文 参考訳（メタデータ） (2021-03-09T16:48:15Z) - Automatic Segmentation of Gross Target Volume of Nasopharynx Cancer
using Ensemble of Multiscale Deep Neural Networks with Spatial Attention [2.204996105506197]
平面内分解能と平面内分解能の差に対処する2.5次元畳み込みニューラルネットワーク(CNN)を提案する。
また,ネットワークが小さなターゲットにフォーカスできる空間的アテンションモジュールを提案し,チャネルアテンションを用いてセグメンテーション性能をさらに向上する。
論文 参考訳（メタデータ） (2021-01-27T08:20:49Z) - A Global Benchmark of Algorithms for Segmenting Late Gadolinium-Enhanced
Cardiac Magnetic Resonance Imaging [90.29017019187282]
現在世界最大の心臓LGE-MRIデータセットである154個の3D LGE-MRIを用いた「2018 left Atrium Challenge」。
技術および生物学的指標を用いた提案アルゴリズムの解析を行った。
その結果, 最上部法は93.2%, 平均表面は0.7mmであった。
論文 参考訳（メタデータ） (2020-04-26T08:49:17Z) - Inf-Net: Automatic COVID-19 Lung Infection Segmentation from CT Images [152.34988415258988]
CT画像からの肺感染症の自動検出は、新型コロナウイルスに対処するための従来の医療戦略を強化する大きな可能性を秘めている。
CTスライスから感染領域を分割することは、高い感染特性の変化、感染と正常な組織の間の低強度のコントラストなど、いくつかの課題に直面している。
これらの課題に対処するため, 胸部CTスライスから感染部位を自動的に同定する, 新型のCOVID-19 Deep Lung infection Network (Inf-Net) が提案されている。
論文 参考訳（メタデータ） (2020-04-22T07:30:56Z) - Segmentation of Cellular Patterns in Confocal Images of Melanocytic
Lesions in vivo via a Multiscale Encoder-Decoder Network (MED-Net) [2.0487455621441377]
マルチスケールデコーダネットワーク(MED-Net)は,パターンのクラスに定量的なラベル付けを行う。
メラノサイト病変の117個の反射共焦点顕微鏡(RCM)モザイクの非重畳分割について,本モデルを訓練・試験した。
論文 参考訳（メタデータ） (2020-01-03T22:34:52Z)
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。