論文の概要: Multi-target and multi-stage liver lesion segmentation and detection in multi-phase computed tomography scans

• arxiv url: http://arxiv.org/abs/2404.11152v1
• Date: Wed, 17 Apr 2024 08:05:04 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-18 14:55:00.588677
• Title: Multi-target and multi-stage liver lesion segmentation and detection in multi-phase computed tomography scans
• Title（参考訳）: 多段階CTにおける多段階肝病変の分画と検出
• Authors: Abdullah F. Al-Battal, Soan T. M. Duong, Van Ha Tang, Quang Duc Tran, Steven Q. H. Truong, Chien Phan, Truong Q. Nguyen, Cheolhong An,
• Abstract要約: 肝臓の病変は、周囲の組織に対して大きさ、形状、食感、コントラストに大きく異なる。 現在の最先端の病変セグメンテーションネットワークは、UNetアーキテクチャに基づいたエンコーダ・デコーダ設計パラダイムを使用している。 提案手法は, 肝病変の相対的セグメンテーション性能を1.6%改善すると共に, 現在の最先端モデルと比較して, 被験者ごとのパフォーマンス変動率を8%低下させる。
• 参考スコア（独自算出の注目度）: 12.090385175034305
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Multi-phase computed tomography (CT) scans use contrast agents to highlight different anatomical structures within the body to improve the probability of identifying and detecting anatomical structures of interest and abnormalities such as liver lesions. Yet, detecting these lesions remains a challenging task as these lesions vary significantly in their size, shape, texture, and contrast with respect to surrounding tissue. Therefore, radiologists need to have an extensive experience to be able to identify and detect these lesions. Segmentation-based neural networks can assist radiologists with this task. Current state-of-the-art lesion segmentation networks use the encoder-decoder design paradigm based on the UNet architecture where the multi-phase CT scan volume is fed to the network as a multi-channel input. Although this approach utilizes information from all the phases and outperform single-phase segmentation networks, we demonstrate that their performance is not optimal and can be further improved by incorporating the learning from models trained on each single-phase individually. Our approach comprises three stages. The first stage identifies the regions within the liver where there might be lesions at three different scales (4, 8, and 16 mm). The second stage includes the main segmentation model trained using all the phases as well as a segmentation model trained on each of the phases individually. The third stage uses the multi-phase CT volumes together with the predictions from each of the segmentation models to generate the final segmentation map. Overall, our approach improves relative liver lesion segmentation performance by 1.6% while reducing performance variability across subjects by 8% when compared to the current state-of-the-art models.
• Abstract（参考訳）: 多相CTスキャンでは、コントラスト剤を用いて体内の異なる解剖学的構造をハイライトし、肝病変などの解剖学的構造と異常を識別・検出する確率を向上させる。 しかし、これらの病変の検出は、周囲の組織に対して、サイズ、形状、テクスチャ、コントラストが著しく異なるため、依然として困難な課題である。 したがって、放射線科医はこれらの病変を同定し、検出できる広範な経験を持つ必要がある。 セグメンテーションベースのニューラルネットワークは、このタスクで放射線学者を支援することができる。 現在の最先端の病変セグメンテーションネットワークは、マルチフェーズCTスキャンボリュームをマルチチャネル入力としてネットワークに供給するUNetアーキテクチャに基づくエンコーダ・デコーダ設計パラダイムを使用している。 このアプローチでは,全位相情報と単相セグメンテーションネットワークの性能は最適ではなく,各単相モデルからの学習を個別に組み込むことでさらに改善できることを示す。 私たちのアプローチは3つの段階から成る。 第1段階は3つの異なるスケール(4, 8, 16 mm)で病変がある可能性がある肝臓内の領域を特定する。 第2段階には、すべてのフェーズでトレーニングされたメインセグメンテーションモデルと、各フェーズで個別にトレーニングされたセグメンテーションモデルが含まれている。 第3段階では、各セグメンテーションモデルからの予測とともに多相CTボリュームを使用し、最終セグメンテーションマップを生成する。 以上の結果から,本研究は肝病変セグメント化性能を1.6%向上させるとともに,現在最先端モデルと比較して,被験者間の性能変動を8%低減させる。

関連論文リスト

• 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)
• Self-Supervised Correction Learning for Semi-Supervised Biomedical Image Segmentation [84.58210297703714]
  半教師付きバイオメディカルイメージセグメンテーションのための自己教師付き補正学習パラダイムを提案する。 共有エンコーダと2つの独立デコーダを含むデュアルタスクネットワークを設計する。 異なるタスクのための3つの医用画像分割データセットの実験により,本手法の優れた性能が示された。
  論文  参考訳（メタデータ） (2023-01-12T08:19:46Z)
• 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)
• WSC-Trans: A 3D network model for automatic multi-structural segmentation of temporal bone CT [5.821303529939008]
  側頭骨CTにおける多構造目標の自動セグメンテーションのための3次元ネットワークモデルを提案する。 このアルゴリズムは特徴抽出のためにCNNとTransformerを組み合わせて,空間的注意とチャネル注意機構を活用し,セグメンテーション効果をさらに改善する。
  論文  参考訳（メタデータ） (2022-11-14T06:44:37Z)
• Whole-Body Lesion Segmentation in 18F-FDG PET/CT [11.662584140924725]
  提案モデルは, 全身の病変を予測するために, 2D と 3D nnUNET アーキテクチャを基礎として設計されている。 提案手法は, ダイススコア, 偽陽性ボリューム, 偽陰性ボリュームの計測値において, 病変のセグメンテーション性能を計測するAutoPet Challengeの文脈で評価する。
  論文  参考訳（メタデータ） (2022-09-16T10:49:53Z)
• A New Probabilistic V-Net Model with Hierarchical Spatial Feature Transform for Efficient Abdominal Multi-Organ Segmentation [15.26560999964979]
  本稿では, 階層的空間的特徴変調を用いた確率的多臓器分割ネットワークを提案する。 提案手法は公開されているAbdomenCT-1Kデータセットに基づいて訓練され、他の2つのオープンデータセットで評価される。
  論文  参考訳（メタデータ） (2022-08-02T11:51:46Z)
• Mixed-UNet: Refined Class Activation Mapping for Weakly-Supervised Semantic Segmentation with Multi-scale Inference [28.409679398886304]
  我々は、デコードフェーズに2つの並列分岐を持つMixed-UNetという新しいモデルを開発する。 地域病院や公開データセットから収集したデータセットに対して,いくつかの一般的なディープラーニングに基づくセグメンテーションアプローチに対して,設計したMixed-UNetを評価した。
  論文  参考訳（メタデータ） (2022-05-06T08:37:02Z)
• DONet: Dual Objective Networks for Skin Lesion Segmentation [77.9806410198298]
  本稿では,皮膚病変のセグメンテーションを改善するために,Dual Objective Networks (DONet) という,シンプルで効果的なフレームワークを提案する。 我々のDONetは2つの対称デコーダを採用し、異なる目標に近づくための異なる予測を生成する。 皮膚内視鏡画像における多種多様な病変のスケールと形状の課題に対処するために,再帰的コンテキスト符号化モジュール(RCEM)を提案する。
  論文  参考訳（メタデータ） (2020-08-19T06:02:46Z)
• Implanting Synthetic Lesions for Improving Liver Lesion Segmentation in CT Exams [0.0]
  我々は,CTスライスに現実的な病変を移植し,リッチで制御可能なトレーニングサンプルセットを提供する。 以上の結果から,CTスライスにおける肝病変の分節モデルの性能向上が示唆された。
  論文  参考訳（メタデータ） (2020-08-11T13:23:04Z)
• Co-Heterogeneous and Adaptive Segmentation from Multi-Source and Multi-Phase CT Imaging Data: A Study on Pathological Liver and Lesion Segmentation [48.504790189796836]
  我々は,新しいセグメンテーション戦略,コヘテロジネティック・アダプティブセグメンテーション(CHASe)を提案する。 本稿では,外見に基づく半スーパービジョン,マスクに基づく対向ドメイン適応,擬似ラベルを融合した多目的フレームワークを提案する。 CHASeは4.2% sim 9.4%$の範囲で、病理的な肝臓マスクDice-Sorensen係数をさらに改善することができる。
  論文  参考訳（メタデータ） (2020-05-27T06:58:39Z)
• Robust Medical Instrument Segmentation Challenge 2019 [56.148440125599905]
  腹腔鏡装置の術中追跡は、しばしばコンピュータとロボットによる介入の必要条件である。 本研究の課題は,30の手術症例から取得した10,040枚の注釈画像からなる外科的データセットに基づいていた。 結果は、初期仮説、すなわち、アルゴリズムの性能がドメインギャップの増大とともに低下することを確認する。
  論文  参考訳（メタデータ） (2020-03-23T14:35:08Z)

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。