論文の概要: FreeTumor: Advance Tumor Segmentation via Large-Scale Tumor Synthesis
- arxiv url: http://arxiv.org/abs/2406.01264v1
- Date: Mon, 3 Jun 2024 12:27:29 GMT
- ステータス: 処理完了
- システム内更新日: 2024-06-06 01:09:07.023338
- Title: FreeTumor: Advance Tumor Segmentation via Large-Scale Tumor Synthesis
- Title（参考訳）: FreeTumor: 大規模腫瘍合成による進行腫瘍分離
- Authors: Linshan Wu, Jiaxin Zhuang, Xuefeng Ni, Hao Chen,
- Abstract要約: FreeTumorは、堅牢な腫瘍合成とセグメンテーションのための堅牢なソリューションである。
合成トレーニングでは、敵のトレーニング戦略を使用して、大規模で多種多様なラベル付きデータを活用している。
FreeTumorでは,腫瘍セグメント化におけるデータスケーリングの法則について,データセットを1万1千件までスケールアップすることで検討する。
- 参考スコア（独自算出の注目度）: 7.064154713491736
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: AI-driven tumor analysis has garnered increasing attention in healthcare. However, its progress is significantly hindered by the lack of annotated tumor cases, which requires radiologists to invest a lot of effort in collecting and annotation. In this paper, we introduce a highly practical solution for robust tumor synthesis and segmentation, termed FreeTumor, which refers to annotation-free synthetic tumors and our desire to free patients that suffering from tumors. Instead of pursuing sophisticated technical synthesis modules, we aim to design a simple yet effective tumor synthesis paradigm to unleash the power of large-scale data. Specifically, FreeTumor advances existing methods mainly from three aspects: (1) Existing methods only leverage small-scale labeled data for synthesis training, which limits their ability to generalize well on unseen data from different sources. To this end, we introduce the adversarial training strategy to leverage large-scale and diversified unlabeled data in synthesis training, significantly improving tumor synthesis. (2) Existing methods largely ignored the negative impact of low-quality synthetic tumors in segmentation training. Thus, we employ an adversarial-based discriminator to automatically filter out the low-quality synthetic tumors, which effectively alleviates their negative impact. (3) Existing methods only used hundreds of cases in tumor segmentation. In FreeTumor, we investigate the data scaling law in tumor segmentation by scaling up the dataset to 11k cases. Extensive experiments demonstrate the superiority of FreeTumor, e.g., on three tumor segmentation benchmarks, average $+8.9\%$ DSC over the baseline that only using real tumors and $+6.6\%$ DSC over the state-of-the-art tumor synthesis method. Code will be available.
- Abstract（参考訳）: AIによる腫瘍分析は、医療の注目を集めている。
しかし、その進歩は、放射線学者が収集とアノテーションに多くの労力を費やす必要がある注釈付き腫瘍の欠如によって著しく妨げられている。
本稿では, アノテーションのない合成腫瘍と, 腫瘍に罹患した患者を自由にしたいという願望を指すFreeTumorという, 堅牢な腫瘍合成とセグメンテーションのための, 極めて実用的なソリューションについて紹介する。
高度な技術合成モジュールを追求する代わりに、我々は大規模データのパワーを解き放つために、単純で効果的な腫瘍合成パラダイムを設計することを目指している。
特に,FreeTumorは,既存の手法を主に3つの側面から進めている。(1)既存の手法は,異なるソースからの未確認データに対して,十分に一般化する能力を制限した,小規模なラベル付きデータのみを合成訓練に活用する。
そこで本研究では, 大規模かつ多種多様な未標識データを合成訓練に活用し, 腫瘍合成を著しく改善する逆行訓練戦略を提案する。
2) 既存の方法は, セグメンテーション訓練における低品質合成腫瘍の負の影響を無視するものであった。
そこで我々は,低品質な合成腫瘍を自動的に除去し,その悪影響を効果的に軽減するために,対向型判別器を用いた。
既存の方法では腫瘍の分節に数百の症例しか使われなかった。
FreeTumorでは,腫瘍セグメント化におけるデータスケーリングの法則について,データセットを1万1千件までスケールアップすることで検討する。
大規模な実験では、3つの腫瘍セグメンテーションベンチマークにおけるFreeTumorの優位性、実際の腫瘍のみを使用するベースラインに対する平均$+8.9\%、最先端の腫瘍合成法に対する$+6.6\%のDSCが示されている。
コードは利用可能です。
関連論文リスト
- Analyzing Tumors by Synthesis [11.942932753828854]
腫瘍合成は、腫瘍検出とセグメンテーションのためのAIトレーニングを支援するために、医療画像に多数の腫瘍例を生成する。
この章では、実データと合成データに関するAI開発についてレビューする。
ケーススタディによると、合成腫瘍で訓練されたAIは、実際のデータで訓練されたAIに匹敵する、あるいはそれ以上のパフォーマンスを達成することができる。
論文 参考訳（メタデータ） (2024-09-09T19:51:44Z) - Optimizing Synthetic Data for Enhanced Pancreatic Tumor Segmentation [1.6321136843816972]
本研究は膵腫瘍分節に対する既存の生成AIフレームワークの限界を批判的に評価する。
本研究は,合成テクストサイズとテクスト境界定義精度がモデル性能に与える影響について,一連の実験を行った。
以上の結果より,(1)合成腫瘍サイズの組み合わせを戦略的に選択することが最適セグメンテーションの結果にとって重要であること,(2)正確な境界を持つ合成腫瘍の生成がモデル精度を著しく向上すること,などが示唆された。
論文 参考訳（メタデータ） (2024-07-27T15:38:07Z) - Improving Breast Cancer Grade Prediction with Multiparametric MRI Created Using Optimized Synthetic Correlated Diffusion Imaging [71.91773485443125]
乳がん治療計画において、グレーディングは重要な役割を担っている。
現在の腫瘍グレード法では、患者から組織を抽出し、ストレス、不快感、医療費の上昇につながる。
本稿では,CDI$s$の最適化による乳癌の診断精度の向上について検討する。
論文 参考訳（メタデータ） (2024-05-13T15:48:26Z) - From Pixel to Cancer: Cellular Automata in Computed Tomography [12.524228287083888]
腫瘍合成は、医療画像に人工腫瘍を作ろうとする。
本稿では腫瘍発生をシミュレートする汎用ルールのセットを確立する。
我々は,腫瘍状態をCT画像に統合し,異なる臓器にまたがる合成腫瘍を生成する。
論文 参考訳（メタデータ） (2024-03-11T06:46:31Z) - Towards Generalizable Tumor Synthesis [48.45704270448412]
腫瘍合成は、医用画像における人工腫瘍の作成を可能にし、腫瘍の検出とセグメンテーションのためのAIモデルのトレーニングを容易にする。
本論文は, 臨界観察を生かして, 一般化可能な腫瘍合成に向けて進歩的な一歩を踏み出した。
私たちは、Diffusion Modelsのような生成AIモデルが、単一の臓器から限られた数の腫瘍例を訓練しても、様々な臓器に一般化された現実的な腫瘍を作成できることを確認した。
論文 参考訳（メタデータ） (2024-02-29T18:57:39Z) - Prediction of brain tumor recurrence location based on multi-modal
fusion and nonlinear correlation learning [55.789874096142285]
深層学習に基づく脳腫瘍再発位置予測ネットワークを提案する。
まず、パブリックデータセットBraTS 2021上で、マルチモーダル脳腫瘍セグメンテーションネットワークをトレーニングする。
次に、事前訓練されたエンコーダを、リッチなセマンティックな特徴を抽出するために、プライベートデータセットに転送する。
2つのデコーダは、現在の脳腫瘍を共同に分断し、将来の腫瘍再発位置を予測するために構築されている。
論文 参考訳（メタデータ） (2023-04-11T02:45:38Z) - Label-Free Liver Tumor Segmentation [10.851067782021902]
我々は, 合成腫瘍をCTスキャンで使用することにより, 手動によるアノテーションを必要とせずに, 肝腫瘍を正確に分類できることを示した。
私たちの合成腫瘍には、現実的な形状とテクスチャという、2つの興味深い利点があります。
私たちの合成腫瘍は、小さな(あるいは小さな)合成腫瘍の多くの例を自動的に生成することができます。
論文 参考訳（メタデータ） (2023-03-27T01:22:12Z) - Synthetic Tumors Make AI Segment Tumors Better [10.851067782021902]
我々は合成腫瘍を生成するための新しい戦略を開発した。
腫瘍は形やテクスチャがリアルで、医療従事者でも本物の腫瘍と混同できる。
私たちの合成腫瘍は、小さな腫瘍検出の成功率を向上させる可能性がある。
論文 参考訳（メタデータ） (2022-10-26T16:45:19Z) - 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) - Triplet Contrastive Learning for Brain Tumor Classification [99.07846518148494]
本稿では,脳腫瘍の深層埋め込みを直接学習する手法を提案する。
本手法は,27種類の腫瘍群からなる広範囲な脳腫瘍データセットを用いて評価し,そのうち13種は稀である。
論文 参考訳（メタデータ） (2021-08-08T11:26:34Z) - 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。