論文の概要: Expanding the Medical Decathlon dataset: segmentation of colon and colorectal cancer from computed tomography images

• arxiv url: http://arxiv.org/abs/2407.21516v1
• Date: Wed, 31 Jul 2024 10:36:41 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-01 18:02:39.956211
• Title: Expanding the Medical Decathlon dataset: segmentation of colon and colorectal cancer from computed tomography images
• Title（参考訳）: Medical Decathlon データセットの拡張:CT画像による大腸癌と大腸癌の分節化
• Authors: I. M. Chernenkiy, Y. A. Drach, S. R. Mustakimova, V. V. Kazantseva, N. A. Ushakov, S. K. Efetov, M. V. Feldsherov,
• Abstract要約: 大腸癌は西半球で3番目に多いがんである。 CTによる大腸癌と大腸癌の分節化は,医学における緊急の課題である。 本稿では,分類アルゴリズムの品質向上のために,大腸癌マークアップを用いたメディカルデスロンデータセットの拡張を提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Colorectal cancer is the third-most common cancer in the Western Hemisphere. The segmentation of colorectal and colorectal cancer by computed tomography is an urgent problem in medicine. Indeed, a system capable of solving this problem will enable the detection of colorectal cancer at early stages of the disease, facilitate the search for pathology by the radiologist, and significantly accelerate the process of diagnosing the disease. However, scientific publications on medical image processing mostly use closed, non-public data. This paper presents an extension of the Medical Decathlon dataset with colorectal markups in order to improve the quality of segmentation algorithms. An experienced radiologist validated the data, categorized it into subsets by quality, and published it in the public domain. Based on the obtained results, we trained neural network models of the UNet architecture with 5-part cross-validation and achieved a Dice metric quality of $0.6988 \pm 0.3$. The published markups will improve the quality of colorectal cancer detection and simplify the radiologist's job for study description.
• Abstract（参考訳）: 大腸癌は西半球で3番目に多いがんである。 CTによる大腸癌と大腸癌の分節化は,医学における緊急の課題である。 実際、この問題を解決できるシステムは、疾患の初期段階における大腸癌の検出を可能にし、放射線技師による病理検索を容易にし、疾患の診断過程を著しく加速する。 しかし、医療画像処理に関する科学出版物は、主に非公開のクローズドなデータを使用する。 本稿では,分類アルゴリズムの品質向上のために,大腸癌マークアップを用いたメディカルデスロンデータセットの拡張を提案する。 経験豊富な放射線学者がデータを検証し、それを品質でサブセットに分類し、パブリックドメインで公開した。 得られた結果から,UNetアーキテクチャのニューラルネットワークモデルを5部クロスバリデーションでトレーニングし,Diceのメトリック品質を0.6988 \pm 0.3$とした。 公表されたマークアップは、大腸癌検出の品質を改善し、研究記述のための放射線技師の仕事を簡素化する。

関連論文リスト

• Towards a Benchmark for Colorectal Cancer Segmentation in Endorectal Ultrasound Videos: Dataset and Model Development [59.74920439478643]
  本稿では,多様なERUSシナリオをカバーする最初のベンチマークデータセットを収集し,注釈付けする。 ERUS-10Kデータセットは77の動画と10,000の高解像度アノテートフレームで構成されています。 本稿では,ASTR (Adaptive Sparse-context TRansformer) という大腸癌セグメンテーションのベンチマークモデルを提案する。
  論文  参考訳（メタデータ） (2024-08-19T15:04:42Z)
• BreastRegNet: A Deep Learning Framework for Registration of Breast Faxitron and Histopathology Images [0.05454343470301196]
  本研究では,モノモーダル合成画像対に基づいて学習した深層学習に基づく画像登録手法を提案する。 モデルは、ネオアジュバント化学療法を受け、手術を受けた50人の女性のデータを用いて訓練された。
  論文  参考訳（メタデータ） (2024-01-18T08:23:29Z)
• Image Synthesis-based Late Stage Cancer Augmentation and Semi-Supervised Segmentation for MRI Rectal Cancer Staging [9.992841347751332]
  本研究の目的は, 胸部, 直腸, 直腸の領域を分節し, 組織学的にT期を予測できることである。 アブレーション研究では, 半教師付き学習アプローチでTスタージング損失は0.13。
  論文  参考訳（メタデータ） (2023-12-08T01:36:24Z)
• Cancer-Net PCa-Data: An Open-Source Benchmark Dataset for Prostate Cancer Clinical Decision Support using Synthetic Correlated Diffusion Imaging Data [75.77035221531261]
  Cancer-Net PCa-Dataは、PCa患者の画像データであるボリュームCDI$s$のオープンソースベンチマークデータセットである。 Cancer-Net PCa-Dataは、PCa用のCDI$s$画像データの最初の公開データセットである。
  論文  参考訳（メタデータ） (2023-11-20T10:28:52Z)
• CARE: A Large Scale CT Image Dataset and Clinical Applicable Benchmark Model for Rectal Cancer Segmentation [8.728236864462302]
  CT画像の直腸癌セグメンテーションは、タイムリーな臨床診断、放射線治療、経過観察において重要な役割を担っている。 これらの障害は直腸の複雑な解剖学的構造と直腸癌の鑑別診断の困難から生じる。 これらの課題に対処するため,本研究では,正常直腸と癌直腸の両方にピクセルレベルのアノテーションを付加した,新しい大規模直腸癌CT画像データセットCAREを導入する。 また,U-SAMと命名された新しい癌病変セグメンテーションベンチマークモデルを提案する。 このモデルは、迅速な情報を取り入れることで、腹部器官の複雑な解剖学的構造によって引き起こされる課題に対処するように設計されている。
  論文  参考訳（メタデータ） (2023-08-16T10:51:27Z)
• Centroid-aware feature recalibration for cancer grading in pathology images [1.3416507206206674]
  本稿では,癌診断を高精度かつロバストに行うセンチロイド対応機能再校正ネットワークを提案する。 提案するネットワークは, 入力病理画像を埋め込み空間にマッピングし, 異なるがんグレードのベクターを組み込んで調整する。 異なる環境下で収集された大腸癌データセットを用いて,提案したネットワークの評価を行った。
  論文  参考訳（メタデータ） (2023-07-26T04:01:57Z)
• A Multi-Institutional Open-Source Benchmark Dataset for Breast Cancer Clinical Decision Support using Synthetic Correlated Diffusion Imaging Data [82.74877848011798]
  Cancer-Net BCaは、乳がん患者の画像データであるボリュームCDI$s$の複数機関のオープンソースベンチマークデータセットである。 Cancer-Net BCaは、機械学習の進歩を加速し、がんと戦う臨床医を助ける、グローバルなオープンソースイニシアチブの一部として、一般公開されている。
  論文  参考訳（メタデータ） (2023-04-12T05:41:44Z)
• Generative Residual Attention Network for Disease Detection [51.60842580044539]
  本稿では, 条件付き生成逆学習を用いたX線疾患発生のための新しいアプローチを提案する。 我々は,患者の身元を保存しながら,対象領域に対応する放射線画像を生成する。 次に、ターゲット領域で生成されたX線画像を用いてトレーニングを増強し、検出性能を向上させる。
  論文  参考訳（メタデータ） (2021-10-25T14:15:57Z)
• Topological Data Analysis of copy number alterations in cancer [70.85487611525896]
  癌ゲノム情報に含まれる情報を新しいトポロジに基づくアプローチで捉える可能性を探る。 本手法は, 癌体性遺伝データに有意な低次元表現を抽出する可能性を秘めている。
  論文  参考訳（メタデータ） (2020-11-22T17:31:23Z)
• Hierarchical Classification of Pulmonary Lesions: A Large-Scale Radio-Pathomics Study [38.78350161086617]
  CTによる肺病変の診断は重要であるが,肺癌関連疾患の臨床的判断には困難である。 深層学習は肺がんに対するコンピュータ支援診断 (CADx) 領域において大きな成功を収めているが, 放射線診断の困難さからラベルの曖昧さに悩まされている。 本研究は, 侵襲的病理解析が肺がん診断の黄金基準となっていることを考慮し, 大規模放射線病的データセットを用いてラベルあいまいさを解消する。 この振り返りデータセットはPentral-RadPathと呼ばれ、高精度なディープラーニングシステムの開発と検証により、非侵襲的な病理組織ラベルを予測できる。
  論文  参考訳（メタデータ） (2020-10-08T15:14:34Z)
• Gleason Grading of Histology Prostate Images through Semantic Segmentation via Residual U-Net [60.145440290349796]
  前立腺癌の最終診断は、病理学者による前立腺生検におけるGleasonパターンの視覚的検出に基づいている。 コンピュータ支援診断システムは、組織内のがんのパターンを分類し分類することができる。 この研究の方法論的核心は、がん組織を分節できる残留ブロックで修正された画像分割のためのU-Net畳み込みニューラルネットワークである。
  論文  参考訳（メタデータ） (2020-05-22T19:49:10Z)

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。