論文の概要: Towards a Benchmark for Colorectal Cancer Segmentation in Endorectal Ultrasound Videos: Dataset and Model Development

• arxiv url: http://arxiv.org/abs/2408.10067v1
• Date: Mon, 19 Aug 2024 15:04:42 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-20 15:52:57.625439
• Title: Towards a Benchmark for Colorectal Cancer Segmentation in Endorectal Ultrasound Videos: Dataset and Model Development
• Title（参考訳）: 直腸超音波画像における大腸癌切除の基準化に向けて:データセットとモデル開発
• Authors: Yuncheng Jiang, Yiwen Hu, Zixun Zhang, Jun Wei, Chun-Mei Feng, Xuemei Tang, Xiang Wan, Yong Liu, Shuguang Cui, Zhen Li,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 59.74920439478643
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Endorectal ultrasound (ERUS) is an important imaging modality that provides high reliability for diagnosing the depth and boundary of invasion in colorectal cancer. However, the lack of a large-scale ERUS dataset with high-quality annotations hinders the development of automatic ultrasound diagnostics. In this paper, we collected and annotated the first benchmark dataset that covers diverse ERUS scenarios, i.e. colorectal cancer segmentation, detection, and infiltration depth staging. Our ERUS-10K dataset comprises 77 videos and 10,000 high-resolution annotated frames. Based on this dataset, we further introduce a benchmark model for colorectal cancer segmentation, named the Adaptive Sparse-context TRansformer (ASTR). ASTR is designed based on three considerations: scanning mode discrepancy, temporal information, and low computational complexity. For generalizing to different scanning modes, the adaptive scanning-mode augmentation is proposed to convert between raw sector images and linear scan ones. For mining temporal information, the sparse-context transformer is incorporated to integrate inter-frame local and global features. For reducing computational complexity, the sparse-context block is introduced to extract contextual features from auxiliary frames. Finally, on the benchmark dataset, the proposed ASTR model achieves a 77.6% Dice score in rectal cancer segmentation, largely outperforming previous state-of-the-art methods.
• Abstract（参考訳）: 直腸超音波(ERUS)は大腸癌の浸潤深度と境界の診断に高い信頼性を提供する重要な画像モダリティである。 しかし、高品質なアノテーションを備えた大規模なERUSデータセットが欠如しているため、自動超音波診断の開発が妨げられる。 本稿では,大腸癌の分節,検出,浸潤深度ステージングなど,さまざまな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,注釈した。 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。 このデータセットに基づいて,Adaptive Sparse-context TRansformer (ASTR) 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導入する。 ASTRはスキャンモードの相違、時間情報、計算複雑性の3つの考慮に基づいて設計されている。 異なる走査モードに一般化するために、原セクター画像と線形走査モードを変換する適応走査モード拡張を提案する。 時間情報のマイニングには、フレーム間の局所的特徴とグローバル的特徴を統合するためにスパースコンテキスト変換器が組み込まれている。 計算複雑性を低減するため、スパースコンテキストブロックを導入し、補助フレームからコンテキスト特徴を抽出する。 最終的に、ベンチマークデータセット上で、提案されたASTRモデルは、直腸がんセグメンテーションにおける77.6%のDiceスコアを達成し、従来の最先端の手法よりも大幅に向上した。

関連論文リスト

• 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)
• Revisiting Computer-Aided Tuberculosis Diagnosis [56.80999479735375]
  結核(TB)は世界的な健康上の脅威であり、毎年何百万人もの死者を出している。 深層学習を用いたコンピュータ支援結核診断 (CTD) は有望であるが, 限られたトレーニングデータによって進行が妨げられている。 結核X線(TBX11K)データセットは11,200個の胸部X線(CXR)画像とそれに対応するTB領域のバウンディングボックスアノテーションを含む。 このデータセットは、高品質なCTDのための洗練された検出器のトレーニングを可能にする。
  論文  参考訳（メタデータ） (2023-07-06T08:27:48Z)
• High-Fidelity Image Synthesis from Pulmonary Nodule Lesion Maps using Semantic Diffusion Model [10.412300404240751]
  肺がんは、長年にわたり、世界中でがん関連の死因の1つとなっている。 ディープラーニング、学習アルゴリズムに基づくコンピュータ支援診断(CAD)モデルは、スクリーニングプロセスを加速することができる。 しかし、堅牢で正確なモデルを開発するには、しばしば高品質なアノテーションを備えた大規模で多様な医療データセットが必要である。
  論文  参考訳（メタデータ） (2023-05-02T01:04:22Z)
• Multi Kernel Positional Embedding ConvNeXt for Polyp Segmentation [7.31341312596412]
  本稿では,ConvNeXtバックボーンとMulti Kernel Positional Embeddingブロックで構成される新しいフレームワークを提案する。 我々のモデルは,Kvasir-SEGデータセット上でのDice係数0.8818とIOUスコア0.8163を達成する。
  論文  参考訳（メタデータ） (2023-01-17T03:12:57Z)
• PrepNet: A Convolutional Auto-Encoder to Homogenize CT Scans for Cross-Dataset Medical Image Analysis [0.22485007639406518]
  新型コロナウイルスの診断はPCR検査で効率的に行えるようになったが、このユースケースは、データの多様性を克服する方法論の必要性を実証するものだ。 本稿では,CTスキャンに最小限の変更を同時に導入しながら,イメージング技術によって引き起こされる差を解消することを目的とした,新しい生成手法を提案する。
  論文  参考訳（メタデータ） (2022-08-19T15:49:47Z)
• Computer-aided Tuberculosis Diagnosis with Attribute Reasoning Assistance [58.01014026139231]
  新しい大規模結核(TB)胸部X線データセット(TBX-Att)を提案する。 属性情報を利用してTBの分類とローカライズを行うための属性支援弱教師付きフレームワークを構築した。 提案モデルはTBX-Attデータセットで評価され,今後の研究の確かなベースラインとして機能する。
  論文  参考訳（メタデータ） (2022-07-01T07:50:35Z)
• Preservation of High Frequency Content for Deep Learning-Based Medical Image Classification [74.84221280249876]
  大量の胸部ラジオグラフィーの効率的な分析は、医師や放射線技師を助けることができる。 本稿では,視覚情報の効率的な識別と符号化のための離散ウェーブレット変換(DWT)を提案する。
  論文  参考訳（メタデータ） (2022-05-08T15:29:54Z)
• Improving Classification Model Performance on Chest X-Rays through Lung Segmentation [63.45024974079371]
  本稿では, セグメンテーションによる異常胸部X線(CXR)識別性能を向上させるための深層学習手法を提案する。 提案手法は,CXR画像中の肺領域を局所化するための深層ニューラルネットワーク(XLSor)と,大規模CXRデータセットで事前学習した自己教師あり運動量コントラスト(MoCo)モデルのバックボーンを用いたCXR分類モデルである。
  論文  参考訳（メタデータ） (2022-02-22T15:24:06Z)
• Fader Networks for domain adaptation on fMRI: ABIDE-II study [68.5481471934606]
  我々は3次元畳み込みオートエンコーダを用いて、無関係な空間画像表現を実現するとともに、ABIDEデータ上で既存のアプローチより優れていることを示す。
  論文  参考訳（メタデータ） (2020-10-14T16:50:50Z)

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。