Fugu-MT 論文翻訳(概要): Interactive 3D Segmentation for Primary Gross Tumor Volume in Oropharyngeal Cancer

論文の概要: Interactive 3D Segmentation for Primary Gross Tumor Volume in Oropharyngeal Cancer

arxiv url: http://arxiv.org/abs/2409.06605v1
Date: Tue, 10 Sep 2024 15:58:21 GMT
ステータス: 処理完了
システム内更新日: 2024-09-11 16:59:09.643474
Title: Interactive 3D Segmentation for Primary Gross Tumor Volume in Oropharyngeal Cancer
Title（参考訳）: 口腔咽頭癌の原発性Gross腫瘍容積に対するインタラクティブ3次元切開術
Authors: Mikko Saukkoriipi, Jaakko Sahlsten, Joel Jaskari, Lotta Orasmaa, Jari Kangas, Nastaran Rasouli, Roope Raisamo, Jussi Hirvonen, Helena Mehtonen, Jorma Järnstedt, Antti Mäkitie, Mohamed Naser, Clifton Fuller, Benjamin Kann, Kimmo Kaski,
Abstract要約: 我々は最先端のアルゴリズムを実装し、新しい2段階のインタラクティブ・クリック・リファインメント・フレームワークを提案する。 2S-ICRフレームワークは、ユーザインタラクションのないDiceの類似係数0.713$pm$0.152と、5つのインタラクション後の0.824$pm$0.099を達成し、どちらの場合も既存の手法よりも優れている。
参考スコア（独自算出の注目度）: 1.9997842016096374
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The main treatment modality for oropharyngeal cancer (OPC) is radiotherapy, where accurate segmentation of the primary gross tumor volume (GTVp) is essential. However, accurate GTVp segmentation is challenging due to significant interobserver variability and the time-consuming nature of manual annotation, while fully automated methods can occasionally fail. An interactive deep learning (DL) model offers the advantage of automatic high-performance segmentation with the flexibility for user correction when necessary. In this study, we examine interactive DL for GTVp segmentation in OPC. We implement state-of-the-art algorithms and propose a novel two-stage Interactive Click Refinement (2S-ICR) framework. Using the 2021 HEad and neCK TumOR (HECKTOR) dataset for development and an external dataset from The University of Texas MD Anderson Cancer Center for evaluation, the 2S-ICR framework achieves a Dice similarity coefficient of 0.713 $\pm$ 0.152 without user interaction and 0.824 $\pm$ 0.099 after five interactions, outperforming existing methods in both cases.
Abstract（参考訳）: 口腔咽頭癌(OPC)に対する治療は放射線療法が中心であり,原発性大網腫瘍容積(GTVp)の正確なセグメンテーションが重要である。しかし、正確なGTVpセグメンテーションは、大きなオブザーバ間のばらつきと手動アノテーションの時間的特性のために困難であり、完全に自動化されたメソッドは時折失敗することがある。対話型ディープラーニング(DL)モデルでは,自動高性能セグメンテーションの利点と,必要に応じてユーザ修正の柔軟性が期待できる。本研究では,OPCにおけるGTVpセグメンテーションのための対話型DLについて検討した。我々は最先端のアルゴリズムを実装し、新しい2段階のインタラクティブ・クリック・リファインメント(Interactive Click Refinement, 2S-ICR)フレームワークを提案する。 2021年のHead and neCK Tumor(HECKTOR)データセットとThe University of Texas MD Anderson Cancer Centerの外部データセットを使用して評価を行い、2S-ICRフレームワークはユーザインタラクションなしでDiceの類似度係数0.713$\pm$0.152、インタラクション後の0.824$\pm$0.099を達成し、両方のケースで既存のメソッドを上回った。

関連論文リスト

Two Stage Segmentation of Cervical Tumors using PocketNet [0.32985979395737786]
この研究は、新しいディープラーニングモデル(PocketNet)を用いて、T2w MRI上の頸部、血管、子宮、腫瘍を分割した。 PocketNetはDice-Sorensen類似度係数 (DSC) を70%以上, 臓器分節率 (80%) で達成した。
論文参考訳（メタデータ） (2024-09-17T17:48:12Z)
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)
TotalSegmentator MRI: Sequence-Independent Segmentation of 59 Anatomical Structures in MR images [62.53931644063323]
本研究では,TotalSegmentatorをMR画像に拡張した。このデータセットに基づいてnnU-Netセグメンテーションアルゴリズムを訓練し、類似度係数(Dice)を計算し、モデルの性能を評価した。このモデルは、他の2つの公開セグメンテーションモデル(Dice score 0.824 vs 0.762; p0.001 and 0.762 versus 0.542; p)を大きく上回った。
論文参考訳（メタデータ） (2024-05-29T20:15:54Z)
Automated Prediction of Breast Cancer Response to Neoadjuvant Chemotherapy from DWI Data [2.321323878201932]
そこで本研究では,DWI腫瘍の自動分割のための「サイズ適応病変重み付け」を用いた深層学習モデルを提案する。我々のモデルは、pCR予測における人間専門家と、曲線(AUC)の0.76対0.796の領域とを一致させ、NAC中の標準自動化手法を上回ります。
論文参考訳（メタデータ） (2024-04-07T20:15:40Z)
Application of the nnU-Net for automatic segmentation of lung lesion on CT images, and implication on radiomic models [1.8231394717039833]
非小細胞肺癌患者のCT画像にディープラーニング自動分画法を適用した。生存放射線モデルの性能評価において,手動と自動セグメンテーションの併用も検討した。
論文参考訳（メタデータ） (2022-09-24T15:04:23Z)
CNN-based fully automatic wrist cartilage volume quantification in MR Image [55.41644538483948]
追加の注意層を持つU-net畳み込みニューラルネットワークは、最高の手首軟骨分割性能を提供する。非MRI法を用いて軟骨体積測定の誤差を独立に評価すべきである。
論文参考訳（メタデータ） (2022-06-22T14:19:06Z)
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)
Multimodal PET/CT Tumour Segmentation and Prediction of Progression-Free Survival using a Full-Scale UNet with Attention [0.8138288420049126]
MICCAI 2021 ヘッドとネックタマ (HECKTOR) セグメンテーションと結果予測の課題は、セグメンテーション法を比較するためのプラットフォームを作成する。腫瘍容積セグメンテーションのために複数のニューラルネットワークを訓練し,これらのセグメンテーションを組込み,平均Dice類似度係数0.75をクロスバリデーションで達成した。患者進行自由生存の予測のために,臨床,放射線学,深層学習機能を組み合わせたCox比例的ハザード回帰法を提案する。
論文参考訳（メタデータ） (2021-11-06T10:28:48Z)
Systematic Clinical Evaluation of A Deep Learning Method for Medical Image Segmentation: Radiosurgery Application [48.89674088331313]
3次元医用画像分割作業において,Deep Learning (DL) 手法を体系的に評価した。本手法は放射線外科治療プロセスに統合され,臨床ワークフローに直接影響を及ぼす。
論文参考訳（メタデータ） (2021-08-21T16:15:40Z)
Covariance Self-Attention Dual Path UNet for Rectal Tumor Segmentation [5.161531917413708]
CSA-DPUNet(Covariance Self-Attention Dual Path UNet)を提案する。 CSA-DPUNetは15.31%、7.2%、7.2%、11.8%、9.5%のDice係数、P、R、F1をそれぞれ改善している。
論文参考訳（メタデータ） (2020-11-04T08:01:19Z)
Segmentation of the Myocardium on Late-Gadolinium Enhanced MRI based on 2.5 D Residual Squeeze and Excitation Deep Learning Model [55.09533240649176]
本研究の目的は,LGE-MRIを用いた心筋境界領域の深部学習モデルに基づく正確な自動セグメンテーション法を開発することである。合計320回の試験(平均6回の試験)と28回の試験が行われた。ベーススライスとミドルスライスにおけるアンサンブルモデルの性能解析は, サーバ内調査と同等であり, アトピーススライスではわずかに低かった。
論文参考訳（メタデータ） (2020-05-27T20:44:38Z)

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。