論文の概要: Data-Centric Strategies for Overcoming PET/CT Heterogeneity: Insights from the AutoPET III Lesion Segmentation Challenge
- arxiv url: http://arxiv.org/abs/2409.10120v1
- Date: Mon, 16 Sep 2024 09:32:04 GMT
- ステータス: 処理完了
- システム内更新日: 2024-09-17 16:09:48.740195
- Title: Data-Centric Strategies for Overcoming PET/CT Heterogeneity: Insights from the AutoPET III Lesion Segmentation Challenge
- Title（参考訳）: PET/CT不均一性克服のためのデータ中心戦略:AutoPET III病変分割チャレンジから
- Authors: Balint Kovacs, Shuhan Xiao, Maximilian Rokuss, Constantin Ulrich, Fabian Isensee, Klaus H. Maier-Hein,
- Abstract要約: 第3のAutoPETチャレンジは、今年新たにデータ中心のタスクを導入した。
この課題は、PET/CT画像の転移性病変セグメンテーションの改善に焦点を移した。
PET/CT画像の特徴に合わせてセグメンテーション性能を向上させる手法を開発した。
- 参考スコア（独自算出の注目度）: 0.9854844969061186
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The third autoPET challenge introduced a new data-centric task this year, shifting the focus from model development to improving metastatic lesion segmentation on PET/CT images through data quality and handling strategies. In response, we developed targeted methods to enhance segmentation performance tailored to the characteristics of PET/CT imaging. Our approach encompasses two key elements. First, to address potential alignment errors between CT and PET modalities as well as the prevalence of punctate lesions, we modified the baseline data augmentation scheme and extended it with misalignment augmentation. This adaptation aims to improve segmentation accuracy, particularly for tiny metastatic lesions. Second, to tackle the variability in image dimensions significantly affecting the prediction time, we implemented a dynamic ensembling and test-time augmentation (TTA) strategy. This method optimizes the use of ensembling and TTA within a 5-minute prediction time limit, effectively leveraging the generalization potential for both small and large images. Both of our solutions are designed to be robust across different tracers and institutional settings, offering a general, yet imaging-specific approach to the multi-tracer and multi-institutional challenges of the competition. We made the challenge repository with our modifications publicly available at \url{https://github.com/MIC-DKFZ/miccai2024_autopet3_datacentric}.
- Abstract（参考訳）: 第3のオートPETチャレンジは、新しいデータ中心タスクを導入し、モデル開発からデータ品質と処理戦略を通じてPET/CT画像の転移性病変セグメンテーションの改善へと焦点を移した。
そこで本研究では,PET/CT画像の特徴に合わせてセグメンテーション性能を向上させる手法を開発した。
私たちのアプローチには2つの重要な要素があります。
まず,CTとPETのアライメントの誤差と穿刺病変の有病率に対処するため,ベースラインデータ拡張スキームを改良し,誤修正を伴って拡張した。
この適応は、特に小さな転移性病変に対して、セグメンテーションの精度を改善することを目的としている。
第2に,画像次元の変動が予測時間に大きく影響することを示すため,動的エンハンブル・テスト時間拡張(TTA)戦略を実装した。
本手法は,5分間の予測時間制限内でのアンサンブルとTTAの使用を最適化し,小型画像と大型画像の両方に対する一般化ポテンシャルを効果的に活用する。
どちらのソリューションも、さまざまなトレーサや制度的な設定にまたがって堅牢に設計されています。
私たちは課題リポジトリを公開し、変更点を \url{https://github.com/MIC-DKFZ/miccai2024_autopet3_datacentric} で公開しました。
関連論文リスト
- AutoPET III Challenge: Tumor Lesion Segmentation using ResEnc-Model Ensemble [1.3467243219009812]
我々は,新しいU-Netフレームワーク内で3次元残留エンコーダU-Netを訓練し,自動病変分割の性能を一般化した。
腫瘍病変のセグメンテーションを増強するために,テストタイム増強や他の後処理技術を利用した。
現在、私たちのチームはAuto-PET IIIチャレンジでトップの地位にあり、Diceスコア0.9627の予備テストセットでチャレンジベースラインモデルを上回っています。
論文 参考訳（メタデータ） (2024-09-19T20:18:39Z) - AutoPET III Challenge: PET/CT Semantic Segmentation [0.4905104543244113]
PET/CT画像におけるセグメント病変に対する2段階の深層学習手法を,AutoPET IIIチャレンジのために実装した。
最初の段階では、DynUNetモデルを使用して、広い関心領域を識別する粗いセグメンテーションを行った。
第2ステージでは、SwinUNETR、SegResNet、UNetモデルのアンサンブルを使用して、このセグメンテーションを改良した。
論文 参考訳（メタデータ） (2024-09-19T17:45:17Z) - Autopet III challenge: Incorporating anatomical knowledge into nnUNet for lesion segmentation in PET/CT [4.376648893167674]
AutoPET III ChallengeはPET/CT画像における腫瘍病変の自動切除の進歩に焦点を当てている。
我々は,PETスキャンの最大強度投影に基づいて,与えられたPET/CTのトレーサを識別する分類器を開発した。
我々の最終提出書は、公開可能なFDGおよびPSMAデータセットに対して76.90%と61.33%のクロスバリデーションDiceスコアを達成している。
論文 参考訳（メタデータ） (2024-09-18T17:16:57Z) - Enhancing Lesion Segmentation in PET/CT Imaging with Deep Learning and Advanced Data Preprocessing Techniques [2.4549652987344546]
本研究は,PET/CT画像における病変セグメンテーションの深層学習を用いた。
我々の方法論的アプローチは、モデルの堅牢性と一般化性を保証するために、ロバストな前処理とデータ拡張技術を含む。
本研究はPET/CT画像における前処理および拡張戦略の標準化に寄与することを目的としている。
論文 参考訳（メタデータ） (2024-09-15T16:27:34Z) - AutoPET Challenge: Tumour Synthesis for Data Augmentation [26.236831356731017]
我々は,CT画像のためのDiffTumor法を適用し,病変のあるPET-CT画像を生成する。
提案手法では,AutoPETデータセット上で生成モデルをトレーニングし,トレーニングデータの拡張に使用する。
以上の結果から,拡張データセットでトレーニングしたモデルでは,Diceスコアが向上し,データ拡張アプローチの可能性が示された。
論文 参考訳（メタデータ） (2024-09-12T14:23:19Z) - 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) - Contrastive Diffusion Model with Auxiliary Guidance for Coarse-to-Fine
PET Reconstruction [62.29541106695824]
本稿では, 粗い予測モジュール (CPM) と反復的修正モジュール (IRM) から構成される粗大なPET再構成フレームワークを提案する。
計算オーバーヘッドの大部分をCPMに委譲することで,本手法のサンプリング速度を大幅に向上させることができる。
2つの追加戦略、すなわち補助的な誘導戦略と対照的な拡散戦略が提案され、再構築プロセスに統合される。
論文 参考訳（メタデータ） (2023-08-20T04:10:36Z) - 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) - Cross-Site Severity Assessment of COVID-19 from CT Images via Domain
Adaptation [64.59521853145368]
CT画像によるコロナウイルス病2019(COVID-19)の早期かつ正確な重症度評価は,集中治療単位のイベント推定に有効である。
ラベル付きデータを拡張し、分類モデルの一般化能力を向上させるためには、複数のサイトからデータを集約する必要がある。
この課題は、軽度の感染症と重度の感染症の集団不均衡、部位間のドメイン分布の相違、不均一な特徴の存在など、いくつかの課題に直面する。
論文 参考訳（メタデータ） (2021-09-08T07:56:51Z) - An Uncertainty-Driven GCN Refinement Strategy for Organ Segmentation [53.425900196763756]
本研究では,不確実性解析とグラフ畳み込みネットワークに基づくセグメンテーション改善手法を提案する。
半教師付きグラフ学習問題を定式化するために、特定の入力ボリュームにおける畳み込みネットワークの不確実性レベルを用いる。
本手法は膵臓で1%,脾臓で2%向上し,最先端のCRF改善法よりも優れていた。
論文 参考訳（メタデータ） (2020-12-06T18:55:07Z) - Inf-Net: Automatic COVID-19 Lung Infection Segmentation from CT Images [152.34988415258988]
CT画像からの肺感染症の自動検出は、新型コロナウイルスに対処するための従来の医療戦略を強化する大きな可能性を秘めている。
CTスライスから感染領域を分割することは、高い感染特性の変化、感染と正常な組織の間の低強度のコントラストなど、いくつかの課題に直面している。
これらの課題に対処するため, 胸部CTスライスから感染部位を自動的に同定する, 新型のCOVID-19 Deep Lung infection Network (Inf-Net) が提案されている。
論文 参考訳（メタデータ） (2020-04-22T07:30:56Z)
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。