Fugu-MT 論文翻訳(概要): Sine Wave Normalization for Deep Learning-Based Tumor Segmentation in CT/PET Imaging

論文の概要: Sine Wave Normalization for Deep Learning-Based Tumor Segmentation in CT/PET Imaging

arxiv url: http://arxiv.org/abs/2409.13410v1
Date: Fri, 20 Sep 2024 11:20:11 GMT
ステータス: 処理完了
システム内更新日: 2024-11-07 07:17:49.112093
Title: Sine Wave Normalization for Deep Learning-Based Tumor Segmentation in CT/PET Imaging
Title（参考訳）: CT/PET画像における深層学習による腫瘍分節の正弦波正規化
Authors: Jintao Ren, Muheng Li, Stine Sofia Korreman,
Abstract要約: 本報告では, オートPETIIIチャレンジのために開発されたCT/PETスキャンにおける腫瘍自動分節の正規化ブロックについて述べる。 SineNormalはPETデータに周期的な正弦変換を適用して病変検出を強化する。
参考スコア（独自算出の注目度）: 2.482413309706322
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: This report presents a normalization block for automated tumor segmentation in CT/PET scans, developed for the autoPET III Challenge. The key innovation is the introduction of the SineNormal, which applies periodic sine transformations to PET data to enhance lesion detection. By highlighting intensity variations and producing concentric ring patterns in PET highlighted regions, the model aims to improve segmentation accuracy, particularly for challenging multitracer PET datasets. The code for this project is available on GitHub (https://github.com/BBQtime/Sine-Wave-Normalization-for-Deep-Learning-Based-Tumor-Segmentation-in-CT -PET).
Abstract（参考訳）: 本報告では, オートPETIIIチャレンジのために開発されたCT/PETスキャンにおける腫瘍分離の正常化ブロックについて述べる。 SineNormalはPETデータに周期的な正弦変換を適用して病変検出を強化する。 PET強調領域における強度の変化を強調し、同心リングパターンを生成することにより、特にマルチトラックPETデータセットに挑戦するセグメンテーション精度を向上させることを目的としている。プロジェクトのコードはGitHubで公開されている(https://github.com/BBQtime/Sine-Wave-Normalization-for-Deep-Learning-Based-Tumor-Segmentation-in-CT -PET)。

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: 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)
From FDG to PSMA: A Hitchhiker's Guide to Multitracer, Multicenter Lesion Segmentation in PET/CT Imaging [0.9384264274298444]
本稿では,ResEncL アーキテクチャを用いた nnU-Net フレームワークを用いたマルチトラス,マルチセンタの一般化を目的とした AutoPET III チャレンジの解決策を提案する。主なテクニックは、CT、MR、PETデータセット間での誤調整データ拡張とマルチモーダル事前トレーニングである。 Diceスコアが57.61となったデフォルトのnnU-Netと比較して、Diceスコアが68.40であり、偽陽性(FPvol: 7.82)と偽陰性(FNvol: 10.35)が減少している。
論文参考訳（メタデータ） (2024-09-14T16:39:17Z)
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)
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)
TriDo-Former: A Triple-Domain Transformer for Direct PET Reconstruction from Low-Dose Sinograms [45.24575167909925]
TriDoFormerは、シングラム、画像、周波数の3つのドメインを結合して直接再構成するトランスフォーマーベースのモデルである。最先端の手法を質的に、定量的に上回る。 GFPは、周波数領域の周波数成分を調整するための学習可能な周波数フィルタとして機能し、ネットワークに高周波の詳細を復元させる。
論文参考訳（メタデータ） (2023-08-10T06:20:00Z)
PulseNet: Deep Learning ECG-signal classification using random augmentation policy and continous wavelet transform for canines [46.09869227806991]
犬心電図(ECG)の評価には熟練した獣医が必要である。心電図の解釈と診断支援のための獣医師の現在の利用状況は限られている。犬の心電図配列を正常または異常と分類するためのディープ畳み込みニューラルネットワーク(CNN)アプローチを実装した。
論文参考訳（メタデータ） (2023-05-17T09:06:39Z)
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)
Automatic size and pose homogenization with spatial transformer network to improve and accelerate pediatric segmentation [51.916106055115755]
空間変換器ネットワーク(STN)を利用することにより、ポーズとスケール不変の新たなCNNアーキテクチャを提案する。私たちのアーキテクチャは、トレーニング中に一緒に見積もられる3つのシーケンシャルモジュールで構成されています。腹部CTスキャナーを用いた腎および腎腫瘍の分節法について検討した。
論文参考訳（メタデータ） (2021-07-06T14:50:03Z)
Revisiting 3D Context Modeling with Supervised Pre-training for Universal Lesion Detection in CT Slices [48.85784310158493]
CTスライスにおける普遍的病変検出のための3Dコンテキスト強化2D特徴を効率的に抽出するための修飾擬似3次元特徴ピラミッドネットワーク(MP3D FPN)を提案する。新たな事前学習手法により,提案したMP3D FPNは,DeepLesionデータセット上での最先端検出性能を実現する。提案された3Dプリトレーニングウェイトは、他の3D医療画像分析タスクのパフォーマンスを高めるために使用できる。
論文参考訳（メタデータ） (2020-12-16T07:11:16Z)

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。