論文の概要: AutoPET III Challenge: Tumor Lesion Segmentation using ResEnc-Model Ensemble
- arxiv url: http://arxiv.org/abs/2409.13779v1
- Date: Thu, 19 Sep 2024 20:18:39 GMT
- ステータス: 処理完了
- システム内更新日: 2024-11-07 05:13:17.375125
- Title: AutoPET III Challenge: Tumor Lesion Segmentation using ResEnc-Model Ensemble
- Title（参考訳）: AutoPET III Challenge: ResEnc-Model Ensemble を用いた腫瘍病変切除
- Authors: Tanya Chutani, Saikiran Bonthu, Pranab Samanta, Nitin Singhal,
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 1.3467243219009812
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Positron Emission Tomography (PET) /Computed Tomography (CT) is crucial for diagnosing, managing, and planning treatment for various cancers. Developing reliable deep learning models for the segmentation of tumor lesions in PET/CT scans in a multi-tracer multicenter environment, is a critical area of research. Different tracers, such as Fluorodeoxyglucose (FDG) and Prostate-Specific Membrane Antigen (PSMA), have distinct physiological uptake patterns and data from different centers often vary in terms of acquisition protocols, scanner types, and patient populations. Because of this variability, it becomes more difficult to design reliable segmentation algorithms and generalization techniques due to variations in image quality and lesion detectability. To address this challenge, We trained a 3D Residual encoder U-Net within the no new U-Net framework, aiming to generalize the performance of automatic lesion segmentation of whole body PET/CT scans, across different tracers and clinical sites. Further, We explored several preprocessing techniques and ultimately settled on using the Total Segmentator to crop our training data. Additionally, we applied resampling during this process. During inference, we leveraged test-time augmentations and other post-processing techniques to enhance tumor lesion segmentation. Our team currently hold the top position in the Auto-PET III challenge and outperformed the challenge baseline model in the preliminary test set with Dice score of 0.9627.
- Abstract（参考訳）: PET (Positron Emission Tomography) /CT (Computed Tomography) は、様々ながんの診断、管理、計画に重要である。
PET/CTスキャンにおける腫瘍病変のセグメンテーションのための信頼性の高い深層学習モデルの構築は、研究の重要な領域である。
フルオロデオキシグルコース(FDG)や前立腺特異的膜抗原(PSMA)のような異なるトレーサーは、異なる中心からの異なる生理的取り込みパターンを持ち、しばしば取得プロトコル、スキャナータイプ、患者集団の点で異なる。
このような可変性のため,画像品質や病変検出性の変化により,信頼性の高いセグメンテーションアルゴリズムや一般化手法の設計が困難になる。
この課題に対処するため、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、異なるトレーサと臨床現場で全身PET/CTスキャンの自動病変セグメンテーションの性能を一般化することを目的とした。
さらに,いくつかの前処理手法を探索し,最終的にTtal Segmentatorを用いてトレーニングデータを収集することにした。
また,この過程で再サンプリングを行った。
推測では,腫瘍病変のセグメンテーションを増強するために,試験時間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。
関連論文リスト
- Sine Wave Normalization for Deep Learning-Based Tumor Segmentation in CT/PET Imaging [2.482413309706322]
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。
論文 参考訳（メタデータ） (2024-09-20T11:20:11Z) - 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) - 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) - QUBIQ: Uncertainty Quantification for Biomedical Image Segmentation Challenge [93.61262892578067]
医用画像分割作業の不確実性、特にラター間変動性は重要な課題である。
この可変性は、自動セグメンテーションアルゴリズムの開発と評価に直接影響を及ぼす。
バイオメディカル画像量化チャレンジ(QUBIQ)における不確実性の定量化のベンチマーク結果を報告する。
論文 参考訳（メタデータ） (2024-03-19T17:57:24Z) - 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) - Whole-Body Lesion Segmentation in 18F-FDG PET/CT [11.662584140924725]
提案モデルは, 全身の病変を予測するために, 2D と 3D nnUNET アーキテクチャを基礎として設計されている。
提案手法は, ダイススコア, 偽陽性ボリューム, 偽陰性ボリュームの計測値において, 病変のセグメンテーション性能を計測するAutoPet Challengeの文脈で評価する。
論文 参考訳（メタデータ） (2022-09-16T10:49:53Z) - A unified 3D framework for Organs at Risk Localization and Segmentation
for Radiation Therapy Planning [56.52933974838905]
現在の医療ワークフローは、OAR(Organs-at-risk)のマニュアル記述を必要とする
本研究は,OARローカライゼーション・セグメンテーションのための統合された3Dパイプラインの導入を目的とする。
提案手法は医用画像に固有の3Dコンテキスト情報の活用を可能にする。
論文 参考訳（メタデータ） (2022-03-01T17:08:41Z) - 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) - Spatio-spectral deep learning methods for in-vivo hyperspectral
laryngeal cancer detection [49.32653090178743]
頭頸部腫瘍の早期発見は患者の生存に不可欠である。
ハイパースペクトルイメージング(HSI)は頭頸部腫瘍の非侵襲的検出に用いられる。
HSIに基づく喉頭癌診断のための複数の深層学習手法を提案する。
論文 参考訳（メタデータ） (2020-04-21T17:07:18Z) - VerSe: A Vertebrae Labelling and Segmentation Benchmark for
Multi-detector CT Images [121.31355003451152]
大規模Vertebrae Challenge(VerSe)は、2019年と2020年に開催されたMICCAI(International Conference on Medical Image Computing and Computer Assisted Intervention)と共同で設立された。
本評価の結果を報告するとともに,脊椎レベル,スキャンレベル,および異なる視野での性能変化について検討した。
論文 参考訳（メタデータ） (2020-01-24T21:09:18Z)
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。