Fugu-MT 論文翻訳(概要): AutoPETIII: The Tracer Frontier. What Frontier?

論文の概要: AutoPETIII: The Tracer Frontier. What Frontier?

arxiv url: http://arxiv.org/abs/2410.02807v1
Date: Thu, 19 Sep 2024 13:26:31 GMT
ステータス: 処理完了
システム内更新日: 2024-11-03 05:44:23.548905
Title: AutoPETIII: The Tracer Frontier. What Frontier?
Title（参考訳）: AutoPETIII: The Tracer Frontier. What Frontier?
Authors: Zacharia Mesbah, Léo Mottay, Romain Modzelewski, Pierre Decazes, Sébastien Hapdey, Su Ruan, Sébastien Thureau,
Abstract要約: 今年のエディションは、PET/CTスキャンで病変のセグメンテーションを実行できる完全自動アルゴリズムを開発することを目的としている。我々は,nnUNetv2フレームワークを用いて,完全自動PET/CT病変分割を行うために,モデルの6倍アンサンブルの2セットをトレーニングした。
参考スコア（独自算出の注目度）: 1.1936126505067601
License: http://creativecommons.org/licenses/by/4.0/
Abstract: For the last three years, the AutoPET competition gathered the medical imaging community around a hot topic: lesion segmentation on Positron Emitting Tomography (PET) scans. Each year a different aspect of the problem is presented; in 2024 the multiplicity of existing and used tracers was at the core of the challenge. Specifically, this year's edition aims to develop a fully automatic algorithm capable of performing lesion segmentation on a PET/CT scan, without knowing the tracer, which can either be a FDG or PSMA-based tracer. In this paper we describe how we used the nnUNetv2 framework to train two sets of 6 fold ensembles of models to perform fully automatic PET/CT lesion segmentation as well as a MIP-CNN to choose which set of models to use for segmentation.
Abstract（参考訳）: 過去3年間、AutoPETコンペティションは、Positron Emitting Tomography(PET)スキャンの病変セグメンテーションというホットな話題を中心に、医療画像コミュニティを集めてきた。 2024年、既存のトレーサと使用されているトレーサの重複が問題の中心であった。特に、今年の版では、FDGまたはPSMAベースのトレーサであるトレーサを知らずにPET/CTスキャンで病変のセグメンテーションを実行することができる完全自動アルゴリズムを開発することを目的としている。本稿では, nnUNetv2 フレームワークを用いて, 完全自動PET/CT病変分割と MIP-CNN を用いて, セグメンテーションに使用するモデルのセットを選択する方法について述べる。

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)
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)
Self-calibrated convolution towards glioma segmentation [45.74830585715129]
我々は,nnU-Netネットワークの異なる部分における自己校正畳み込みを評価し,スキップ接続における自己校正加群が,拡張腫瘍と腫瘍コアセグメンテーションの精度を大幅に向上できることを示す。
論文参考訳（メタデータ） (2024-02-07T19:51:13Z)
A mirror-Unet architecture for PET/CT lesion segmentation [0.0]
本論文では,2つのUNet-3Dブランチの組み合わせに基づいて,腫瘍病変の分節化を目的とした深層学習手法を提案する。私たちはAutoPET MICCAI 2023 Challengeデータセットでネットワークをトレーニングし、検証した。
論文参考訳（メタデータ） (2023-09-23T15:13:48Z)
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)
AutoPET Challenge 2022: Step-by-Step Lesion Segmentation in Whole-body FDG-PET/CT [0.0]
この問題に対処する新しいステップバイステップ3Dセグメンテーション法を提案する。予備試験では,Diceスコア0.92,偽陽性ボリューム0.89,偽陰ボリューム0.53を達成した。
論文参考訳（メタデータ） (2022-09-04T13:49:26Z)
CyTran: A Cycle-Consistent Transformer with Multi-Level Consistency for Non-Contrast to Contrast CT Translation [56.622832383316215]
コントラストCTを非コントラストCTに変換する手法を提案する。提案手法は、CyTranを略して、サイクル一貫性のある生成逆転変換器に基づいている。実験の結果、CyTranは競合するすべての手法より優れています。
論文参考訳（メタデータ） (2021-10-12T23:25:03Z)
Interactive Segmentation for COVID-19 Infection Quantification on Longitudinal CT scans [40.721386089781895]
病状進行と治療に対する反応を正確に評価するためには,複数の時点にまたがる患者のCTスキャンの連続的セグメンテーションが不可欠である。既存の医用画像の自動および対話的セグメンテーションモデルでは、単一の時点からのデータのみを使用する(静的)。本稿では,過去の情報をすべて活用し,フォローアップスキャンのセグメンテーションを改良する,インタラクティブセグメンテーションのための新しい単一ネットワークモデルを提案する。
論文参考訳（メタデータ） (2021-10-03T08:06:38Z)
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)
Towards Label-Free 3D Segmentation of Optical Coherence Tomography Images of the Optic Nerve Head Using Deep Learning [40.918730586535766]
我々は,OCTデバイス間でラベルフリーで容易に翻訳可能な3Dセグメンテーションフレームワークを提案する。最初の(エンハンサーとして参照)は、OCT画像の品質を3つのOCTデバイスから向上し、これらのデバイス間で調和した画像特性を実現した。セグメンテーションネットワークでは,エンハンサーの使用がデバイス依存の達成に不可欠であることが判明した。
論文参考訳（メタデータ） (2020-02-22T05:41:45Z)

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。