論文の概要: Lung tumor segmentation in MRI mice scans using 3D nnU-Net with minimum annotations

• arxiv url: http://arxiv.org/abs/2411.00922v1
• Date: Fri, 01 Nov 2024 14:32:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-05 14:50:55.100599
• Title: Lung tumor segmentation in MRI mice scans using 3D nnU-Net with minimum annotations
• Title（参考訳）: 最小アノテーションを用いた3D nnU-Netを用いたMRIマウス肺腫瘍の分節化
• Authors: Piotr Kaniewski, Fariba Yousefi, Yeman Brhane Hagos, Nikolay Burlutskiy,
• Abstract要約: 薬物発見においては,MRIなどのテキシン・ヴィオイメージングを用いて腫瘍の大きさと進行を評価する上で,正確な肺腫瘍の分節化が重要なステップである。 本研究は,マウスにおける肺腫瘍のセグメンテーションの最適化に焦点を当て,まず,nU-NetモデルがU-Net,U-Net3+,DeepMetaモデルより優れていることを示す。
• 参考スコア（独自算出の注目度）: 0.4999814847776097
• License:
• Abstract: In drug discovery, accurate lung tumor segmentation is an important step for assessing tumor size and its progression using \textit{in-vivo} imaging such as MRI. While deep learning models have been developed to automate this process, the focus has predominantly been on human subjects, neglecting the pivotal role of animal models in pre-clinical drug development. In this work, we focus on optimizing lung tumor segmentation in mice. First, we demonstrate that the nnU-Net model outperforms the U-Net, U-Net3+, and DeepMeta models. Most importantly, we achieve better results with nnU-Net 3D models than 2D models, indicating the importance of spatial context for segmentation tasks in MRI mice scans. This study demonstrates the importance of 3D input over 2D input images for lung tumor segmentation in MRI scans. Finally, we outperform the prior state-of-the-art approach that involves the combined segmentation of lungs and tumors within the lungs. Our work achieves comparable results using only lung tumor annotations requiring fewer annotations, saving time and annotation efforts. This work\footnote{\url{https://anonymous.4open.science/r/lung-tumour-mice-mri-64BB}} is an important step in automating pre-clinical animal studies to quantify the efficacy of experimental drugs, particularly in assessing tumor changes.
• Abstract（参考訳）: 薬物発見において, 正確な肺腫瘍の分節化は, MRI などの textit{in-vivo} 画像を用いて腫瘍の大きさと進行を評価する重要なステップである。 このプロセスを自動化するために深層学習モデルが開発されているが、主にヒトの被験者に焦点を当てており、前臨床薬開発における動物モデルの役割は無視されている。 本研究は,マウスにおける肺腫瘍セグメンテーションの最適化に焦点をあてる。 まず, nnU-NetモデルがU-Net, U-Net3+, DeepMetaモデルより優れていることを示す。 2次元モデルよりも, nnU-Net 3Dモデルの方が良好な結果が得られ, MRIマウススキャンにおけるセグメンテーションタスクにおける空間コンテキストの重要性が示唆された。 本研究は,MRIにおける肺腫瘍の分画に対する2次元入力画像よりも3次元入力が重要であることを示す。 最後に, 肺と腫瘍の分節化を伴い, 従来の最先端のアプローチよりも優れていた。 本研究は, 肺腫瘍のアノテーションのみを用いて, より少ないアノテーション, 保存時間, アノテーションの労力で同等の結果を得る。 この研究は、前臨床動物研究を自動化し、実験薬の効果を定量化する重要なステップである。

関連論文リスト

• MA-SAM: Modality-agnostic SAM Adaptation for 3D Medical Image Segmentation [58.53672866662472]
  我々はMA-SAMと命名されたモダリティに依存しないSAM適応フレームワークを提案する。 本手法は,重量増加のごく一部だけを更新するためのパラメータ効率の高い微調整戦略に根ざしている。 画像エンコーダのトランスバータブロックに一連の3Dアダプタを注入することにより,事前学習した2Dバックボーンが入力データから3次元情報を抽出することができる。
  論文  参考訳（メタデータ） (2023-09-16T02:41:53Z)
• 3DSAM-adapter: Holistic adaptation of SAM from 2D to 3D for promptable tumor segmentation [52.699139151447945]
  医用画像の領域分割を行うために, SAMを2次元から3次元に変換する新しい適応法を提案する。 本モデルでは, 腎腫瘍, 膵腫瘍, 大腸癌の3つのタスクのうち8.25%, 29.87%, 10.11%の3つのタスクにおいて, ドメイン・オブ・ザ・アーティヴ・メディカル・イメージ・セグメンテーション・モデルより優れ, 肝腫瘍セグメンテーションでも同様の性能が得られる。
  論文  参考訳（メタデータ） (2023-06-23T12:09:52Z)
• Moving from 2D to 3D: volumetric medical image classification for rectal cancer staging [62.346649719614]
  術前T2期とT3期を区別することは直腸癌治療における最も困難かつ臨床的に重要な課題である。 直腸MRIでT3期直腸癌からT2を正確に判別するための体積畳み込みニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2022-09-13T07:10:14Z)
• DeepMTS: Deep Multi-task Learning for Survival Prediction in Patients with Advanced Nasopharyngeal Carcinoma using Pretreatment PET/CT [15.386240118882569]
  鼻咽頭癌(Nasopharyngeal Carcinoma, NPC)は、世界の悪性上皮癌である。 深層学習は、NPCを含む様々ながんの生存予測に導入されている。 本研究では,小データによるオーバーフィッティング問題に対処するため,マルチタスクが深層生存モデルに傾くという概念を導入した。
  論文  参考訳（メタデータ） (2021-09-16T04:12:59Z)
• 3-Dimensional Deep Learning with Spatial Erasing for Unsupervised Anomaly Segmentation in Brain MRI [55.97060983868787]
  我々は,MRIボリュームと空間消去を組み合わせた空間文脈の増大が,教師なしの異常セグメンテーション性能の向上に繋がるかどうかを検討する。 本稿では,2次元変分オートエンコーダ(VAE)と3次元の相違点を比較し,3次元入力消去を提案し,データセットサイズが性能に与える影響を体系的に検討する。 入力消去による最高の3D VAEは、平均DICEスコアが31.40%となり、2D VAEは25.76%となった。
  論文  参考訳（メタデータ） (2021-09-14T09:17:27Z)
• Classification of Brain Tumours in MR Images using Deep Spatiospatial Models [0.0]
  本稿では、ResNet (2+1)DとResNet Mixed Convolutionの2つの時間モデルを用いて、異なるタイプの脳腫瘍を分類する。 両モデルとも純粋な3次元畳み込みモデルであるResNet18よりも優れていた。
  論文  参考訳（メタデータ） (2021-05-28T19:27:51Z)
• Does anatomical contextual information improve 3D U-Net based brain tumor segmentation? [0.0]
  脳解剖学からの文脈情報の追加は、U-Netベースの脳腫瘍のセグメンテーションを改善するか検討した。 対象者ごとのMRモダリティを減らし, セグメンテーション精度, モデルトレーニング時間, ドメインの一般化, 補償の観点から, 文脈情報の追加が与える影響について検討した。
  論文  参考訳（メタデータ） (2020-10-26T09:57:58Z)
• A Global Benchmark of Algorithms for Segmenting Late Gadolinium-Enhanced Cardiac Magnetic Resonance Imaging [90.29017019187282]
  現在世界最大の心臓LGE-MRIデータセットである154個の3D LGE-MRIを用いた「2018 left Atrium Challenge」。 技術および生物学的指標を用いた提案アルゴリズムの解析を行った。 その結果, 最上部法は93.2%, 平均表面は0.7mmであった。
  論文  参考訳（メタデータ） (2020-04-26T08:49:17Z)
• Weakly Supervised PET Tumor Detection Using Class Response [3.947298454012977]
  ポジトロン・エミッション・トモグラフィー (PET) 画像において, 画像レベルでのクラスラベルのみを用いて, 病変の種類を同定する新しい手法を提案する。 提案手法の利点は,PET画像の2次元像のみを用いて3次元画像中の腫瘍の体積全体を検出することであり,非常に有望な結果を示すことである。
  論文  参考訳（メタデータ） (2020-03-18T17:06:08Z)
• Stan: Small tumor-aware network for breast ultrasound image segmentation [68.8204255655161]
  本研究では,小腫瘍認識ネットワーク(Small tumor-Aware Network,STAN)と呼ばれる新しいディープラーニングアーキテクチャを提案する。 提案手法は, 乳腺腫瘍の分節化における最先端のアプローチよりも優れていた。
  論文  参考訳（メタデータ） (2020-02-03T22:25:01Z)

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。