論文の概要: Automatic brain tumor segmentation in 2D intra-operative ultrasound images using MRI tumor annotations

• arxiv url: http://arxiv.org/abs/2411.14017v1
• Date: Thu, 21 Nov 2024 11:01:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-22 15:19:48.913987
• Title: Automatic brain tumor segmentation in 2D intra-operative ultrasound images using MRI tumor annotations
• Title（参考訳）: MRI腫瘍アノテーションを用いた術中2次元超音波画像における自動脳腫瘍郭清
• Authors: Mathilde Faanes, Ragnhild Holden Helland, Ole Solheim, Ingerid Reinertsen,
• Abstract要約: 術前MRI画像における腫瘍アノテーションを用いた深層学習モデルの訓練について検討した。 術中MRI画像は180例, 未注iUS画像は29例, 未注iUS画像は29例であった。 その結果,MRI注記腫瘍のみを訓練したモデルと,US注記腫瘍のみを訓練したモデルとでは類似した性能を示した。
• 参考スコア（独自算出の注目度）: 0.15569734698398294
• License:
• Abstract: Automatic segmentation of brain tumors in intra-operative ultrasound (iUS) images could facilitate localization of tumor tissue during resection surgery. The lack of large annotated datasets limits the current models performances. In this paper, we investigate the use of tumor annotations in pre-operative MRI images, which are more easily accessible than annotations in iUS images, for training of deep learning models for iUS brain tumor segmentation. We used 180 annotated pre-operative MRI images with corresponding unannotated iUS images, and 29 annotated iUS images. Image registration was performed to transfer the MRI annotations to the corresponding iUS images before training models with the nnU-Net framework. To validate the use of MRI labels, the models were compared to a model trained with only US annotated tumors, and a model with both US and MRI annotated tumors. In addition, the results were compared to annotations validated by an expert neurosurgeon on the same test set to measure inter-observer variability. The results showed similar performance for a model trained with only MRI annotated tumors, compared to a model trained with only US annotated tumors. The model trained using both modalities obtained slightly better results with an average Dice score of 0.62, where external expert annotations achieved a score of 0.67. The results also showed that the deep learning models were comparable to expert annotation for larger tumors (> 200 mm2), but perform clearly worse for smaller tumors (< 200 mm2). This shows that MRI tumor annotations can be used as a substitute for US tumor annotations to train a deep learning model for automatic brain tumor segmentation in intra-operative ultrasound images. Small tumors is a limitation for the current models and will be the focus of future work. The main models are available here: https://github.com/mathildefaanes/us_brain_tumor_segmentation.
• Abstract（参考訳）: 術中超音波(iUS)画像における脳腫瘍の自動分画は,切除手術時の腫瘍組織局所化を促進する可能性がある。 大きな注釈付きデータセットがないため、現在のモデルのパフォーマンスは制限される。 本稿では,iUS 画像のアノテーションよりもアクセスしやすい術前MRI画像における腫瘍アノテーションの使用について検討し,iUS 脳腫瘍セグメンテーションのための深層学習モデルの訓練を行った。 術中MRI画像は180例, 未注iUS画像は29例, 未注iUS画像は29例であった。 nnU-Netフレームワークでトレーニングする前に、MRIアノテーションを対応するiUSイメージに転送するために画像登録を行った。 MRIラベルの使用を検証するため,US注記腫瘍のみを訓練したモデルとUS注記腫瘍とMRI注記腫瘍を併用したモデルを比較した。 さらに, サーバ間変動を測定するため, 専門家神経外科医が同じテストセットで検証したアノテーションと比較した。 その結果,MRI注記腫瘍のみを訓練したモデルと,US注記腫瘍のみを訓練したモデルとでは類似した性能を示した。 両方のモダリティを用いてトレーニングしたモデルは、平均Diceスコアが0.62、外部の専門家アノテーションが0.67と、わずかに良い結果を得た。 また, 深層学習モデルでは, より大きな腫瘍 (>200 mm2) に対する専門家のアノテーションと同等であったが, より小さな腫瘍 ((<200 mm2) に対して明らかに悪い結果を示した。 この結果から,術中超音波画像における脳腫瘍の自動分節のための深層学習モデルを訓練するために,MRI腫瘍アノテーションを米国腫瘍アノテーションの代用として使用することが可能であることが示唆された。 小型腫瘍は現在のモデルの限界であり、将来の研究の焦点となるだろう。 主要なモデルについては、https://github.com/mathildefaanes/us_brain_tumor_segmentation.comで利用可能である。

関連論文リスト

• Intraoperative Glioma Segmentation with YOLO + SAM for Improved Accuracy in Tumor Resection [1.9461727843485295]
  グリオーマは、健康な組織との類似性から、重要な外科的課題を呈する。 MRI画像は、脳のシフトなどの要因により、手術中は効果がないことが多い。 本稿では,You Only Look Once Version 8 (Yv8) と Segment Anything Model Vision Transformer-base を組み合わせたディープラーニングパイプラインを提案する。
  論文  参考訳（メタデータ） (2024-08-27T07:58:08Z)
• Brain Tumor Classification From MRI Images Using Machine Learning [0.24739484546803336]
  脳腫瘍は生命を脅かす問題であり、人間の身体の正常な機能を損なう。 医用画像におけるディープラーニングアルゴリズムの使用により、脳腫瘍の分類と診断が大幅に改善された。 本研究の目的は,機械学習を用いた脳腫瘍検出のための予測システムを開発することである。
  論文  参考訳（メタデータ） (2024-07-15T11:30:40Z)
• Towards Generalizable Tumor Synthesis [48.45704270448412]
  腫瘍合成は、医用画像における人工腫瘍の作成を可能にし、腫瘍の検出とセグメンテーションのためのAIモデルのトレーニングを容易にする。 本論文は, 臨界観察を生かして, 一般化可能な腫瘍合成に向けて進歩的な一歩を踏み出した。 私たちは、Diffusion Modelsのような生成AIモデルが、単一の臓器から限られた数の腫瘍例を訓練しても、様々な臓器に一般化された現実的な腫瘍を作成できることを確認した。
  論文  参考訳（メタデータ） (2024-02-29T18:57:39Z)
• Cross-modality Guidance-aided Multi-modal Learning with Dual Attention for MRI Brain Tumor Grading [47.50733518140625]
  脳腫瘍は世界で最も致命的ながんの1つであり、子供や高齢者に非常に多い。 本稿では,MRI脳腫瘍グレーディングの課題に対処するために,新たな多モード学習法を提案する。
  論文  参考訳（メタデータ） (2024-01-17T07:54:49Z)
• Style transfer between Microscopy and Magnetic Resonance Imaging via Generative Adversarial Network in small sample size settings [49.84018914962972]
  磁気共鳴イメージング(MRI)のクロスモーダル増強と、同じ組織サンプルに基づく顕微鏡イメージングが期待できる。 コンディショナル・ジェネレーティブ・逆境ネットワーク (cGAN) アーキテクチャを用いて, コーパス・カロサムのMRI画像から顕微鏡組織像を生成する方法を検討した。
  論文  参考訳（メタデータ） (2023-10-16T13:58:53Z)
• Brain Tumor Segmentation from MRI Images using Deep Learning Techniques [3.1498833540989413]
  パブリックMRIデータセットは、脳腫瘍、髄膜腫、グリオーマ、下垂体腫瘍の3つの変種を持つ233人の患者の3064 TI強調画像を含む。 データセットファイルは、よく知られた画像セグメンテーション深層学習モデルの実装とトレーニングを利用する方法論に順応する前に、変換され、前処理される。 実験の結果,Adamを用いた再帰的残差U-Netは平均差0.8665に到達し,他の最先端ディープラーニングモデルよりも優れていた。
  論文  参考訳（メタデータ） (2023-04-29T13:33:21Z)
• Brain tumor multi classification and segmentation in MRI images using deep learning [3.1248717814228923]
  この分類モデルはEfficientNetB1アーキテクチャに基づいており、画像は髄膜腫、グリオーマ、下垂体腺腫、腫瘍の4つのクラスに分類するよう訓練されている。 セグメンテーションモデルはU-Netアーキテクチャに基づいており、MRI画像から腫瘍を正確にセグメンテーションするように訓練されている。
  論文  参考訳（メタデータ） (2023-04-20T01:32:55Z)
• Deep Learning models for benign and malign Ocular Tumor Growth Estimation [3.1558405181807574]
  臨床医はしばしば、医用画像データに適した画像処理アルゴリズムを選択する際に問題に直面している。 ここでは、適切なモデルを選択するための戦略を示す。
  論文  参考訳（メタデータ） (2021-07-09T05:40:25Z)
• SAG-GAN: Semi-Supervised Attention-Guided GANs for Data Augmentation on Medical Images [47.35184075381965]
  本稿では,GAN(Cycle-Consistency Generative Adversarial Networks)を用いた医用画像生成のためのデータ拡張手法を提案する。 提案モデルでは,正常画像から腫瘍画像を生成することができ,腫瘍画像から正常画像を生成することもできる。 本研究では,従来のデータ拡張手法と合成画像を用いた分類モデルを用いて,実画像を用いた分類モデルを訓練する。
  論文  参考訳（メタデータ） (2020-11-15T14:01:24Z)
• Spectral-Spatial Recurrent-Convolutional Networks for In-Vivo Hyperspectral Tumor Type Classification [49.32653090178743]
  ハイパースペクトル画像とディープラーニングを用いたin-vivo腫瘍型分類の可能性を示した。 我々の最良のモデルは76.3%のAUCを達成し、従来の学習手法とディープラーニング手法を著しく上回っている。
  論文  参考訳（メタデータ） (2020-07-02T12:00:53Z)
• 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。