論文の概要: Comparative Analysis of nnUNet and MedNeXt for Head and Neck Tumor Segmentation in MRI-guided Radiotherapy

• arxiv url: http://arxiv.org/abs/2411.14752v1
• Date: Fri, 22 Nov 2024 06:16:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-25 15:03:31.026772
• Title: Comparative Analysis of nnUNet and MedNeXt for Head and Neck Tumor Segmentation in MRI-guided Radiotherapy
• Title（参考訳）: MRI誘導放射線治療における頭頸部腫瘍切除におけるnnUNetとMedNeXtの比較検討
• Authors: Nikoo Moradi, André Ferreira, Behrus Puladi, Jens Kleesiek, Emad Fatemizadeh, Gijs Luijten, Victor Alves, Jan Egger,
• Abstract要約: 我々はHNTS-MRG24 MICCAI ChallengeにチームTUMORとしてソリューションを提示する。 前RTおよび中RTMRI画像における原発性GTVpと転移性リンパ節GTVnの自動分画に焦点を当てた。 第1タスクの解は最終テスト段階では第1位、第2タスクの解は第8位、第2タスクの解は第1位、第2タスクの解は第8位、スコアは0.7005であった。
• 参考スコア（独自算出の注目度）: 2.13048414569993
• License:
• Abstract: Radiation therapy (RT) is essential in treating head and neck cancer (HNC), with magnetic resonance imaging(MRI)-guided RT offering superior soft tissue contrast and functional imaging. However, manual tumor segmentation is time-consuming and complex, and therfore remains a challenge. In this study, we present our solution as team TUMOR to the HNTS-MRG24 MICCAI Challenge which is focused on automated segmentation of primary gross tumor volumes (GTVp) and metastatic lymph node gross tumor volume (GTVn) in pre-RT and mid-RT MRI images. We utilized the HNTS-MRG2024 dataset, which consists of 150 MRI scans from patients diagnosed with HNC, including original and registered pre-RT and mid-RT T2-weighted images with corresponding segmentation masks for GTVp and GTVn. We employed two state-of-the-art models in deep learning, nnUNet and MedNeXt. For Task 1, we pretrained models on pre-RT registered and mid-RT images, followed by fine-tuning on original pre-RT images. For Task 2, we combined registered pre-RT images, registered pre-RT segmentation masks, and mid-RT data as a multi-channel input for training. Our solution for Task 1 achieved 1st place in the final test phase with an aggregated Dice Similarity Coefficient of 0.8254, and our solution for Task 2 ranked 8th with a score of 0.7005. The proposed solution is publicly available at Github Repository.
• Abstract（参考訳）: 放射線療法(RT)は頭頸部癌(HNC)の治療に必須であり,MRI誘導RTは優れた軟組織コントラストと機能的イメージングを提供する。 しかし、手動による腫瘍の分節は時間がかかり複雑であり、Therforeは依然として課題である。 本研究では,HNTS-MRG24 MICCAI Challenge(HNTS-MRG24 MICCAI Challenge)にチームTUMORとしてソリューションを提示する。 我々はHNTS-MRG2024データセットを用いて,HNCと診断された患者から150個のMRIスキャンを行った。 ディープラーニングには2つの最先端モデル、nnUNetとMedNeXtを採用しました。 Task 1では、Pre-RT登録画像とMid-RT登録画像の事前トレーニングを行い、続いてオリジナルのPre-RTイメージの微調整を行った。 タスク2では,登録済みのPre-RTイメージ,登録済みのPre-RTセグメンテーションマスク,およびトレーニング用マルチチャネル入力としてミッドRTデータを組み合わせた。 第1タスクの解は最終テスト段階では第1位、第2タスクの解は第8位、第2タスクの解は第1位、第2タスクの解は第8位、スコアは0.7005であった。 提案されたソリューションはGithub Repositoryで公開されている。

関連論文リスト

• Head and Neck Tumor Segmentation of MRI from Pre- and Mid-radiotherapy with Pre-training, Data Augmentation and Dual Flow UNet [4.686509350480552]
  放射線前療法 (pre-RT) と中放射線中療法 (mid-RT) のセグメンテーションに対する複数戦略の効果を検討した。 そこで我々は,中RT画像の分離エンコーダとラベル付きPre-RT画像の登録を行う,新しい計算フレンドリなネットワークアーキテクチャを導入した。 我々のモデルは,HiLabとして集計したDice similarity Coefficient (DSC)上で,プレRTでは82.38%,ミッドRTでは72.53%のセグメンテーション性能を達成した。
  論文  参考訳（メタデータ） (2024-12-19T13:38:20Z)
• Deep Learning for Longitudinal Gross Tumor Volume Segmentation in MRI-Guided Adaptive Radiotherapy for Head and Neck Cancer [4.358109501717511]
  頭頸部癌に対するMRI誘導適応放射線療法(MRgART)には,GTVの正確なセグメンテーションが不可欠である。 本研究では,放射線前療法 (pre-RT) と中放射線中療法 (mid-RT) の併用が課題である。 我々はMRgARTにおけるGTVセグメンテーションを促進するためのDLモデルのコレクションを提示し,放射線オンコロジーの合理化の可能性を示した。
  論文  参考訳（メタデータ） (2024-12-01T03:57:18Z)
• Gradient Map-Assisted Head and Neck Tumor Segmentation: A Pre-RT to Mid-RT Approach in MRI-Guided Radiotherapy [0.04590531202809992]
  本研究は,頭頸部癌に対する pre-RT 腫瘍領域と局所勾配図を用いて,中RT 腫瘍セグメンテーションを増強することを目的としたものである。 プリRT画像からの腫瘍領域の勾配マップを算出し、ミッドRT画像に適用し、腫瘍境界勾配を改善する。
  論文  参考訳（メタデータ） (2024-10-16T18:26:51Z)
• UMambaAdj: Advancing GTV Segmentation for Head and Neck Cancer in MRI-Guided RT with UMamba and nnU-Net ResEnc Planner [0.04924932828166548]
  頭頸部癌(HNC)に対する適応放射線療法においてMRIが重要な役割を担っている。 原発性腫瘍 (GTVp) とリンパ節 (GTVn) の両方を含む総腫瘍容積 (GTV) を正確に区分することは依然として困難である。 最近の2つのディープラーニングセグメンテーションの革新は、効果的に長距離依存関係をキャプチャするUMambaと、多段階残差ブロックによる特徴抽出を強化するnnU-Net Residual (ResEnc)の2つの大きな約束を示している。
  論文  参考訳（メタデータ） (2024-10-16T18:26:27Z)
• 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)
• Parotid Gland MRI Segmentation Based on Swin-Unet and Multimodal Images [7.934520786027202]
  耳下腺腫瘍は頭頸部腫瘍の約2%から10%を占める。 ディープラーニングの手法は急速に発展しており、特にTransformerはコンピュータビジョンにおける従来の畳み込みニューラルネットワークに勝っている。 テストセットのモデルのDSCは88.63%、MPAは99.31%、MIoUは83.99%、HDは3.04であった。
  論文  参考訳（メタデータ） (2022-06-07T14:20:53Z)
• A Long Short-term Memory Based Recurrent Neural Network for Interventional MRI Reconstruction [50.1787181309337]
  本稿では,畳み込み長短期記憶(Conv-LSTM)に基づくリカレントニューラルネットワーク(Recurrent Neural Network, RNN)を提案する。 提案アルゴリズムは,DBSのリアルタイムi-MRIを実現する可能性があり,汎用的なMR誘導介入に使用できる。
  論文  参考訳（メタデータ） (2022-03-28T14:03:45Z)
• HNF-Netv2 for Brain Tumor Segmentation using multi-modal MR Imaging [86.52489226518955]
  我々は,HNF-NetをHNF-Netv2に拡張する。 我々の方法は、RSNA 2021脳腫瘍AIチャレンジ賞(セグメンテーション・タスク)を受賞しました。
  論文  参考訳（メタデータ） (2022-02-10T06:34:32Z)
• H2NF-Net for Brain Tumor Segmentation using Multimodal MR Imaging: 2nd Place Solution to BraTS Challenge 2020 Segmentation Task [96.49879910148854]
  当社のH2NF-Netは、単一およびカスケードのHNF-Netを使用して、異なる脳腫瘍サブリージョンを分割します。 我々は、マルチモーダル脳腫瘍チャレンジ(BraTS)2020データセットでモデルをトレーニングし、評価した。 提案手法は,80名近い参加者のうち,brats 2020チャレンジセグメンテーションタスクで2位となった。
  論文  参考訳（メタデータ） (2020-12-30T20:44:55Z)
• Segmentation of the Myocardium on Late-Gadolinium Enhanced MRI based on 2.5 D Residual Squeeze and Excitation Deep Learning Model [55.09533240649176]
  本研究の目的は,LGE-MRIを用いた心筋境界領域の深部学習モデルに基づく正確な自動セグメンテーション法を開発することである。 合計320回の試験(平均6回の試験)と28回の試験が行われた。 ベーススライスとミドルスライスにおけるアンサンブルモデルの性能解析は, サーバ内調査と同等であり, アトピーススライスではわずかに低かった。
  論文  参考訳（メタデータ） (2020-05-27T20:44:38Z)
• 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)

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。