論文の概要: Head and Neck Tumor Segmentation of MRI from Pre- and Mid-radiotherapy with Pre-training, Data Augmentation and Dual Flow UNet

• arxiv url: http://arxiv.org/abs/2412.14846v1
• Date: Thu, 19 Dec 2024 13:38:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-20 13:32:38.546532
• Title: Head and Neck Tumor Segmentation of MRI from Pre- and Mid-radiotherapy with Pre-training, Data Augmentation and Dual Flow UNet
• Title（参考訳）: プレトレーニング, データ拡張, デュアルフローUNetによる放射線治療前後のMRI頭頸部腫瘍分節の検討
• Authors: Litingyu Wang, Wenjun Liao, Shichuan Zhang, Guotai Wang,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 4.686509350480552
• License:
• Abstract: Head and neck tumors and metastatic lymph nodes are crucial for treatment planning and prognostic analysis. Accurate segmentation and quantitative analysis of these structures require pixel-level annotation, making automated segmentation techniques essential for the diagnosis and treatment of head and neck cancer. In this study, we investigated the effects of multiple strategies on the segmentation of pre-radiotherapy (pre-RT) and mid-radiotherapy (mid-RT) images. For the segmentation of pre-RT images, we utilized: 1) a fully supervised learning approach, and 2) the same approach enhanced with pre-trained weights and the MixUp data augmentation technique. For mid-RT images, we introduced a novel computational-friendly network architecture that features separate encoders for mid-RT images and registered pre-RT images with their labels. The mid-RT encoder branch integrates information from pre-RT images and labels progressively during the forward propagation. We selected the highest-performing model from each fold and used their predictions to create an ensemble average for inference. In the final test, our models achieved a segmentation performance of 82.38% for pre-RT and 72.53% for mid-RT on aggregated Dice Similarity Coefficient (DSC) as HiLab. Our code is available at https://github.com/WltyBY/HNTS-MRG2024_train_code.
• Abstract（参考訳）: 頭頸部腫瘍と転移リンパ節は治療計画と予後解析に重要である。 これらの構造の正確なセグメンテーションと定量的分析にはピクセルレベルのアノテーションが必要であり、頭頸部がんの診断と治療には自動セグメンテーション技術が不可欠である。 本研究では,放射線前療法(pre-RT)と中放射線中療法(mid-RT)のセグメンテーションに対する複数の戦略の効果を検討した。 プレRT画像のセグメンテーションには、次のように利用した。 1)完全教師付き学習アプローチ,及び 2) 既訓練重量とMixUpデータ拡張技術により, 同様のアプローチが強化された。 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。 中間RTエンコーダブランチは、前方伝播中に、事前RT画像やラベルからの情報を徐々に統合する。 我々は,各折り畳みから最高の性能モデルを選択し,その予測を用いて推定のアンサンブル平均を作成した。 最終試験では, プレRTでは82.38%, 中間RTでは72.53%のセグメンテーション性能を, 集計したDice similarity Coefficient (DSC) をHiLabとして達成した。 私たちのコードはhttps://github.com/WltyBY/HNTS-MRG2024_train_codeで利用可能です。

関連論文リスト

• Comparative Analysis of nnUNet and MedNeXt for Head and Neck Tumor Segmentation in MRI-guided Radiotherapy [2.13048414569993]
  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。
  論文  参考訳（メタデータ） (2024-11-22T06:16:56Z)
• Self-Supervised Correction Learning for Semi-Supervised Biomedical Image Segmentation [84.58210297703714]
  半教師付きバイオメディカルイメージセグメンテーションのための自己教師付き補正学習パラダイムを提案する。 共有エンコーダと2つの独立デコーダを含むデュアルタスクネットワークを設計する。 異なるタスクのための3つの医用画像分割データセットの実験により,本手法の優れた性能が示された。
  論文  参考訳（メタデータ） (2023-01-12T08:19:46Z)
• Self-supervised 3D anatomy segmentation using self-distilled masked image transformer (SMIT) [2.7298989068857487]
  自己教師型学習は、畳み込みネットワークを用いた医用画像のセグメンテーションに成功している。 我々は、我々のアプローチがより正確で、他のプリテキストタスクよりも微調整データセットを少なくする必要があることを示した。
  論文  参考訳（メタデータ） (2022-05-20T17:55:14Z)
• Two-Stream Graph Convolutional Network for Intra-oral Scanner Image Segmentation [133.02190910009384]
  本稿では,2ストリームグラフ畳み込みネットワーク(TSGCN)を提案する。 TSGCNは3次元歯(表面)セグメンテーションにおいて最先端の方法よりも優れています。
  論文  参考訳（メタデータ） (2022-04-19T10:41:09Z)
• Improving Classification Model Performance on Chest X-Rays through Lung Segmentation [63.45024974079371]
  本稿では, セグメンテーションによる異常胸部X線(CXR)識別性能を向上させるための深層学習手法を提案する。 提案手法は,CXR画像中の肺領域を局所化するための深層ニューラルネットワーク(XLSor)と,大規模CXRデータセットで事前学習した自己教師あり運動量コントラスト(MoCo)モデルのバックボーンを用いたCXR分類モデルである。
  論文  参考訳（メタデータ） (2022-02-22T15:24:06Z)
• Unsupervised Cross-Modality Domain Adaptation for Segmenting Vestibular Schwannoma and Cochlea with Data Augmentation and Model Ensemble [4.942327155020771]
  本稿では,前庭神経新生と子牛を識別する教師なし学習フレームワークを提案する。 本フレームワークは,T1強調MRI(ceT1-w)とそのラベルからの情報を活用し,対象領域にラベルが存在しないT2強調MRIのセグメンテーションを生成する。 提案手法は,VS と cochlea のそれぞれの平均値 0.7930 と 0.7432 で,有望なセグメンテーションの構築と生成が容易である。
  論文  参考訳（メタデータ） (2021-09-24T20:10:05Z)
• Modeling the Probabilistic Distribution of Unlabeled Data forOne-shot Medical Image Segmentation [40.41161371507547]
  我々は1ショットの脳磁気共鳴画像(MRI)画像分割のためのデータ拡張法を開発した。 提案手法は,MRI画像1枚(atlas)とラベルなし画像数枚のみを利用する。 本手法は最先端のワンショット医療セグメンテーション法より優れている。
  論文  参考訳（メタデータ） (2021-02-03T12:28:04Z)
• 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)
• A Normalized Fully Convolutional Approach to Head and Neck Cancer Outcome Prediction [2.5690340428649323]
  本研究では、FCNプリプロセッササブネットワークを付加したCNN分類ネットワークを、公共TCIAの頭頸部がんデータセットに適用する。 我々は, 集積残差接続を併用したプリプロセッササブネットワークが, CTとPETの両方の入力画像を組み合わせることにより, 最先端の処理結果の改善につながることを示す。
  論文  参考訳（メタデータ） (2020-05-28T14:00:47Z)
• Y-Net for Chest X-Ray Preprocessing: Simultaneous Classification of Geometry and Segmentation of Annotations [70.0118756144807]
  この研究は、機械学習アルゴリズムに胸部X線入力のための一般的な前処理ステップを導入する。 VGG11エンコーダをベースとした改良Y-Netアーキテクチャを用いて,ラジオグラフィの幾何学的配向とセグメンテーションを同時に学習する。 対照画像の27.0%,34.9%に対し,95.8%,96.2%のアノテーションマスクが認められた。
  論文  参考訳（メタデータ） (2020-05-08T02:16:17Z)
• 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。