論文の概要: Bridging Classification and Segmentation in Osteosarcoma Assessment via Foundation and Discrete Diffusion Models
- arxiv url: http://arxiv.org/abs/2501.01932v1
- Date: Fri, 03 Jan 2025 18:06:18 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-01-06 15:11:27.248655
- Title: Bridging Classification and Segmentation in Osteosarcoma Assessment via Foundation and Discrete Diffusion Models
- Title(参考訳): 基礎および離散拡散モデルによる骨肉腫評価におけるブリッジング分類とセグメンテーション
- Authors: Manh Duong Nguyen, Dac Thai Nguyen, Trung Viet Nguyen, Homi Yamada, Huy Hieu Pham, Phi Le Nguyen,
- Abstract要約: パッチ分類と領域分割のギャップを埋める新しいフレームワークであるFDDMを紹介する。
FDDMは2つの段階で機能する: パッチベースの分類、次いでリージョンベースの改良により、クロスパッチ情報通信を可能にする。
このフレームワークは骨肉腫評価の新しいベンチマークを設定し、基礎モデルと拡散に基づく改善の可能性を強調している。
- 参考スコア(独自算出の注目度): 3.2090645669282045
- License:
- Abstract: Osteosarcoma, the most common primary bone cancer, often requires accurate necrosis assessment from whole slide images (WSIs) for effective treatment planning and prognosis. However, manual assessments are subjective and prone to variability. In response, we introduce FDDM, a novel framework bridging the gap between patch classification and region-based segmentation. FDDM operates in two stages: patch-based classification, followed by region-based refinement, enabling cross-patch information intergation. Leveraging a newly curated dataset of osteosarcoma images, FDDM demonstrates superior segmentation performance, achieving up to a 10% improvement mIOU and a 32.12% enhancement in necrosis rate estimation over state-of-the-art methods. This framework sets a new benchmark in osteosarcoma assessment, highlighting the potential of foundation models and diffusion-based refinements in complex medical imaging tasks.
- Abstract(参考訳): 最も一般的な原発性骨癌である骨肉腫は、効果的な治療計画と予後のために、スライド画像全体(WSI)から正確な壊死評価を必要とすることが多い。
しかし、手動による評価は主観的であり、変動しがちである。
そこで本研究では,パッチ分類と領域分割のギャップを埋める新しいフレームワークであるFDDMを紹介する。
FDDMは2つの段階で機能する: パッチベースの分類、次いでリージョンベースの改良により、クロスパッチ情報通信を可能にする。
FDDMは、骨肉腫画像の新たに作成したデータセットを活用し、より優れたセグメンテーション性能を示し、最先端の方法よりも10%改善されたmIOUと32.12%の壊死率推定を達成した。
このフレームワークは骨肉腫評価の新しいベンチマークを設定し、複雑な医療画像タスクにおける基礎モデルと拡散に基づく改善の可能性を強調している。
関連論文リスト
- A Novel Momentum-Based Deep Learning Techniques for Medical Image Classification and Segmentation [3.268679466097746]
医療画像から臓器を正確に分割することは、コンピュータによる診断と介入計画にとって重要な前提条件である。
本研究は,CTおよびMRIスキャンから様々な臓器を抽出し,疾患を分類するための深層学習に基づくアプローチを提案する。
論文 参考訳(メタデータ) (2024-08-11T04:12:35Z) - Rethinking Semi-Supervised Medical Image Segmentation: A
Variance-Reduction Perspective [51.70661197256033]
医用画像セグメンテーションのための階層化グループ理論を用いた半教師付きコントラスト学習フレームワークARCOを提案する。
まず、分散還元推定の概念を用いてARCOを構築することを提案し、特定の分散還元技術が画素/ボクセルレベルのセグメンテーションタスクにおいて特に有用であることを示す。
5つの2D/3D医療データセットと3つのセマンティックセグメンテーションデータセットのラベル設定が異なる8つのベンチマークで、我々のアプローチを実験的に検証する。
論文 参考訳(メタデータ) (2023-02-03T13:50:25Z) - Reliable Joint Segmentation of Retinal Edema Lesions in OCT Images [55.83984261827332]
本稿では,信頼性の高いマルチスケールウェーブレットエンハンストランスネットワークを提案する。
本研究では,ウェーブレット型特徴抽出器ネットワークとマルチスケール変圧器モジュールを統合したセグメンテーションバックボーンを開発した。
提案手法は,他の最先端セグメンテーション手法と比較して信頼性の高いセグメンテーション精度を実現する。
論文 参考訳(メタデータ) (2022-12-01T07:32:56Z) - Position-prior Clustering-based Self-attention Module for Knee Cartilage
Segmentation [14.797196965853233]
膝軟骨の形態変化は変形性膝関節症の進行と密接に関連している。
変形性膝関節症に対する経時的研究に有効な自動軟骨分割モデルを提案する必要がある。
論文 参考訳(メタデータ) (2022-06-21T12:12:16Z) - MS Lesion Segmentation: Revisiting Weighting Mechanisms for Federated
Learning [92.91544082745196]
フェデレートラーニング(FL)は医用画像解析に広く用いられている。
FLのパフォーマンスは、多発性硬化症(MS)病変セグメンテーションタスクに制限される。
2つの効果的な再重み付け機構によるFLMS病変分割フレームワークを提案する。
論文 参考訳(メタデータ) (2022-05-03T14:06:03Z) - 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) - Cross-Site Severity Assessment of COVID-19 from CT Images via Domain
Adaptation [64.59521853145368]
CT画像によるコロナウイルス病2019(COVID-19)の早期かつ正確な重症度評価は,集中治療単位のイベント推定に有効である。
ラベル付きデータを拡張し、分類モデルの一般化能力を向上させるためには、複数のサイトからデータを集約する必要がある。
この課題は、軽度の感染症と重度の感染症の集団不均衡、部位間のドメイン分布の相違、不均一な特徴の存在など、いくつかの課題に直面する。
論文 参考訳(メタデータ) (2021-09-08T07:56:51Z) - Deep Joint Learning of Pathological Region Localization and Alzheimer's
Disease Diagnosis [4.5484714814315685]
BrainBagNetは、病理領域の局在とアルツハイマー病の診断を共同で学習するためのフレームワークである。
提案手法は、全脳MRI画像からのパッチレベル応答と位置情報からの識別的脳領域を示す。
5倍のクロスバリデーションにおいて,提案手法の分類性能は,AD診断および軽度認知障害予測タスクにおいて,最先端の手法よりも優れていた。
論文 参考訳(メタデータ) (2021-08-10T10:06:54Z) - A Deep Learning-Based Approach to Extracting Periosteal and Endosteal
Contours of Proximal Femur in Quantitative CT Images [25.76523855274612]
セグメンテーションタスクのために,3次元の終端(3D)完全畳み込みニューラルネットワークを開発した。
同一のネットワーク構造を持つ2つのモデルが訓練され、それぞれ腹腔内輪郭と内皮輪郭に対して97.87%と96.49%のサイコロ類似係数(DSC)を達成した。
大腿骨頚部骨折のリスク予測や有限要素解析などの臨床応用の可能性を示した。
論文 参考訳(メタデータ) (2021-02-03T10:23:41Z) - Deep Residual 3D U-Net for Joint Segmentation and Texture Classification
of Nodules in Lung [91.3755431537592]
肺結節の分類法, そのテクスチャ分類, 肺CT像による後続の推奨について検討した。
提案手法は, 一般的なU-Netアーキテクチャファミリに基づくニューラルネットワークモデルと, 共同結節分割とそのテクスチャ分類タスクと, フォローアップレコメンデーションのためのアンサンブルベースモデルから構成される。
論文 参考訳(メタデータ) (2020-06-25T07:20:41Z)
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。