論文の概要: Adaptive Voxel-Weighted Loss Using L1 Norms in Deep Neural Networks for Detection and Segmentation of Prostate Cancer Lesions in PET/CT Images

• arxiv url: http://arxiv.org/abs/2502.02756v1
• Date: Tue, 04 Feb 2025 22:45:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-06 14:28:12.194581
• Title: Adaptive Voxel-Weighted Loss Using L1 Norms in Deep Neural Networks for Detection and Segmentation of Prostate Cancer Lesions in PET/CT Images
• Title（参考訳）: PET/CT画像における前立腺癌病変の検出・分節のためのL1ノルムを用いた適応型Voxel-Weighted Loss
• Authors: Obed Korshie Dzikunu, Shadab Ahamed, Amirhossein Toosi, Xiaoxiao Li, Arman Rahmim,
• Abstract要約: 本研究では, PET/CTスキャンにおける転移性前立腺癌病変の自動検出と分節化に向けた, ディープニューラルネットワークの新たな損失関数L1-weighted Dice Loss (L1DFL)を提案する。 我々は,Attention U-NetとSegResNetの2つの3D畳み込みニューラルネットワークを訓練し,PETとCTのボリュームを入力として生成した。 L1DFLはテストセットで比較損失関数を少なくとも13%上回った。
• 参考スコア（独自算出の注目度）: 16.92267561082044
• License:
• Abstract: This study proposes a new loss function for deep neural networks, L1-weighted Dice Focal Loss (L1DFL), that leverages L1 norms for adaptive weighting of voxels based on their classification difficulty, towards automated detection and segmentation of metastatic prostate cancer lesions in PET/CT scans. We obtained 380 PSMA [18-F] DCFPyL PET/CT scans of patients diagnosed with biochemical recurrence metastatic prostate cancer. We trained two 3D convolutional neural networks, Attention U-Net and SegResNet, and concatenated the PET and CT volumes channel-wise as input. The performance of our custom loss function was evaluated against the Dice and Dice Focal Loss functions. For clinical significance, we considered a detected region of interest (ROI) as a true positive if at least the voxel with the maximum standardized uptake value falls within the ROI. We assessed the models' performance based on the number of lesions in an image, tumour volume, activity, and extent of spread. The L1DFL outperformed the comparative loss functions by at least 13% on the test set. In addition, the F1 scores of the Dice Loss and the Dice Focal Loss were lower than that of L1DFL by at least 6% and 34%, respectively. The Dice Focal Loss yielded more false positives, whereas the Dice Loss was more sensitive to smaller volumes and struggled to segment larger lesions accurately. They also exhibited network-specific variations and yielded declines in segmentation accuracy with increased tumour spread. Our results demonstrate the potential of L1DFL to yield robust segmentation of metastatic prostate cancer lesions in PSMA PET/CT images. The results further highlight potential complexities arising from the variations in lesion characteristics that may influence automated prostate cancer tumour detection and segmentation. The code is publicly available at: https://github.com/ObedDzik/pca_segment.git.
• Abstract（参考訳）: 本研究は, 深部ニューラルネットワークにおける新しい損失関数 L1-weighted Dice Focal Loss (L1DFL) を提案する。 生化学的再発性前立腺癌と診断された380例のPSMA[18-F] DCFPyL PET/CT検査を行った。 我々は,Attention U-NetとSegResNetの2つの3D畳み込みニューラルネットワークを訓練し,PETとCTのボリュームを入力として結合した。 Dice および Dice Focal Loss 関数に対して,我々のカスタム損失関数の性能を評価した。 臨床的意義としては,検出された関心領域 (ROI) を,少なくとも最大標準摂取値のボクセルがROI内に該当する場合の正の正とみなした。 画像中の病変数, 腫瘍体積, 活動量, 拡散範囲に基づいて, モデルの性能を評価した。 L1DFLはテストセットで比較損失関数を少なくとも13%上回った。 さらに、Dice LossとDice Focal LossのF1スコアはそれぞれ、L1DFLのF1スコアを6%、Dice Focal Lossは34%下回った。 ディース・フォカル・ロスはより偽陽性となり、一方ディース・ロスはより小さなボリュームに敏感であり、より大きな病変を正確に分割するのに苦労した。 また, ネットワーク特異的な変異がみられ, 腫瘍拡散の増大とともにセグメンテーション精度が低下した。 以上の結果より,PSMA PET/CT画像の転移性前立腺癌病変に対するL1DFLの有用性が示唆された。 以上の結果より,前立腺癌自動検出・分節に影響を及ぼす病変の特徴の変動から生じる複雑性が示唆された。 コードは、https://github.com/ObedDzik/pca_segment.git.comで公開されている。

関連論文リスト

• Disentangled PET Lesion Segmentation [16.459171554437535]
  PET-Disentanglerは3次元UNetライクなエンコーダデコーダアーキテクチャを用いて病気と正常な健康な解剖学的特徴を分解する。 批判ネットワークは、健康なサンプルの分布に合うように健康な潜伏した特徴を奨励するために使用される。
  論文  参考訳（メタデータ） (2024-11-04T02:50:52Z)
• Brain Tumor Classification on MRI in Light of Molecular Markers [61.77272414423481]
  1p/19q遺伝子の同時欠失は、低グレードグリオーマの臨床成績と関連している。 本研究の目的は,MRIを用いた畳み込みニューラルネットワークを脳がん検出に活用することである。
  論文  参考訳（メタデータ） (2024-09-29T07:04:26Z)
• Towards AI Lesion Tracking in PET/CT Imaging: A Siamese-based CNN Pipeline applied on PSMA PET/CT Scans [2.3432822395081807]
  本研究はPET/CTスキャン間の病変追跡のためのSamese CNNアプローチを導入する。 本アルゴリズムは適切な病変のパッチを抽出し,対応する病変または非対応病変として病変のパッチペアを分類する訓練を施したシームズCNNに転送する。 異なる入力パッチタイプと2Dおよび3DのSiameseネットワークで実験が行われた。
  論文  参考訳（メタデータ） (2024-06-13T17:06:15Z)
• Robust T-Loss for Medical Image Segmentation [56.524774292536264]
  本稿では,医用画像分割のための新しいロバストな損失関数T-Lossを提案する。 提案した損失は、Student-t分布の負のログ類似度に基づいており、データ内の外れ値の処理を効果的に行うことができる。 実験の結果,T-Lossは2つの医療データセットのダイススコアにおいて従来の損失関数よりも優れていた。
  論文  参考訳（メタデータ） (2023-06-01T14:49:40Z)
• 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)
• 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)
• AutoPET Challenge 2022: Step-by-Step Lesion Segmentation in Whole-body FDG-PET/CT [0.0]
  この問題に対処する新しいステップバイステップ3Dセグメンテーション法を提案する。 予備試験では,Diceスコア0.92,偽陽性ボリューム0.89,偽陰ボリューム0.53を達成した。
  論文  参考訳（メタデータ） (2022-09-04T13:49:26Z)
• Segmentation and Risk Score Prediction of Head and Neck Cancers in PET/CT Volumes with 3D U-Net and Cox Proportional Hazard Neural Networks [0.4433315630787158]
  PET/CT画像から腫瘍の分節化を行うために3D nnU-Netモデルを用いて残層を圧縮・励起法(SE法)により補足した。 セグメンテッド病変から抽出したPET/CT放射能の特徴について, 危険リスク予測モデル (CoxCC) を訓練した。 10倍のクロスバリデードCoxCCモデルにより、HECKTORチャレンジテストデータセットにおいて、c-indexバリデーションスコアが0.89、c-indexスコアが0.61となった。
  論文  参考訳（メタデータ） (2022-02-16T01:59:33Z)
• Controlling False Positive/Negative Rates for Deep-Learning-Based Prostate Cancer Detection on Multiparametric MR images [58.85481248101611]
  そこで本研究では,病変からスライスまでのマッピング機能に基づく,病変レベルのコスト感受性損失と付加的なスライスレベルの損失を組み込んだ新しいPCa検出ネットワークを提案する。 1) 病変レベルFNRを0.19から0.10に, 病変レベルFPRを1.03から0.66に減らした。
  論文  参考訳（メタデータ） (2021-06-04T09:51:27Z)
• Universal Loss Reweighting to Balance Lesion Size Inequality in 3D Medical Image Segmentation [50.63623720394348]
  ネットワークの小さな病変の検出能力を高めるために,損失再重み付け手法を提案する。 Dice Loss, Focal Loss, Asymmetric similarity Lossなど,よく知られた損失関数に対する本手法の利点を報告する。 実験の結果, 逆重み付けは検出品質を著しく向上させる一方で, 最先端のデライン化品質を保っていることがわかった。
  論文  参考訳（メタデータ） (2020-07-20T12:08:22Z)

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。