論文の概要: Anomaly-Driven Approach for Enhanced Prostate Cancer Segmentation

• arxiv url: http://arxiv.org/abs/2504.21789v1
• Date: Wed, 30 Apr 2025 16:48:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-09 17:43:26.548668
• Title: Anomaly-Driven Approach for Enhanced Prostate Cancer Segmentation
• Title（参考訳）: 前立腺癌分節拡大に対する異常駆動的アプローチ
• Authors: Alessia Hu, Regina Beets-Tan, Lishan Cai, Eduardo Pooch,
• Abstract要約: 本研究では,2パラメータMRI系列から得られた異常マップを深層学習に基づくセグメンテーションフレームワークに組み込んだ,異常駆動型U-Net(adU-Net)を提案する。 固定点GAN再構成を用いて生成された異常マップは、正常前立腺組織からの偏差を強調し、セグメント化モデルを潜在的癌領域へ導く。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Magnetic Resonance Imaging (MRI) plays an important role in identifying clinically significant prostate cancer (csPCa), yet automated methods face challenges such as data imbalance, variable tumor sizes, and a lack of annotated data. This study introduces Anomaly-Driven U-Net (adU-Net), which incorporates anomaly maps derived from biparametric MRI sequences into a deep learning-based segmentation framework to improve csPCa identification. We conduct a comparative analysis of anomaly detection methods and evaluate the integration of anomaly maps into the segmentation pipeline. Anomaly maps, generated using Fixed-Point GAN reconstruction, highlight deviations from normal prostate tissue, guiding the segmentation model to potential cancerous regions. We compare the performance by using the average score, computed as the mean of the AUROC and Average Precision (AP). On the external test set, adU-Net achieves the best average score of 0.618, outperforming the baseline nnU-Net model (0.605). The results demonstrate that incorporating anomaly detection into segmentation improves generalization and performance, particularly with ADC-based anomaly maps, offering a promising direction for automated csPCa identification.
• Abstract（参考訳）: MRIは臨床的に重要な前立腺癌(csPCa)を同定する上で重要な役割を担っているが、自動化された手法はデータの不均衡、腫瘍の大きさの変化、注釈付きデータの欠如といった課題に直面している。 本研究では,2パラメータMRI系列から得られた異常マップを深層学習に基づくセグメンテーションフレームワークに組み込んで,csPCaの同定を改善する,異常駆動型U-Net(adU-Net)を提案する。 本稿では,異常検出手法の比較分析を行い,セグメント化パイプラインへの異常マップの統合を評価する。 固定点GAN再構成を用いて生成された異常マップは、正常前立腺組織からの偏差を強調し、セグメント化モデルを潜在的癌領域へ導く。 AUROCと平均精度(AP)の平均値として計算された平均スコアを用いて性能を比較する。 外部テストセットでは、adU-Netが平均スコア0.618に達し、ベースラインのnnU-Netモデル(0.605)を上回っている。 その結果, セグメンテーションに異常検出を組み込むことで, 一般化と性能が向上し, 特にADCベースの異常マップは, csPCaの自動識別に有望な方向を提供することがわかった。

関連論文リスト

• Dimensionality Reduction and Nearest Neighbors for Improving Out-of-Distribution Detection in Medical Image Segmentation [1.2873975765521795]
  この研究は、肝臓を分断する4つのSwin UNETRとnnU-netモデルのボトルネック特徴にマハラノビス距離(MD)ポストホックを適用した。 モデルが失敗した画像は、高性能で最小の計算負荷で検出された。
  論文  参考訳（メタデータ） (2024-08-05T18:24:48Z)
• On undesired emergent behaviors in compound prostate cancer detection systems [0.4324342847944414]
  臨床的に有意なPC病変検出システムの評価を行った。 実シナリオにおいて, 複合系の脱線能力に有意な差異が認められた。
  論文  参考訳（メタデータ） (2023-09-15T13:15:09Z)
• Assessing the performance of deep learning-based models for prostate cancer segmentation using uncertainty scores [1.0499611180329804]
  目的は前立腺がんの検出と診断のワークフローを改善することである。 最高性能モデルはアテンション R2U-Net で、連合(IoU)の平均インターセクションは76.3%、Dice similarity Coefficient(DSC)は全ゾーンのセグメンテーションの85%を達成している。
  論文  参考訳（メタデータ） (2023-08-09T01:38:58Z)
• 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)
• Generative Adversarial Networks for Weakly Supervised Generation and Evaluation of Brain Tumor Segmentations on MR Images [0.0]
  本研究は2次元磁気共鳴画像におけるセグメント異常に対する弱教師付きアプローチを示す。 我々は,癌画像を健全な変種に変換するGAN(Generative Adversarial Network)を訓練する。 非共役な変種は、弱監督的な方法で分割を評価するためにも用いられる。
  論文  参考訳（メタデータ） (2022-11-10T00:04:46Z)
• Comparative analysis of deep learning approaches for AgNOR-stained cytology samples interpretation [52.77024349608834]
  本稿では, 深層学習手法を用いて, 好気性ヌクレオラオーガナイザ領域 (AgNOR) 染色スライダを解析する方法を提案する。 以上の結果から,バックボーンとしてResNet-18やResNet-34を用いたU-Netを用いたセマンティックセマンティックセマンティックセマンティクスは類似した結果を示す。 最も優れたモデルは、それぞれ0.83、0.92、0.99の核、クラスター、衛星のIoUを示す。
  論文  参考訳（メタデータ） (2022-10-19T15:15:32Z)
• 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)
• A Coarse-to-fine Morphological Approach With Knowledge-based Rules and Self-adapting Correction for Lung Nodules Segmentation [6.909963425628694]
  本稿では,しきい値法の性能を大幅に向上させる粗大な手法を提案する。 提案アルゴリズムは,パブリックLIDC-IDRIデータセットとプライベートLC015データセットの両方で最先端の性能を実現する。 摘出した結節を正確に分割することのできるほとんどの形態学的手法とは異なり,本法はタイプや直径には全く依存しない。
  論文  参考訳（メタデータ） (2022-02-07T12:10:37Z)
• Lung Cancer Lesion Detection in Histopathology Images Using Graph-Based Sparse PCA Network [93.22587316229954]
  ヘマトキシリンとエオシン(H&E)で染色した組織学的肺スライドにおける癌病変の自動検出のためのグラフベーススパース成分分析(GS-PCA)ネットワークを提案する。 我々は,SVM K-rasG12D肺がんモデルから得られたH&Eスライダーの精度・リコール率,Fスコア,谷本係数,レシーバ演算子特性(ROC)の曲線下領域を用いて,提案アルゴリズムの性能評価を行った。
  論文  参考訳（メタデータ） (2021-10-27T19:28:36Z)
• Improved Slice-wise Tumour Detection in Brain MRIs by Computing Dissimilarities between Latent Representations [68.8204255655161]
  磁気共鳴画像(MRI)の異常検出は教師なし手法で行うことができる。 本研究では,変分オートエンコーダの潜伏空間における相似関数の計算に基づいて,腫瘍検出のためのスライスワイズ半教師法を提案する。 本研究では,高解像度画像上でのモデルをトレーニングし,再現の質を向上させることにより,異なるベースラインに匹敵する結果が得られることを示す。
  論文  参考訳（メタデータ） (2020-07-24T14:02:09Z)
• Collaborative Boundary-aware Context Encoding Networks for Error Map Prediction [65.44752447868626]
  本稿では,AEP-Net と呼ばれる協調的コンテキスト符号化ネットワークを提案する。 具体的には、画像とマスクのより優れた特徴融合のための協調的な特徴変換分岐と、エラー領域の正確な局所化を提案する。 AEP-Netはエラー予測タスクの平均DSCが0.8358,0.8164であり、ピアソン相関係数が0.9873である。
  論文  参考訳（メタデータ） (2020-06-25T12:42:01Z)
• A Graph-constrained Changepoint Detection Approach for ECG Segmentation [5.209323879611983]
  本稿では,前処理ステップを使わずにRピーク位置を確実に検出するための新しいグラフベース最適変化点検出法を提案する。 提案手法は,MIT-BIH不整脈データベース(MIT-BIH-AR)に基づいて,全体の感度 Sen = 99.76,正の予測率 PPR = 99.68,検出誤差率 DER = 0.55 を達成する。
  論文  参考訳（メタデータ） (2020-04-24T23:41:41Z)

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。