論文の概要: LinGuinE: Longitudinal Guidance Estimation for Volumetric Lung Tumour Segmentation

• arxiv url: http://arxiv.org/abs/2506.06092v1
• Date: Fri, 06 Jun 2025 13:52:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-09 17:28:43.49767
• Title: LinGuinE: Longitudinal Guidance Estimation for Volumetric Lung Tumour Segmentation
• Title（参考訳）: LinGuinE: 肺腫瘍切除症例の経時的誘導評価
• Authors: Nadine Garibli, Mayank Patwari, Bence Csiba, Yi Wei, Kostas Sidiropoulos,
• Abstract要約: LinGuinEは、縦断的な肺腫瘍を分断する自動方法である。 放射線科医は、CTスキャンにおける腫瘍の位置を任意の時点に示す初期入力を提供しなければならない。LinGuinEはこの腫瘍の内部の点を採取し、剛性登録を用いて別の時点に伝播させる。 我々は、任意の時点を出発点として使用し、アブレーション実験を行い、LinGuinEセットアップが両方のテストデータセットで最良の結果をもたらすことを示します。
• 参考スコア（独自算出の注目度）: 13.479388115841374
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Segmentation of lung gross tumour volumes is an important first step in radiotherapy and surgical intervention, and is starting to play a role in assessing chemotherapy response. Response to a drug is measured by tracking the tumour volumes over a series of CT scans over a time period i.e. a longitudinal study. However, there currently exist few solutions for automated or semi-automated longitudinal tumour segmentation. This paper introduces LinGuinE, an automated method to segment a longitudinal series of lung tumours. A radiologist must provide an initial input, indicating the location of the tumour in a CT scan at an arbitrary time point. LinGuinE samples points inside this tumour and propagates them to another time point using rigid registration. A click validity classifier selects points which still fall within the tumour; these are used to automatically create a segmentation in the new time point. We test LinGuinE on a dataset acquired from a phase 3 clinical trial for lung tumours and the publicly available 4-D lung CBCT dataset. We find that LinGuinE improves the Dice on both test sets by over 20% (p< 0.05) across 63 longitudinal studies. We show that any time point can be used as a starting point, conduct ablation experiments, and find that our LinGuinE setup yields the best results on both test datasets.
• Abstract（参考訳）: 放射線治療と外科的治療の第一段階であり,化学療法反応の評価において重要な役割を担っている。 薬物に対する反応は、一連のCTスキャン、すなわち縦断的研究で腫瘍の体積を追跡することによって測定される。 しかし、現在、半自動または半自動の縦断層分割に対する解決策は少ない。 本稿では,LinGuinEについて紹介する。 放射線技師は、CTスキャンにおける腫瘍の位置を任意の時刻に示す初期入力を提供しなければならない。 LinGuinEは、この腫瘍内の点をサンプリングし、剛性登録を用いて別の点に伝播する。 クリックバリデーション分類器は、腫瘍内に残る点を選択し、これらは、新しい時点におけるセグメンテーションを自動生成するために使用される。 肺腫瘍第3相臨床試験および4次元肺CBCTデータセットを用いてLinGuinEを試験した。 また,LinGuinEは両テストセットのDiceを,63の縦断的研究で20%以上(p<0.05)改善することがわかった。 我々は、任意の時点を出発点として使用し、アブレーション実験を行い、LinGuinEセットアップが両方のテストデータセットで最良の結果をもたらすことを示します。

関連論文リスト

• Lung-CADex: Fully automatic Zero-Shot Detection and Classification of Lung Nodules in Thoracic CT Images [45.29301790646322]
  コンピュータ支援診断は早期の肺結節の検出に役立ち、その後の結節の特徴づけを促進する。 MedSAMと呼ばれるSegment Anything Modelの変種を用いて肺結節をゼロショットでセグメント化するためのCADeを提案する。 また、放射能特徴のギャラリーを作成し、コントラスト学習を通じて画像と画像のペアを整列させることにより、良性/良性としての結節的特徴付けを行うCADxを提案する。
  論文  参考訳（メタデータ） (2024-07-02T19:30:25Z)
• An Automated Pipeline for Tumour-Infiltrating Lymphocyte Scoring in Breast Cancer [10.595165443979857]
  腫瘍浸潤リンパ球(TILs)は3重陰性およびヒト上皮成長因子受容体2(HER2)陽性乳癌の予後マーカーとして有用であると考えられている。 本稿では,乳がん全スライディング画像のTILスコアを予測するために,効率的なUNetアーキテクチャに基づく革新的なディープラーニングパイプラインを提案する。
  論文  参考訳（メタデータ） (2023-11-10T17:06:28Z)
• Comparing 3D deformations between longitudinal daily CBCT acquisitions using CNN for head and neck radiotherapy toxicity prediction [1.8406176502821678]
  本研究の目的は,頭頸部癌に対する放射線治療中に毎日取得したCBCTの臨床的意義を明らかにすることである。 平面CTと長手CBCTの変形のヤコビ行列を解析する成分を含む変形可能な3次元分類パイプラインを提案する。
  論文  参考訳（メタデータ） (2023-03-07T15:07:43Z)
• SGDA: Towards 3D Universal Pulmonary Nodule Detection via Slice Grouped Domain Attention [47.44114201293201]
  肺がんは世界中でがんの死因となっている。 現在の肺結節検出法は通常ドメイン固有である。 肺結節検出ネットワークの一般化能力を高めるために,スライスグループドメインアテンション(SGDA)モジュールを提案する。
  論文  参考訳（メタデータ） (2023-03-07T03:17:49Z)
• 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)
• Lung nodules segmentation from CT with DeepHealth toolkit [6.980270783615686]
  本研究の目的は,PyECVLおよびPyEDDLライブラリを含むDeephealthツールキットが肺結節を正確に分節できることを実証することであった。 以上の結果から, 肺結節の広範囲にわたる精密な分節化と, 従来の検出法よりも精度がよいことが示唆された。
  論文  参考訳（メタデータ） (2022-08-01T06:54:12Z)
• Interactive Segmentation for COVID-19 Infection Quantification on Longitudinal CT scans [40.721386089781895]
  病状進行と治療に対する反応を正確に評価するためには,複数の時点にまたがる患者のCTスキャンの連続的セグメンテーションが不可欠である。 既存の医用画像の自動および対話的セグメンテーションモデルでは、単一の時点からのデータのみを使用する(静的)。 本稿では,過去の情報をすべて活用し,フォローアップスキャンのセグメンテーションを改良する,インタラクティブセグメンテーションのための新しい単一ネットワークモデルを提案する。
  論文  参考訳（メタデータ） (2021-10-03T08:06:38Z)
• Lymph Node Gross Tumor Volume Detection and Segmentation via Distance-based Gating using 3D CT/PET Imaging in Radiotherapy [18.958512013804462]
  本研究では,放射線腫瘍学者による高レベル推論プロトコルをシミュレーションし,単純化するための効果的な距離ベースゲーティング手法を提案する。 1つのGTVLNカテゴリの特徴を学習する各ブランチで、新しいマルチブランチ検出・セグメンテーションネットワークを訓練する。 以上の結果から,従来の最先端技術と比較して,平均リコール率を72.5%から78.2%に改善した。
  論文  参考訳（メタデータ） (2020-08-27T00:37:50Z)
• 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。