Fugu-MT 論文翻訳(概要): Improving Prostate Gland Segmenting Using Transformer based Architectures

論文の概要: Improving Prostate Gland Segmenting Using Transformer based Architectures

arxiv url: http://arxiv.org/abs/2506.14844v1
Date: Mon, 16 Jun 2025 14:53:50 GMT
ステータス: 翻訳完了
システム内更新日: 2025-06-19 19:35:51.425846
Title: Improving Prostate Gland Segmenting Using Transformer based Architectures
Title（参考訳）: トランスフォーマーアーキテクチャによる前立腺セグメンテーションの改善
Authors: Shatha Abudalou,
Abstract要約: 前立腺解剖の自動セグメンテーションに、読者間変動とクロスサイトドメインシフトが挑戦する。前立腺分画におけるUNETRとSwinUNETRの性能を以前の3D UNetモデルと比較した。
参考スコア（独自算出の注目度）: 1.450405446885067
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Inter reader variability and cross site domain shift challenge the automatic segmentation of prostate anatomy using T2 weighted MRI images. This study investigates whether transformer models can retain precision amid such heterogeneity. We compare the performance of UNETR and SwinUNETR in prostate gland segmentation against our previous 3D UNet model [1], based on 546 MRI (T2weighted) volumes annotated by two independent experts. Three training strategies were analyzed: single cohort dataset, 5 fold cross validated mixed cohort, and gland size based dataset. Hyperparameters were tuned by Optuna. The test set, from an independent population of readers, served as the evaluation endpoint (Dice Similarity Coefficient). In single reader training, SwinUNETR achieved an average dice score of 0.816 for Reader#1 and 0.860 for Reader#2, while UNETR scored 0.8 and 0.833 for Readers #1 and #2, respectively, compared to the baseline UNets 0.825 for Reader #1 and 0.851 for Reader #2. SwinUNETR had an average dice score of 0.8583 for Reader#1 and 0.867 for Reader#2 in cross-validated mixed training. For the gland size-based dataset, SwinUNETR achieved an average dice score of 0.902 for Reader#1 subset and 0.894 for Reader#2, using the five-fold mixed training strategy (Reader#1, n=53; Reader#2, n=87) at larger gland size-based subsets, where UNETR performed poorly. Our findings demonstrate that global and shifted-window self-attention effectively reduces label noise and class imbalance sensitivity, resulting in improvements in the Dice score over CNNs by up to five points while maintaining computational efficiency. This contributes to the high robustness of SwinUNETR for clinical deployment.
Abstract（参考訳）: T2重み付きMRI画像を用いた前立腺解剖の自動区分けにリーダー間変動とクロスサイト領域シフトが挑戦する。本研究では, 変圧器モデルがそのような不均一性の中で精度を保つことができるかどうかを考察する。前立腺セグメンテーションにおけるUNETRとSwinUNETRの性能を従来の3D UNetモデル[1]と比較した。 3つのトレーニング戦略が分析された。1つのコホートデータセット,5つのクロス検証混合コホート,および腺サイズに基づくデータセットである。ハイパーパラメータはオプトゥーナによって調整された。テストセットは、独立した読者の集団から提供され、評価エンドポイント(Dice similarity Coefficient)として機能した。シングルリーダートレーニングにおいて、SwinUNETRはReader#1では0.816、Reader#2では0.860、Reader#1では0.833、Reader#2では0.825、Reader#2では0.851という平均ディススコアを達成した。 SwinUNETR は Reader#1 では 0.8583 で、Reader#2 では 0.867 であった。腺の大きさをベースとしたデータセットでは, UNETRでは, 5倍の混合トレーニング戦略(Reader#1, n=53; Reader#2, n=87)を用いて,Reader#1サブセットの平均0.902とReader#2の0.894のダイススコアを得た。その結果,グローバル・シフトウインドウ・セルフアテンションはラベルノイズとクラス不均衡感度を効果的に低減し,計算効率を維持しつつ,CNNのDiceスコアを最大5ポイント向上させることができた。これは、臨床展開におけるSwinUNETRの高ロバスト性に寄与する。

関連論文リスト

Explainable Anatomy-Guided AI for Prostate MRI: Foundation Models and In Silico Clinical Trials for Virtual Biopsy-based Risk Assessment [3.5408411348831232]
MRIによる前立腺癌(PCa)のリスク階層化のための,完全に自動化された,解剖学的に指導されたディープラーニングパイプラインを提案する。パイプラインは、前立腺とそのゾーンを軸方向のT2強調MRI上にセグメント化するためのnnU-Netモジュール、オプションの解剖学的先行と臨床データで3Dパッチに微調整されたDiceedPT Swin Transformer基盤モデルに基づく分類モジュール、決定駆動画像領域をローカライズする反ファクトなヒートマップを生成するVAE-GANフレームワークの3つの重要なコンポーネントを統合する。
論文参考訳（メタデータ） (2025-05-23T14:40:09Z)
TotalSegmentator MRI: Robust Sequence-independent Segmentation of Multiple Anatomic Structures in MRI [59.86827659781022]
nnU-Netモデル(TotalSegmentator)をMRIおよび80原子構造で訓練した。予測されたセグメンテーションと専門家基準セグメンテーションとの間には,ディススコアが算出され,モデル性能が評価された。オープンソースで使いやすいモデルは、80構造の自動的で堅牢なセグメンテーションを可能にする。
論文参考訳（メタデータ） (2024-05-29T20:15:54Z)
A Federated Learning Framework for Stenosis Detection [70.27581181445329]
本研究は,冠動脈造影画像(CA)の狭窄検出におけるFL(Federated Learning)の使用について検討した。アンコナのOspedale Riuniti(イタリア)で取得した200人の患者1219枚の画像を含む2施設の異種データセットについて検討した。データセット2には、文献で利用可能な90人の患者からの7492のシーケンシャルな画像が含まれている。
論文参考訳（メタデータ） (2023-10-30T11:13:40Z)
Automatically measuring speech fluency in people with aphasia: first achievements using read-speech data [55.84746218227712]
本研究の目的は,言語習得の分野で開発された信号処理algorithmの関連性を評価することである。
論文参考訳（メタデータ） (2023-08-09T07:51:40Z)
Cross-Shaped Windows Transformer with Self-supervised Pretraining for Clinically Significant Prostate Cancer Detection in Bi-parametric MRI [6.930082824262643]
前立腺癌 (bpMRI) における臨床的に重要な前立腺癌 (csPCa) を検出するために, CSwin 変圧器 UNet モデル (CSwin 変圧器 UNet モデル) を導入した。 1500人の患者を対象とした大規模前立腺bpMRIデータセットを用いて、まずマルチタスク自己教師型学習を用いてCSwin変換器を事前訓練し、データ効率とネットワークの一般化性を向上させる。 5倍のクロスバリデーションは、自己教師型CSwin UNetが0.888 AUCと0.545 Average Precision(AP)を達成し、4つの同等モデル(Swin U)を著しく上回っていることを示している。
論文参考訳（メタデータ） (2023-04-30T04:40:32Z)
Attention-based Saliency Maps Improve Interpretability of Pneumothorax Classification [52.77024349608834]
視覚変換器(ViT)の胸部X線撮影(CXR)分類性能と注意ベース唾液の解釈可能性について検討する。 ViTは、CheXpert、Chest X-Ray 14、MIMIC CXR、VinBigDataの4つの公開データセットを用いて、肺疾患分類のために微調整された。 ViTsは最先端のCNNと比べてCXR分類AUCに匹敵するものであった。
論文参考訳（メタデータ） (2023-03-03T12:05:41Z)
Learning to diagnose cirrhosis from radiological and histological labels with joint self and weakly-supervised pretraining strategies [62.840338941861134]
そこで本稿では, 放射線学者が注釈付けした大規模データセットからの転写学習を活用して, 小さい付加データセットで利用できる組織学的スコアを予測することを提案する。我々は,肝硬変の予測を改善するために,異なる事前訓練法,すなわち弱い指導法と自己指導法を比較した。この方法は、METAVIRスコアのベースライン分類を上回り、AUCが0.84、バランスの取れた精度が0.75に達する。
論文参考訳（メタデータ） (2023-02-16T17:06:23Z)
Vision Transformers for femur fracture classification [59.99241204074268]
Vision Transformer (ViT) はテスト画像の83%を正確に予測することができた。史上最大かつ最もリッチなデータセットを持つサブフラクチャーで良い結果が得られた。
論文参考訳（メタデータ） (2021-08-07T10:12:42Z)
Semi-supervised learning for generalizable intracranial hemorrhage detection and segmentation [0.0]
本研究は頭蓋内出血の検出・分節化のための半教師付き学習モデルの開発と評価である。最初の「教師」ディープラーニングモデルは、2010年から2017年にかけて米国のある機関から収集された457ピクセルの頭部CTスキャンに基づいて訓練された。 2つ目の"学生"モデルは、このピクセルラベル付きデータセットと擬似ラベル付きデータセットの組み合わせでトレーニングされた。
論文参考訳（メタデータ） (2021-05-03T00:14:43Z)
Open source software for automatic subregional assessment of knee cartilage degradation using quantitative T2 relaxometry and deep learning [0.0]
MESE MRIから大腿骨軟骨を分割するためにニューラルネットワークを訓練した。軟骨は中側,表層深度,前後境界に沿って12の亜領域に分けられた。
論文参考訳（メタデータ） (2020-12-22T23:08:41Z)
Deep Learning to Quantify Pulmonary Edema in Chest Radiographs [7.121765928263759]
肺浮腫の重症度を胸部X線写真で分類する機械学習モデルを開発した。深層学習モデルは、大きな胸部X線写真データセットで訓練された。
論文参考訳（メタデータ） (2020-08-13T15:45:44Z)

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。