Multi-structure segmentation for renal cancer treatment with modified nn-UNet

要約

腎臓がんは、世界的に最も患者数の多いがんの一つです。腎臓がんの臨床症状には、血尿や腰の違和感などがあり、患者さんにとってはかなり苦痛なものです。人工知能とディープラーニングの急速な発展により、医療画像セグメンテーションはここ数年で劇的に進化している。本論文では、腎臓多構造セグメンテーションのための修正nn-UNetを提案します。我々のソリューションは、3Dフル解像度U-netを用いた繁栄nn-UNetアーキテクチャを基盤としている。まず、様々なハイパーパラメータをこの特定のタスクのために修正する。次に、3Dフル解像度nn-UNetアーキテクチャのフィルタ数を2倍にして、より大きなネットワークを実現することにより、より大きな受容野を捉えることができる。最後に、デコーダに軸方向の注意メカニズムを組み込み、デコード段階でグローバルな情報を取得することで、ローカルな知識の喪失を防ぐことができます。我々の改良型nn-UNetは、KiPA2022データセットにおいて、3次元U-Net、MNetなどの従来のアプローチと比較して、最先端の性能を達成しました。

要約(オリジナル)

Renal cancer is one of the most prevalent cancers worldwide. Clinical signs of kidney cancer include hematuria and low back discomfort, which are quite distressing to the patient. Due to the rapid growth of artificial intelligence and deep learning, medical image segmentation has evolved dramatically over the past few years. In this paper, we propose modified nn-UNet for kidney multi-structure segmentation. Our solution is founded on the thriving nn-UNet architecture using 3D full resolution U-net. Firstly, various hyperparameters are modified for this particular task. Then, by doubling the number of filters in 3D full resolution nnUNet architecture to achieve a larger network, we may capture a greater receptive field. Finally, we include an axial attention mechanism in the decoder, which can obtain global information during the decoding stage to prevent the loss of local knowledge. Our modified nn-UNet achieves state-of-the-art performance on the KiPA2022 dataset when compared to conventional approaches such as 3D U-Net, MNet, etc.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL