Comprehensive study of good model training for prostate segmentation in volumetric MRI

要約

前立腺がんは、2020 年に世界で 3 番目に多いがんであり、乳がんと肺がんに続きます。
さらに、近年、前立腺がんは増加傾向を示しています。
臨床経験によると、この問題を早期に発見して治療すれば、患者が生存する可能性が高くなります。
前立腺がんの診断に役立つタスクの 1 つは、磁気共鳴画像法による前立腺のセグメンテーションです。
臨床の専門家によって実行される手動のセグメンテーションには、次のような欠点があります。観察者に必要な時間と集中力。
および観察者間および観察者内の変動性。
これが、近年、畳み込みニューラル ネットワークに基づいて前立腺をセグメント化する自動アプローチが登場した理由です。
それらの多くは、斬新な提案されたアーキテクチャを持っています。
この論文では、前立腺予測のタスクに合わせて調整することにより、いくつかの深層学習モデルを徹底的に研究します。
新しいアーキテクチャは使用しませんが、ネットワークのトレーニング方法に重点を置いています。
私のアプローチは、ResNext101 3D エンコーダーと Unet3D デコーダーに基づいています。
私は、データのリサンプリングにおける解像度の重要性に関する研究を提供します。これは、これまで誰も行ったことのないことです。

要約(オリジナル)

Prostate cancer was the third most common cancer in 2020 internationally, coming after breast cancer and lung cancer. Furthermore, in recent years prostate cancer has shown an increasing trend. According to clinical experience, if this problem is detected and treated early, there can be a high chance of survival for the patient. One task that helps diagnose prostate cancer is prostate segmentation from magnetic resonance imaging. Manual segmentation performed by clinical experts has its drawbacks such as: the high time and concentration required from observers; and inter- and intra-observer variability. This is why in recent years automatic approaches to segment a prostate based on convolutional neural networks have emerged. Many of them have novel proposed architectures. In this paper I make an exhaustive study of several deep learning models by adjusting them to the task of prostate prediction. I do not use novel architectures, but focus my work more on how to train the networks. My approach is based on a ResNext101 3D encoder and a Unet3D decoder. I provide a study of the importance of resolutions in resampling data, something that no one else has done before.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google