Skip to main content
CenXiv.org
此网站处于试运行阶段,支持我们!
我们衷心感谢所有贡献者的支持。
贡献
赞助
cenxiv logo > eess > arXiv:2411.00922

帮助 | 高级搜索

电气工程与系统科学 > 图像与视频处理

arXiv:2411.00922 (eess)
[提交于 2024年11月1日 (v1) ,最后修订 2024年11月8日 (此版本, v2)]

标题: 使用最少标注的3D nnU-Net进行小鼠MRI扫描中的肺肿瘤分割

标题: Lung tumor segmentation in MRI mice scans using 3D nnU-Net with minimum annotations

Authors:Piotr Kaniewski, Fariba Yousefi, Yeman Brhane Hagos, Talha Qaiser, Nikolay Burlutskiy
摘要: 在药物发现过程中,准确的肺肿瘤分割是使用诸如MRI等\textit{体内}成像评估肿瘤大小及其进展的重要步骤。虽然已经开发出了深度学习模型来自动化这一过程,但重点主要集中在人类受试者上,忽略了动物模型在临床前药物开发中的关键作用。在这项工作中,我们专注于优化小鼠的肺肿瘤分割。首先,我们证明了nnU-Net模型的表现优于U-Net、U-Net3+和DeepMeta模型。最重要的是,我们使用nnU-Net 3D模型取得了比2D模型更好的结果,这表明空间上下文对于MRI小鼠扫描中的分割任务的重要性。本研究展示了在MRI扫描中肺肿瘤分割中3D输入相对于2D输入图像的重要性。最后,我们在肺和肺内肿瘤的联合分割方面超过了先前最先进的方法。我们的工作仅使用肺肿瘤标注即可实现可比的结果,所需的标注更少,节省了时间和标注努力。这项工作(https://anonymous.4open.science/r/lung-tumour-mice-mri-64BB)是自动化临床前动物研究以量化实验药物疗效的重要一步,特别是在评估肿瘤变化方面。
摘要: In drug discovery, accurate lung tumor segmentation is an important step for assessing tumor size and its progression using \textit{in-vivo} imaging such as MRI. While deep learning models have been developed to automate this process, the focus has predominantly been on human subjects, neglecting the pivotal role of animal models in pre-clinical drug development. In this work, we focus on optimizing lung tumor segmentation in mice. First, we demonstrate that the nnU-Net model outperforms the U-Net, U-Net3+, and DeepMeta models. Most importantly, we achieve better results with nnU-Net 3D models than 2D models, indicating the importance of spatial context for segmentation tasks in MRI mice scans. This study demonstrates the importance of 3D input over 2D input images for lung tumor segmentation in MRI scans. Finally, we outperform the prior state-of-the-art approach that involves the combined segmentation of lungs and tumors within the lungs. Our work achieves comparable results using only lung tumor annotations requiring fewer annotations, saving time and annotation efforts. This work (https://anonymous.4open.science/r/lung-tumour-mice-mri-64BB) is an important step in automating pre-clinical animal studies to quantify the efficacy of experimental drugs, particularly in assessing tumor changes.
主题: 图像与视频处理 (eess.IV) ; 计算机视觉与模式识别 (cs.CV); 机器学习 (cs.LG); 定量方法 (q-bio.QM); 机器学习 (stat.ML)
引用方式: arXiv:2411.00922 [eess.IV]
  (或者 arXiv:2411.00922v2 [eess.IV] 对于此版本)
  https://doi.org/10.48550/arXiv.2411.00922
通过 DataCite 发表的 arXiv DOI

提交历史

来自: Nikolay Burlutskiy [查看电子邮件]
[v1] 星期五, 2024 年 11 月 1 日 14:32:58 UTC (21,823 KB)
[v2] 星期五, 2024 年 11 月 8 日 17:23:05 UTC (21,823 KB)
全文链接:

获取论文:

    查看标题为《》的 PDF
  • 查看中文 PDF
  • 查看 PDF
  • HTML(实验性)
  • TeX 源代码
  • 其他格式
许可图标 查看许可
当前浏览上下文:
eess.IV
< 上一篇   |   下一篇 >
新的 | 最近的 | 2024-11
切换浏览方式为:
cs
cs.CV
cs.LG
eess
q-bio
q-bio.QM
stat
stat.ML

参考文献与引用

  • NASA ADS
  • 谷歌学术搜索
  • 语义学者
a 导出 BibTeX 引用 加载中...

BibTeX 格式的引用

×
数据由提供:

收藏

BibSonomy logo Reddit logo

文献和引用工具

文献资源探索 (什么是资源探索?)
连接的论文 (什么是连接的论文?)
Litmaps (什么是 Litmaps?)
scite 智能引用 (什么是智能引用?)

与本文相关的代码,数据和媒体

alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)

演示

复制 (什么是复制?)
Hugging Face Spaces (什么是 Spaces?)
TXYZ.AI (什么是 TXYZ.AI?)

推荐器和搜索工具

影响之花 (什么是影响之花?)
核心推荐器 (什么是核心?)
IArxiv 推荐器 (什么是 IArxiv?)
  • 作者
  • 地点
  • 机构
  • 主题

arXivLabs:与社区合作伙伴的实验项目

arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。

与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。

有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.

这篇论文的哪些作者是支持者? | 禁用 MathJax (什么是 MathJax?)
  • 关于
  • 帮助
  • contact arXivClick here to contact arXiv 联系
  • 订阅 arXiv 邮件列表点击这里订阅 订阅
  • 版权
  • 隐私政策
  • 网络无障碍帮助
  • arXiv 运营状态
    通过...获取状态通知 email 或者 slack

京ICP备2025123034号