Segmentation of Head and Neck Organs at Risk Using CNN with Batch Dice Loss

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216305%3A26230%2F18%3APU130705" target="_blank" >RIV/00216305:26230/18:PU130705 - isvavai.cz</a>

Výsledek na webu

<a href="http://dx.doi.org/10.1007/978-3-030-12939-2" target="_blank" >http://dx.doi.org/10.1007/978-3-030-12939-2</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.1007/978-3-030-12939-2" target="_blank" >10.1007/978-3-030-12939-2</a>

Jazyk výsledku

angličtina

Název v původním jazyce

Segmentation of Head and Neck Organs at Risk Using CNN with Batch Dice Loss

Popis výsledku v původním jazyce

This paper deals with segmentation of organs at risk (OAR) in head and neck area in CT images which is a crucial step for reliable intensity modulated radiotherapy treatment. We introduce a convolution neural network with encoder-decoder architecture and a new loss function, the batch soft Dice loss function, used to train the network. The resulting model produces segmentations of every OAR in the public MICCAI 2015 Head And Neck Auto-Segmentation Challenge dataset. Despite the heavy class imbalance in the data, we improve accuracy of current state-of-the-art methods by 0.33 mm in terms of average surface distance and by 0.11 in terms of Dice overlap coefficient on average. 

Název v anglickém jazyce

Segmentation of Head and Neck Organs at Risk Using CNN with Batch Dice Loss

Popis výsledku anglicky

This paper deals with segmentation of organs at risk (OAR) in head and neck area in CT images which is a crucial step for reliable intensity modulated radiotherapy treatment. We introduce a convolution neural network with encoder-decoder architecture and a new loss function, the batch soft Dice loss function, used to train the network. The resulting model produces segmentations of every OAR in the public MICCAI 2015 Head And Neck Auto-Segmentation Challenge dataset. Despite the heavy class imbalance in the data, we improve accuracy of current state-of-the-art methods by 0.33 mm in terms of average surface distance and by 0.11 in terms of Dice overlap coefficient on average. 

Druh

D - Stať ve sborníku

CEP obor

—

OECD FORD obor

10201 - Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8)

Projekt

<a href="/cs/project/TE01020415" target="_blank" >TE01020415: Centrum kompetence ve zpracování vizuálních informací (V3C - Visual Computing Competence Center)</a><br>

Návaznosti

S - Specificky vyzkum na vysokych skolach

Rok uplatnění

2018

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název statě ve sborníku

Pattern Recognition, 40th German Conference, GCPR 2018 Proceedings

ISBN

978-3-030-12939-2

ISSN

0302-9743

e-ISSN

—

Počet stran výsledku

9

Strana od-do

1-9

Název nakladatele

Springer International Publishing

Místo vydání

Stuttgart

Místo konání akce

Stuttgart

Datum konání akce

10. 10. 2018

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

—