Vše

Co hledáte?

Vše
Projekty
Výsledky výzkumu
Subjekty

Rychlé hledání

  • Projekty podpořené TA ČR
  • Významné projekty
  • Projekty s nejvyšší státní podporou
  • Aktuálně běžící projekty

Chytré vyhledávání

  • Takto najdu konkrétní +slovo
  • Takto z výsledků -slovo zcela vynechám
  • “Takto můžu najít celou frázi”

Improving CT Image Tumor Segmentation Through Deep Supervision and Attentional Gates

Identifikátory výsledku

  • Kód výsledku v IS VaVaI

    <a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F70883521%3A28140%2F20%3A63525359" target="_blank" >RIV/70883521:28140/20:63525359 - isvavai.cz</a>

  • Výsledek na webu

    <a href="https://www.frontiersin.org/articles/10.3389/frobt.2020.00106/full" target="_blank" >https://www.frontiersin.org/articles/10.3389/frobt.2020.00106/full</a>

  • DOI - Digital Object Identifier

    <a href="http://dx.doi.org/10.3389/frobt.2020.00106" target="_blank" >10.3389/frobt.2020.00106</a>

Alternativní jazyky

  • Jazyk výsledku

    angličtina

  • Název v původním jazyce

    Improving CT Image Tumor Segmentation Through Deep Supervision and Attentional Gates

  • Popis výsledku v původním jazyce

    Computer Tomography (CT) is an imaging procedure that combines many X-ray measurements taken from different angles. The segmentation of areas in the CT images provides a valuable aid to physicians and radiologists in order to better provide a patient diagnose. The CT scans of a body torso usually include different neighboring internal body organs. Deep learning has become the state-of-the-art in medical image segmentation. For such techniques, in order to perform a successful segmentation, it is of great importance that the network learns to focus on the organ of interest and surrounding structures and also that the network can detect target regions of different sizes. In this paper, we propose the extension of a popular deep learning methodology, Convolutional Neural Networks (CNN), by including deep supervision and attention gates. Our experimental evaluation shows that the inclusion of attention and deep supervision results in consistent improvement of the tumor prediction accuracy across the different datasets and training sizes while adding minimal computational overhead.

  • Název v anglickém jazyce

    Improving CT Image Tumor Segmentation Through Deep Supervision and Attentional Gates

  • Popis výsledku anglicky

    Computer Tomography (CT) is an imaging procedure that combines many X-ray measurements taken from different angles. The segmentation of areas in the CT images provides a valuable aid to physicians and radiologists in order to better provide a patient diagnose. The CT scans of a body torso usually include different neighboring internal body organs. Deep learning has become the state-of-the-art in medical image segmentation. For such techniques, in order to perform a successful segmentation, it is of great importance that the network learns to focus on the organ of interest and surrounding structures and also that the network can detect target regions of different sizes. In this paper, we propose the extension of a popular deep learning methodology, Convolutional Neural Networks (CNN), by including deep supervision and attention gates. Our experimental evaluation shows that the inclusion of attention and deep supervision results in consistent improvement of the tumor prediction accuracy across the different datasets and training sizes while adding minimal computational overhead.

Klasifikace

  • Druh

    J<sub>SC</sub> - Článek v periodiku v databázi SCOPUS

  • CEP obor

  • OECD FORD obor

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

Návaznosti výsledku

  • Projekt

  • Návaznosti

    S - Specificky vyzkum na vysokych skolach

Ostatní

  • Rok uplatnění

    2020

  • Kód důvěrnosti údajů

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

Údaje specifické pro druh výsledku

  • Název periodika

    Frontiers Robotics AI

  • ISSN

    2296-9144

  • e-ISSN

  • Svazek periodika

    7

  • Číslo periodika v rámci svazku

    Neuveden

  • Stát vydavatele periodika

    CH - Švýcarská konfederace

  • Počet stran výsledku

    14

  • Strana od-do

    1-14

  • Kód UT WoS článku

    000570414900001

  • EID výsledku v databázi Scopus

    2-s2.0-85090765676