論文の概要、ライセンス

# (参考訳) 医用画像分割のための形状制約深層学習に関する調査 [全文訳有]

A survey on shape-constraint deep learning for medical image segmentation ( http://arxiv.org/abs/2101.07721v1 )

ライセンス: CC BY 4.0
Simon Bohlender, Ilkay Oksuz, Anirban Mukhopadhyay(参考訳) U-Netの出現以来、完全な畳み込みディープニューラルネットワークとその多くの変種は、ディープラーニングベースの医療画像セグメンテーションの現代的景観を完全に変えてきた。 しかし,これらの手法の画素レベルの分類や回帰への過度な依存は問題として早期に確認されている。 特に、少ないアノテーションで医学データベースでトレーニングする場合、これらの手法は断片化された構造、位相的不整合、ピクセルの島などの分割アーティファクトを生成する傾向にある。 これらのアーティファクトは、セグメンテーションがほとんど常に下流評価の前処理であるので、医療画像において特に問題となる。 下流評価の可能性の範囲は、手術計画、可視化、形状分析、予後、治療計画など、かなり大きい。 しかしながら、これらすべての下流タスクで共通するスレッドは、解剖学的一貫性の要求である。 セグメンテーション結果が解剖学的に一貫したものであることを保証するため、マルコフ/条件ランダムフィールドに基づくアプローチでは、統計形状モデルが過去5年間で人気が高まっている。 本稿では, 医用画像セグメンテーションの解剖学的制約に関する最近の文献の概要を概説し, 提案手法の欠点と可能性について概説し, 今後の課題について概説する。 我々は提出日まで最も関係のある論文をレビューする。 クイックアクセスには、基礎となるメソッドやデータセット、パフォーマンスといった重要な詳細が集計される。

Since the advent of U-Net, fully convolutional deep neural networks and its many variants have completely changed the modern landscape of deep learning based medical image segmentation. However, the over dependence of these methods on pixel level classification and regression has been identified early on as a problem. Especially when trained on medical databases with sparse available annotation, these methods are prone to generate segmentation artifacts such as fragmented structures, topological inconsistencies and islands of pixel. These artefacts are especially problematic in medical imaging since segmentation is almost always a pre-processing step for some downstream evaluation. The range of possible downstream evaluations is rather big, for example surgical planning, visualization, shape analysis, prognosis, treatment planning etc. However, one common thread across all these downstream tasks is the demand of anatomical consistency. To ensure the segmentation result is anatomically consistent, approaches based on Markov/ Conditional Random Fields, Statistical Shape Models are becoming increasingly popular over the past 5 years. In this review paper, a broad overview of recent literature on bringing anatomical constraints for medical image segmentation is given, the shortcomings and opportunities of the proposed methods are thoroughly discussed and potential future work is elaborated. We review the most relevant papers published until the submission date. For quick access, important details such as the underlying method, datasets and performance are tabulated.
公開日: Tue, 19 Jan 2021 16:52:10 GMT

※ 翻訳結果を表に示しています。PDFがオリジナルの論文です。翻訳結果のライセンスはCC BY-SA 4.0です。詳細はトップページをご参照ください。

翻訳結果

    Page: /      
英語(論文から抽出)日本語訳スコア
1 2 0 2 n a J 9 1 ] V I . 1 2 0 2 n a j 9 1 ] v i である。 0.81
s s e e [ 1 v 1 2 7 7 0 . s s e e e [ 1 v 1 2 7 0 0 ] である。 0.74
1 0 1 2 : v i X r a 1 0 1 2 : v i X r a 0.85
A SURVEY SHAPE-CONSTRAINT ON MEDICAL 調査 医学におけるシェープコンストラクション 0.35
IMAGE SEGMENTATION 画像 セグメンテーション 0.44
DEEP LEARNING FOR DEEP 学習 目的 0.64
A PREPRINT Department Simon Bohlender of Computer Science TU Darmstadt Darmstadt, Germany プレプリント 学科 計算機科学 TU Darmstadt Darmstadt(ドイツ)のSimon Bohlender 0.62
School Ilkay Oksuz 学校 イルカイ・オクシュ(Ilkay Oksuz) 0.54
Computer Engineering Department Istanbul Technical University イスタンブール工科大学コンピュータ工学科 0.68
Istanbul, Turkey of Biomedical Engineering King's College London, U.K. Istanbul, Turkey of Biomedical Engineering King's College London (英語) 0.83
Imaging Sciences Anirban Mukhopadhyay of Computer Science Department TU Darmstadt Darmstadt, Germany イメージング科学 コンピュータサイエンス科のAnirban Mukhopadhyay ドイツのダルムシュタット・ダルムシュタット 0.65
20, 2021 January ABSTRACT have variants its many convolutional fully of U-Net, neural deep and networks the Since advent segmentation. 2021年1月20日 ABSTRACT は、U-Net、ニューラルディープ、ネットワークからなる多くの畳み込みを持つ。 0.64
image landscape the modern of deep learning based medical completely changed has regression and classification pixel on these methods dependence However, of level over the sparse databases with Especially when as on trained on medical a problem. 画像のランドスケープ ディープラーニングベースの医療の現代的な変化 回帰と分類のピクセルは、これらの方法に依存するが、スパースデータベースのレベル、特に医学的問題で訓練された場合のレベルには依存しない。 0.69
identified been early such as fragmented annotation, these methods are to generate segmentation artifacts available prone especially problematic inconsistencies topological structures, and islands pixel. フラグメントアノテーションのように早期に特定されたこれらの手法は、特に問題のある不整合なトポロジー構造、およびアイランズピクセルに利用可能なセグメンテーションアーティファクトを生成する。
訳抜け防止モード: 断片化されたアノテーションのような早期に同定されたこれらのメソッドは 特に問題のある トポロジカルな構造と 島々のピクセルを 生成する
0.71
These artefacts are of downstream for pre-processing always is segmentation since imaging in medical some step a almost evaluation. これらのアーティファクトは常にセグメンテーションであり、医療におけるイメージングは概ね評価される。
訳抜け防止モード: これらの人工物は前もって下流にある プロセッシングは常にセグメンテーションです 医用画像は ほぼ評価の段階です
0.71
range of possible downstream evaluations The is rather big, for example surgical planning, treatment prognosis, analysis, one visualization, shape planning etc. ダウンストリーム評価の可能性範囲は、手術計画、治療の予後、分析、一つの可視化、形状計画など、かなり大きい。 0.70
However, common thread across all these downstream tasks the demand of anatomical consistency. しかし、これら下流のすべてのタスクに共通するスレッドは、解剖学的整合性の要求である。 0.50
To ensure the segmentation result is on Markov/ Conditional Random Fields, is anatomically consistent, approaches based Statistical broad this years. セグメンテーションの結果がMarkov/ Conditional Random Fieldsにあることを保証するため、今年は解剖学的に一貫したアプローチに基づく統計的広さがある。 0.56
over popular increasingly becoming Shape Models the 5 past are a review paper, In segmentation is constraints literature on bringing anatomical overview of recent for medical image discussed the of and the proposed methods given, opportunities are thoroughly and shortcomings potential review the most relevant papers published until the submission future work is elaborated. セグメンテーション(セグメンテーション)は、最近の医学的画像の解剖学的概要をもたらすための文献であり、提案された方法では、機会は徹底的に議論され、将来的な研究が精査されるまで最も関係のある論文を潜在的にレビューできない。
訳抜け防止モード: 人気が高まっているShape Models 5過去はレビュー用紙だ。 セグメンテーションにおける制約文献 最近の医用画像の解剖学的概要と提案方法について考察した。 機会は徹底的であり、将来の作業が精査されるまで、最も関係のある論文をレビューする可能性がある。
0.77
We and performance the underlying method, datasets such as date. 日付などのデータセットの基礎となるメソッドとパフォーマンス。 0.67
For quick access, important details are tabulated. クイックアクセスには、重要な詳細が集計される。 0.62
· CRF · MRF · Active Contours · Shape Models Image Segmentation · Shape Priors Keywords Medical Introduction 1 and land road other and signs, users), pedestrians land use engines, medical field image classification, cover search instruments, surgical and (detecting the localizing describbrain ing the tumors, identifying organs image in different modalities). · CRF · MRF · Active Contours · Shape Models Image Segmentation · Shape Priors Keywords Medical Introduction 1 and land road other and sign and users, pedestrians land use engine, medical field image classification, cover search instrument, surgical and (Localizing describbraining the localizing describbrain in the tumors, identified organs image in different modalities)。 0.83
This problem has been tackled by a combinaapproaches vision, and learning of machine tion computer in the past. この問題は、過去のコンビナアプローチのビジョンと、マシンオプティカルコンピュータの学習によって取り組まれてきた。 0.74
Despite popularity and success, deep their 人気と成功にもかかわらず 0.73
catepredicting Semantic task the is segmentation of the one gory of the in pixels individual image which has been understanding of in problems of image field the the key vast time. セマンティックタスクを分類すると、画像フィールドの問題を理解してきたインピクセルの個々の画像の1つのゴリーの分節化が重要な時間である。 0.78
and computer vision for a long has a range of It applications such as autonomous driving (detecting road コンピュータービジョンには、自律運転(検出道路)のような様々な応用がある 0.67
英語(論文から抽出)日本語訳スコア
is neural convolutional は 神経 convolutional~ 0.70
semantic with semantic + -ly 0.55
the problems segmentation among them networks ネットワーク間の問題のセグメンテーションは 0.82
learning era changed main trends. 学習の時代は 主なトレンドを変えました 0.61
Many of in computer visionbeenhave solved (CNNs) . コンピュータビジョンビーンの多くは(CNN)解決しました。 0.72
image segIncorporating prior knowledge into traditional for obtaining more mentation algorithms has proven useful constrained highly plausible and accurate The results. Image segIncorporating previous knowledge to get more mentation algorithm has provened useful constrained highly plausible and accurate The results。
訳抜け防止モード: Image segIncorporating prior knowledge to traditional to get more mentation algorithm 非常に制約があり、正確であることが証明された。
0.70
can nature captured with of objects be well anatomical learning However, in most recent and based techniques. しかし、自然がofオブジェクトで捉えられることは解剖学的な学習となり得るか。
訳抜け防止モード: 物体で捉えられる自然は、解剖学的な学習には適していますが、 最新の技術で
0.64
promising techniques such as CNN based segmentation it knowledge. cnnベースのセグメンテーションit知識のような有望な技術。 0.58
prior such incorporate how to is obvious not from low-quality and low that Segmenting images suffer constraint signal-to-noise ratio without any shape remains problematic even for CNNs. 以前は、SegmentingイメージがCNNにも問題のない制約信号対雑音比に悩まされることは、低品質で低品質であることから明らかであった。 0.58
Though shown it has been significantly information prior shape of incorporation that algorithms, segmentation the improves performance of the prior such incorporation of knowledge a tricky practical problem. アルゴリズムを組み込む前は、かなり情報があったが、セグメンテーションは、知識の組込みが難しい実用的な問題であるように、以前の組込みのパフォーマンスを改善する。 0.52
In this work, we provide an overview of efforts of shape prior usage in deep learning frameworks. 本研究は,ディープラーニングフレームワークにおける事前使用を形作る取り組みの概要について述べる。 0.68
review paper 1.1 another Yet review papers of a appeared about variety There already deep and segfor medical learning shape modelling image recent past. レビューペーパー 1.1 最近の医療学習形状モデリング画像にすでに深く, 精査されたバラエティに関するもう1つの論文 0.78
McInerney and Terzopoulos mentation in the apply that approaches deformable various (1996) presents models. McInerney and Terzopoulos mentation in the apply that Approach deformable various (1996) presenteds model。 0.79
Peng et al. (2013) deals with different categories of graph-based models where meaningful objects repare Heimann by resented and review sub-graphs. ペンなど。 (2013)は、意味のある対象が反感とサブグラフのレビューによってハイマンを再現するグラフベースモデルの異なるカテゴリを扱う。 0.43
The and conshape models about (2009) Meinzer is statistical especially on landmark-based shape centrates representa(2011) Elnakib et tions. 2009) Meinzer に関するモデルとコンシェープモデルは、特にランドマークベースの中央値表現(2011) Elnakib et tions において統計的である。 0.67
al. reviews different shape also feature based models, statistical shape modthat include recent as deformable models. アル 異なる形状をレビューする 特徴に基づくモデル、最近の変形可能なモデルを含む統計的形状修飾。 0.55
A more els, review as well insights (2016) and Hamarneh by Nosrati provides into segmentation models shape information that incorporate as prior knowledge. a more els, review as well insights (2016) と nosrati による hamarneh は、事前知識として組み込まれたセグメンテーションモデル形状情報を提供する。 0.69
Later surveys of Litjens et al. その後、Litjensらによる調査が行われた。 0.39
(2017), (2020) and Neubert (2017), Rizwan I Haque Razzak al. (2017), (2020), and Neubert (2017), Rizwan I Haque Razzak al。 0.76
et learning deep focus shift (2020) Lei and their et to al. et learning deep focus shift (2020) lei and their et to al。 0.76
approaches. Hesamian (2019) and Taghanaki et al. アプローチ。 Hesamian (2019) と Taghanaki et al。 0.67
et al. (2019) present different network architectures and training techniques, whereas Jurdi et al. など。 (2019)は異なるネットワークアーキテクチャとトレーニング技術を示し、jurdiらはalである。 0.57
(2020) take step further it a networks. (2020年)さらにネットワーク化を進める。 0.74
neural functions and in loss prior-based reviews choice the method of Since deep learning became for many computer including medical image segmentation, we that combine neural 医用画像セグメンテーションを含む多くのコンピュータでディープラーニングが使われるようになったため、ニューラルネットワークとin loss prior-based reviewsを選択する。
訳抜け防止モード: 神経機能と喪失前-ベースレビューは since の方法を選択する ディープ・ラーニングは 医療画像セグメント化を含む 多くのコンピュータにとって ニューラルネットワークと
0.73
tasks, review on models タスク モデルに関するレビュー 0.58
vision focus our by ビジョンの焦点は ところで 0.66
Figure 1: Overview of related work approaches 図1:概要 関連作業アプローチ 0.68
2 A PREPRINT - 2 プレプリント - 0.72
JANUARY 20, 2021 年表 20, 2021 0.67
to 1: shape models へ 1: 形状モデル 0.76
in order networks with explicit to incorporate segmentation process. 明示的なネットワークは、セグメンテーションプロセスを組み込む。 0.64
into the shape knowledge Segmenusually do tation models solely based on neural networks knowledge. 形状知識に segmen は通常、ニューラルネットワークの知識のみに基づいてタチオンモデルを行う。 0.72
shape form of incorporate any not They are traditional based on loss functions that only regard objects at pixel level and do not evaluate global structures. notの形状形式は従来の損失関数に基づいており、ピクセルレベルでのみ対象を考慮し、グローバル構造を評価しない。 0.75
The review improve these networks by papers we present in this are that additional models combining them with especially is also the point built with shape in mind. この論文では、これらのネットワークを特に組み合わせた追加モデルが、形状を念頭に置いて構築された点であることを示す。
訳抜け防止モード: 本稿で紹介する論文は,これらのネットワークを改善するものである。 特にそれらと組み合わせたモデルも 形状を念頭に置いた点です
0.82
This that delimits this review from existing surveys which either focus mostly deep deshape traditional on or and approaches learning combination formable model methods, of but not on the both. これは既存の調査からこのレビューを除外するもので、それらは主に従来のアプローチを深く切り離したものか、あるいは組み合わせ可能なモデル手法を学習するアプローチである。 0.70
review can be divided applied in this explicit models The shown in Figure 1) Condithree main categories as into establish connections that tional or Markov Field models 2) Active/Statistical Shape different pixel between regions valid for representation shapes that learn a special Models snakes that use deformable 3) Active Contour Models or either are These models apdetection. 図1) オプションまたはマルコフフィールドモデルとの接続を確立するための3つの主要なカテゴリ 2) 変形可能な特別なモデルスネークを学習する表現形式に有効な領域間のアクティブ/統計形状が異なるピクセル 3) アクティブな輪郭モデルか、どちらかがこれらのモデルである。 0.78
splines shape for segmentations, plied as pre-processing steps to create initial post-processing network neural steps the segmenrefine or various in multi-step models tations, used consisting of along models a specific pipeline. splines shape for segmentations, plied as pre-process steps to create initial post-process network neural steps the segmenrefine or various in multi-step model tations, used written with along models a specific pipeline. (英語) 0.86
from explicit is the field that aware We shifting heavily are ways of modeling shape to more implicit approaches where end-to-end way.Up an are and networks trained in comfunctions ing Works that no propose more intelligent loss shape modelling, but only require additional explicit longer Zhang single a al. 明快なものから、私たちが強くシフトしている分野は、形をモデリングする方法から、エンドツーエンドの方法でモデリングするより暗黙的なアプローチへとシフトする。areとcomfunctionsでトレーニングされたネットワークは、よりインテリジェントな損失形モデリングを提案せずに、alのzhang singleをもっと長く追加するだけでよい。
訳抜け防止モード: 私たちは形をモデリングする方法を、端から端まで、より暗黙的なアプローチに大きくシフトしています。 Up an and network trained in comfunctions ing Works that not proposes more intelligent loss shape modelling。 しかし、追加の明示的な長い Zhang single a al しか必要としない。
0.71
et network. neural of consist (2020a) proposed loss for segmentation. etネットワーク。 neural of consist (2020a)はセグメンテーションの損失を提案した。 0.74
a new geometric lesion Other examples are Mohagheghi and and Foruzan (2020) shape priors. 新しい幾何学的病変 他の例としては、Mohagheghi と Foruzan (2020) がある。 0.71
al. Han et Li the (2020) where contains loss spatially introduces (2020) al. アル Han et Li (2020) は、損失を空間的に導入する (2020) al である。 0.57
et loss with encoded a a special shape (2019b) attention mechanism. 特殊形状 (2019b) のアテンション機構を符号化した。 0.58
Clough et al. uses a topology based loss function. cloughら。 トポロジーに基づく損失関数を使います 0.62
combine articles the overwhelming majority of However shape introduce to explicit models and neural networks rather stems knowledge. しかし、形状は明示的なモデルやニューラルネットワークに導入され、むしろ知識が生まれている。 0.60
This from a often combination in principled design choice (as shown Figengineering ure 1) which is not detailed in any of the previous review design on review focuses articles. これは原則設計の選択(figengineering ure 1)でしばしば組み合わせたもので、以前のレビュー・デザイン・オン・レビュー・フォーカスの記事には記載されていない。 0.70
overarching This this constraint which, shape principle along with being a of approaches, will work as quick access guide to explicit a research catalyzer of implicit constraints. この制約を総括すると、原則を形成することによって、暗黙の制約の研究触媒を明示するためのクイックアクセスガイドとして機能するでしょう。
訳抜け防止モード: この制約は、 様々なアプローチと共に形づくりの原理 暗黙の制約を持つ研究触媒を明確にするためのクイックアクセスガイドとして機能する。
0.77
2 CRF / MRF approaches 2 CRF / MRF アプローチ 0.83
Li belong (1994) (MRF) the to Markov Random Fields berelationships and model graphical models of domain neighborhood a features with or high-level tween pixels of single pixel thereby system. 李 belong (1994) (mrf) to markov random fields berelationships and model graphical models of domain neighborhood a features with or high-level tween pixels of single pixel thus system (英語) 0.77
The label probability conditioned on all neighboring pixels which allow to model The maximum a posteriori probacontextual constraints. ラベル確率は全ての隣接ピクセルで条件付けされ、後続の文脈制約の最大値をモデル化できる。
訳抜け防止モード: 隣り合うすべての画素にラベル確率を条件づけた モデリングを許容する 最大値のprobacontextual制約。
0.76
calculated by applying the Bayes bility (MAP) can then be rule. ベイズ能力(MAP)を適用して計算すると、規則となる。 0.78
al. et Random Fields アル など ランダムフィールド 0.55
Conditional Lafferty (CRF) 条件 涙 (CRF) 0.61
is a Neural NetworksActive / StatisticalShape ModelsConditional / MarkovRandom FieldActive Contour Models /Leve-Set MethodsforPost-Proce ssingforEnd-to-EndTr ainingforPost-Proces singforPrior-Knowled geMultistepApproachf orPost-Processingfor Pre-Processingcombin ed with は あ ニューラルネットワークアクティベート/統計形状モデル コンディショナル/マルコフランサムフィールドアクティベートコンターモデル /Leve-Set Methodsfor Post-ProcessingforEn d-to-EndTrainingforP ost-ProcessingforPri or-KnowledgeMultiste pApproachforPost-Pro cessingfor Precessingcombined 0.54
英語(論文から抽出)日本語訳スコア
postprocessing utilize CRFs step. 後処理はCRFを利用する。 0.61
A large (2001) are an of MRFs and extension allow to incorpoFor over features global arbitrary rate pixels. 大きい (2001)は、mrdsと拡張の1つで、グローバル任意のレートピクセルを組み込むことができる。 0.55
regions of medical that image this means segmentation they generabout global using by ate smooth edges this knowledge surrounding regions which is a reason why the are often apto plied alongside neural networks perform medical image segmentation. 医療の領域 このイメージは、この知識をスムースなエッジで割ってグローバルに利用するセグメンテーションを意味するため、ニューラルネットワークと共にアプトされることが多いため、医療用イメージセグメンテーションが実行される。 0.72
CRFs used for The category largest or MRFs them as a apply of methods that on focus of portion papers pos-tprocessing straight-forward approach where the CNN generates the are directly passed to segmentations maps which initial or MRF model as for further refinements. カテゴリー最大またはMSFに使用されるCRFは、CNNが生成するストレートフォワードアプローチに焦点をあてる手法の適用として、初期またはMRFモデルがさらなる改良のために直接、セグメントマップに渡される。 0.76
inputs a CRF anatomies variety of on a evaluated are approaches These in the utilized network architectures but and mostly differ same lung applied are follow the idea. 評価されたCRF解剖学の入力はアプローチであるが、使用済みのネットワークアーキテクチャでは、適用される肺とほとんど異なるものがその考え方に従っている。 0.73
They to nodules (Yaguchi al. to nodules (Yaguchi al) 0.49
(2019), Gao vessel et et al. (2019)、Gao vessel et al。 0.66
(2016)), retinal (Fu al. (2016)、網膜(Fu al)。 0.60
(2016b)), brain tumor (Zhao et al. (2016b),脳腫瘍(Zhao et al。 0.72
(2016), Li et eye (2018)), et (Liu nuclei cervical (2017a)), et al. (2016), Li et eye (2018), et (Liu kernel cervical (2017a)), et al。 0.66
al. and Yang (Luo (2017)), melanoma (Mesbah sclera et al. アル and yang (luo (2017)), melanoma (mesbah sclera et al.)。 0.53
(2018)), ocular structure (Nguyen et al. (2018年)、眼構造(nguyen et al.)。 0.60
(2018)), left atrial lymph appendage (Jin et al. (2018)、左心房リンパ拡張(Jin et al)。 0.42
(2018)), node (Nogues et al. (2018)、ノード(Nogues et al)。 0.67
(2016)), liver (Dou et al. (2016年)、肝臓(dou et al.)。 0.72
(2016)) and prostate cancer leA slightly tasks. (2016) と前立腺癌 leA は軽微な課題である。 0.69
segmentation (2019)) al. セグメンテーション(2019年)。 0.48
et (Cao sion different approach for skin lesion detection by Qiu et al. et (cao sion different approach for skin lesion detection by qiu et al。 0.76
(2020) is based on the same idea, but uses not just a single CNN network, but an ensemble of seven or fifteen which approaches Two the CRF. (2020)は、同じアイデアに基づいており、単一のCNNネットワークだけでなく、Two the CRFに近づく7ないし15のアンサンブルを使用している。 0.72
inside combined are other to (Zhai region brain for highlight (2019)) and Li and here optical discs in fundus image (Bhatkalkar et (2020)) al. 内部には他の to (zhai region brain for highlight (2019)) と li と here 光学ディスク (bhatkalkar et (2020) al) が組み合わされている。 0.79
segmentation integrate a special attention mechanism into their networks with improve the segmenthe motivation to deep exploiting and detecting tations by features. セグメンテーションは特別な注意機構をネットワークに統合し、セグメンテーションを機能によって深く搾取し検出する動機づけを改善する。 0.73
salient Another special version that operates on weakly segmented fetal brain & lung bounding box images for segmentation is introduced initial Rajchl et al. salient 最初のrajchl et alは、胎児の脳と肺の分画を弱分割した画像で動作させる特別バージョンである。 0.57
(2017). Given the segmentations, weak the optimizes iteratively the model obtain a CRF to by a CNN followed predictions with pixel segmentation maps. (2017). セグメンテーションが与えられた場合、最適化が弱くなると、CNNによるCRFと、ピクセルセグメンテーションマップによる予測が得られる。 0.71
the final al. Instead of CRFs, (2016) use a MRF to imShakeri et pose volumetric homogenity on the outputs of a CNN for segmentation. 最後のアル。 CRF の代わりに (2016) は MRF を用いてイムシャケリ等をセグメント化のために CNN の出力に体積的ホモジェニティを作用させる。 0.62
MRFs subcortical utilized also are region in et al. mrfs subcortical use も et al の領域である。 0.58
by Xia approach the (2019) for kidney segshown integrated into a SIFT-Flow the MRF is mentation where model. Xia は (2019) を SIFT-Flow に統合し, MRF をモデルとした。 0.60
approaches, another method Besides these classical that that genercame up focused on cascading CNN networks fashion. アプローチは、CNNネットワークのファッションをカスケードすることに焦点を当てたこれらの古典的な手法の他に、別の方法もある。
訳抜け防止モード: アプローチ、別の方法 古典的な方法に加えて その属はCNNネットワークのファッションのカスケードに焦点を当てた。
0.58
Wachinger coarse-to-fine in a segmentations ate network strategy with al. セグメンテーションにおけるワッチンガー粗粒化は、Alとネットワーク戦略を結びつける。 0.55
et first that (2018) use this a pixels from background segments in and forebrain MRIs The regions. まず、2018年)は、背景セグメントと前脳MRIの領域からこのピクセルを使用する。 0.57
brain actual the one second a classifies that for (2017) and Zhang also same method is by Shen used brain tumor segmentation, by Dou et al. brain actual the one second a では (2017) と zhang も同様に shen が使用する脳腫瘍の分節法を dou などと分類している。 0.79
(2017) for liver and by Christ and whole heart segmentation, et al. (2017) は, 肝臓, キリストによる, 全心分画などであった。 0.69
(2016) for liver-based lesion segmentation. (2016年)肝病変分画。 0.51
for structure, different A somewhat brain cascading tuet segmentation, mor introduced is by Hu al. 構造に関して、異なるAの脳カスケードチュートセグメンテーションは、Hu alによって導入された。 0.72
(2019) where multiple subsequent CNNs are used to extract more (2019)複数の後続のcnnを使ってさらに抽出する 0.74
by 3 A PREPRINT ところで 3 プレプリント 0.62
- JANUARY 20, 2021 - 年表 20, 2021 0.72
discriminative multi-scale features and to capture depenversion this extend (2020) al. 差別的なマルチスケールの特徴と、この拡張(2020年)alをキャプチャする。 0.56
dencies. et Feng the on task of brain tumor segmentation with the introduction of the improve that connections residual overall performance. 否定。 et feng the on task of brain tumor segmentation with the introduction of the improvement that connection remain total performance. (英語) 0.59
Similar to the cascading methods, there are CNNs with two pathways that combine two parallel networks on different 3D contexts. cascading法と同様に、異なる3dコンテキスト上の2つの並列ネットワークを結合する2つの経路を持つcnnが存在する。 0.67
larger aim for levels resolution capturing that approach was introduced originally The et al. レベルレゾリューションのためのより大きな目的は、もともとet alに導入された。 0.59
by Alansary (2016) for placenta segmentation, but was also applied in Cai et (2017) to the task of segmentation. Alansary (2016) は胎盤分割について検討したが、Cai et (2017) にもセグメンテーションの課題に適用された。 0.56
al. pancreas approach related another proposes et Kamnitsas (2017) al. アル pancreas approach related another proposals et Kamnitsas (2017) al。 0.55
extracts a FCN that two parallel networks, where rough a a HED that mask and outputs a contour, are fused inside a deals with CRF. 2つの並列ネットワークであるFCNを抽出すると、粗いHEDがマスクして輪郭を出力し、CRFとの取引の中で融合する。 0.76
In the by Shen et al. by shen et al』に登場。 0.75
(2018) that approach brain tumor segmentation, a third path is added where in different based on trained are concurrent FCNs three total (gaussian, mean, median) filtered images. (2018) 脳腫瘍セグメンテーションに近づいた第3の経路は、訓練に基づいて異なる経路で3つの合計(ガウス、平均、中央値)のフィルター画像が同時に追加される。 0.71
After input each network an individual CRF is applied and their results are fused in a linear regression model. 各ネットワークを入力した後、個別のCRFを適用し、その結果を線形回帰モデルで融合する。 0.74
Figure 2: category Overview of 図2:カテゴリ 概要 0.62
relevant papers per year 関連 書類 パー 年 0.62
for each task ですから それぞれ タスク 0.64
end-to-end Training CNN and CRF models The idea into neural of integrating CRF models directly networks image origins semantic segmentation and from the of the combine They al. エンドツーエンドのトレーニングCNNとCRFモデル CRFモデルを統合するというアイデアは、画像の起源とセマンティックセグメンテーションを直接ネットワーク化し、その組み合わせから得られるものです。 0.74
introduced by Zheng was (2015). Zhengによって紹介された(2015)。 0.67
et that unified into both models strengths of a framework end-to-end allows training. フレームワークの両モデルの長所に統合することで、トレーニングが可能になる。 0.58
Broken down, the basic task of CRFs is to minimize an energy term with iterative an mean field approximation. CRFの基本課題は、平均場近似を反復的に行うエネルギー項を最小化することである。 0.80
Since CRFs are graphical modof stack a be can step each els, as formulated iteration can CNN layers. CRFはグラフィカルなモジュラースタックであるため、定式化された反復はCNN層を踏むことができる。 0.60
Multiple then be implemented iterations by repeatedly executing this stack alternatively as an or equivalent Recurrent Neural Network (RNN). このスタックをrnn(or equivalent recurrent neural network)として繰り返し実行することにより、複数のイテレーションを実装することができる。 0.68
The resultbe can a CRF-RNN and denoted network ing applied as is are (2016a) al. その結果、CRF-RNN と (2016a) al のように適用されたネットワーク入力を指定できる。 0.73
Fu et on top of any CNN architecture. その他のCNNアーキテクチャ上でのFuなど。 0.55
the to medical this method first to transfer image segmentacalled DeepVessel tions with a model for the task of retinal vessel segmentation. この方法はまず、DeepVessel tionsと呼ばれる画像セグメントを網膜血管のセグメンテーションのタスクのモデルで転送する。 0.70
For the same task Luo et al. (2017) results by using a slightly deeper base CNN achieve similar layers. ルオらと同じ任務で (2017) CNNをやや深層化することで, 同様の層が得られる。 0.53
Besides convolution retinal network with more vessel, CRF-RNN approaches of other are applied variety 血管を有する畳み込み網膜ネットワークに加えて、他のCRF-RNNアプローチも応用される 0.70
to a 20162017201820192020 2468101214161820#ofP apersMethodCRFACMASM へ あ 20162017 2019 20192020246812141618 20#ofPapersMethodCRF ACMASM 0.63
英語(論文から抽出)日本語訳スコア
applies them to anatomical structures. 解剖学的構造に当てはめます 0.73
Zhao et al. (2016) it with extend and segmentation tumor brain addisome al. Zhaoら。 (2016) 腫瘍脳アジソームの伸展と分節を伴う。 0.61
et later steps post-processing tional on Zhao preand a V-Net uses (2018) al. et later steps after-processtional on zhao preand a v-net use (2018) al。 0.72
Xu (2018b). XU (2018b)。 0.72
et combined with CRF-RNN for bladder segmentation and in Monteiro et al. およびCRF-RNNと併用した膀胱分節とMonteiro et al。 0.69
(2018) they are also applied on brain tumor as well as images. (2018年)脳腫瘍や画像にも応用されている。 0.50
Anasegmentation with 3D multi-modal prostate their logues Chen and de Bruijne (2018) utilizes a U-Net as lesion base-network segmentaas CRF-RNN Deng tion. Chen and de Bruijne (2018) による3次元多モード前立腺による解析は、U-NetをCRF-RNN Deng tionの病変ベースネットワークセグメントとして利用している。 0.60
al. (2020) the et アル (2020年)et 0.53
deal with white matter idea ホワイトマターのアイデアを扱う 0.61
to same On A PREPRINT 同じこと オン プレプリント 0.63
- JANUARY 20, 2021 - 年表 20, 2021 0.72
a CRF-Recurrent Regression based Neural Network uses a heterogeneous CNN for integrated with (CRF-RRNN) segmentation where the combined network can brain tumor Instead of end-to-end. CRF-Recurrent Regressionベースのニューラルネットワークは、不均一なCNNを使用して(CRF-RRNN)セグメンテーションを統合する。 0.65
full RNN, be also trained using a a method where MRF is (2020d) intepropose Zhang et al. full RNNは、(2020d) MRF が Zhang et al を intepropose するメソッドを使ってもトレーニングできる。 0.79
network of segmentation local the grated into as a block and the CNN output take that global as layers convolution calculate to unary potentials the pairwise corresponding potentials. 局所的なセグメンテーションのネットワークはブロックとして分解され、cnn出力は層畳み込みが対の対応するポテンシャルを不定ポテンシャルに計算するので、そのグローバル化を行う。 0.59
Authors Anatomy Table 1: CNNs Title 作者 解剖 表1:CNNのタイトル 0.67
combined with CRF / MRF models Method CRF / MRF Model Method と組み合わせる 0.82
Li al. et (2017a) Wachinger et (2018) al. リー・アル et (2017a) wachinger et (2018) al。 0.56
Hu al. et (2019) Shen and (2017) Zhang Kamnitsas (2017) et al. HU AL! et (2019) shen and (2017) zhang kamnitsas (2017) et al。 0.63
Alansary et al. alansaryとal。 0.64
(2016) Shakeri (2016) Zhai (2019) (2016)Shakeri(2016)Z hai(2019) 0.71
et al. and Li Brain Tumor Brain Region Brain Tumor など。 そして李 脳腫瘍脳領域腫瘍 0.55
Brain Tumor Brain Lesion Placenta Sub-cortical regions Brain region 脳腫瘍脳病変 胎盤 脳皮質下領域 0.62
Dou et (2016) Dou et (2017) Christ (2016) Dou et (2016) Dou et (2017) Christ (2016) 0.85
al. al. Liver Heart アル アル 肝臓 心臓 0.51
et al. Liver Fu et al. など アル 肝臓 など。 0.46
(2016b) Jin et al. (2016年)Jin et al。 0.68
(2018) Cai al. (2018) Cai al 0.70
et (2017) Xia et (2019) et (2017) xia et (2019) 0.73
al. Retinal sel Left atrial pendage アル 網膜の左心房性ペンダー 0.46
Ves- ap- Pancreas Ves- ap- 膵臓 0.71
Kidney CRF / MRF used for 腎臓 CRF (複数形 CRFs) 0.70
post-processing on post‐processing 0.82
for brain structure Low-Grade Glioma Segmentation Based CNN with Fully Connected CRF DeepNAT: Deep convolutional neural network segmenting neuroanatomy Brain Tumor Segmentation Using Multi-Cascaded Convolutional Neural Networks and Conditional Random Field connected CRF with Fully data-driven prior for multi-class tumor segmentation brain Efficient Multi-Scale 3D CNN with Fully Connected CRF for Accurate Brain Lesion Segmentation of Fast Fully Automatic Segmentation the from Motion Corrupted Human Placenta MRI Sub-cortical segmentation using F-CNN’s An Improved Full Convolutional Network Combined with Conditional Random Fields for Brain MR Image Segmentation 3D Visualization Algorithm and its Analysis 3D Deeply Supervised Network for from CT Automatic Liver Segmentation Volumes 3D Deeply Supervised Network for of Volumetric Automated Segmentation Medical Images and Lesion Segmentation Automatic Liver in CT Using Cascaded Fully Convolutional and Neural Networks Random Fields Retinal vessel segmentation learning network and conditional random fields Left Atrial Appendage Segmentation Using Fully Convolutional Neural Networks and Modified Three-Dimensional Conditional Random Fields Pancreas Segmentation in MRI using on Graph-Based Decision Fusion Convolutional Neural Networks Deep Semantic Segmentation of Kidney and Space-Occupying Lesion Area Based on SCNN and ResNet Models Combined with SIFT-Flow Algorithm ですから 脳の構造 Low-Grade Glioma Segmentation Based CNN with Fully Connected CRF DeepNAT: Deep convolutional neural network segmenting neuroanatomy Brain Tumor Segmentation Using Multi-Cascaded Convolutional Neural Networks and Conditional Random Field connected CRF with Fully data-driven prior for multi-class tumor segmentation brain Efficient Multi-Scale 3D CNN with Fully Connected CRF for Accurate Brain Lesion Segmentation of Fast Fully Automatic Segmentation the from Motion Corrupted Human Placenta MRI Sub-cortical segmentation using F-CNN’s An Improved Full Convolutional Network Combined with Conditional Random Fields for Brain MR Image Segmentation 3D Visualization Algorithm and its Analysis 3D Deeply Supervised Network for from CT Automatic Liver Segmentation Volumes 3D Deeply Supervised Network for of Volumetric Automated Segmentation Medical Images and Lesion Segmentation Automatic Liver in CT Using Cascaded Fully Convolutional and Neural Networks Random Fields Retinal vessel segmentation learning network and conditional random fields Left Atrial Appendage Segmentation Using Fully Convolutional Neural Networks and Modified Three-Dimensional Conditional Random Fields Pancreas Segmentation in MRI using on Graph-Based Decision Fusion Convolutional Neural Networks Deep Semantic Segmentation of Kidney and Space-Occupying Lesion Area Based on SCNN and ResNet Models Combined with SIFT-Flow Algorithm 0.79
3D Conditional deep fully-connected 3次元状態深部完全接続 0.70
via 4 CRF refines CNN segmentation CRF refines hierarchical CNN segmentations segmentations FC-CRF refines CNNs Multiple FC-CRFs FC-CRF refines via 4 CRFによるCNNセグメンテーションの洗練 FC-CRFによるCNNの階層的CNNセグメンテーションの洗練 FC-CRFによる複数のFC-CRFの洗練 0.75
two-pathway CNN two‐pathway 0.46
of three FC-CRF refines ですから 3 FC-CRF精製技術 0.59
two-pathway CNN two‐pathway 0.46
MRF refines FCNN segmentation FC-CRF refines CNN with attention MRFがFCNNセグメンテーションを改良、FC-CRFはCNNを注目 0.64
FC-CRF refines supervision mechanism FC-CRF refines FC-CRFの制御機構 0.72
cascading U-Nets cascading (複数形 cascadings) 0.18
3D FCNN with 3D 3Dによる3D FCNN 0.71
FC-CRF refines FC-CRF精製技術 0.51
cascaded FCNs cascaded FCNs 0.85
FC-CRF refines CNN with FC-CRFがCNNを改良 0.62
side-outputs side‐outputs 0.58
FC-CRF combines FC-CRF コンバイン 0.64
slices of FCN CRF refines network MRF refines スライス fcnの CRFによるMRF精製技術 0.68
results from FCN and HED 結果 FCNとHEDから 0.76
combined ResNet Combin ResNet 0.73
and SCNN scnnは 0.52
英語(論文から抽出)日本語訳スコア
A PREPRINT - JANUARY プレプリント - 年表 0.54
20, 2021 combined with CRF / MRF models Method Iterative CRF and CNN 20, 2021 CRF / MRFモデルと組み合わせたメソッド反復CRFとCNN 0.85
CRF refines HNN (FCN + DSN) segmentations CRFがHNN(FCN + DSN)セグメンテーションを洗練 0.87
CRF refines 3D FCN segmentations CRF精製 3次元FCNセグメンテーション 0.74
CRF refines CNN segmentations CRFがCNNセグメンテーションを洗練 0.66
CRF refines DCNN segmentations CRFがDCNNセグメンテーションを洗練 0.72
Locally FC-CRF refines Mask-RCNN segmentation Concurrent FCN refined 局所FC-CRFによるMask-RCNNセグメンテーション・コンカレントFCNの改良 0.56
by FC-CRF Initial CNN boundaries FC-CRFによる 初期CNN境界 0.57
refined by CRF CRF refines FCN segmentations crfによる精製 CRFがFCNセグメンテーションを洗練 0.60
FC-CRF refines CNN segmentations FC-CRFがCNNセグメンテーションを洗練 0.55
segmentations segmentation 0.83
CRF refines ensemble FC-CRF refines CNN segmentations CRFがアンサンブルFC-CRFを洗練、CNNセグメンテーションを洗練 0.54
of DCNN Selective Dense CRF refines CNN segmentations DCNNの Selective Dense CRFがCNNセグメンテーションを洗練 0.79
Combination of FCNN and CRF-RNN Combination of FCNN and CRF-RNN FCNNとCRF-RNNの組み合わせによるFCNNとCRF-RNN 0.82
Combination of CNN and CRF-RNN layers 組み合わせ CNNとCRF-RNNの層 0.80
Combination of U-Net and FC-CRF U-Netの組合せ FC-CRF 0.74
Combination of CNN and CRF-RNN CNNとCRF-RNNの組み合わせ 0.85
Authors Rajchl et (2017) Nogues (2016) Rajchl et (2017) Nogues (2016) 0.71
al. et al. Anatomy Fetal Brain Lung Lymph Node アル など アル 解剖学的胎児脳肺リンパ節 0.48
/ Yaguchi (2019) / 矢口(2019年) 0.73
et al. Lung ules など アル 肺ウナギ 0.50
Nod- al. al. Gao et (2016) Feng et (2020) Liu et al. ノッド アル アル Gao et (2016) Feng et (2020) Liu et al 0.47
(2018) Shen et (2018) Mesbah (2017) Luo (2018) Bhatkalkar et al. (2018) Shen et (2018) Mesbah (2017) Luo (2018) Bhatkalkar et al 0.80
(2020) al. et (2020) アル など 0.59
al. and Yang al. アル そしてヤンは アル 0.41
Qiu et (2020) Nguyen (2018) Cao et (2019) Qiu et (2020) Nguyen (2018) Cao et (2019) 0.85
al. et al. al. アル など アル アル 0.39
al. et Zhao (2018b) Monteiro et (2018) Fu et al. アル Zhao (2018b) Monteiro et (2018) Fu et al 0.53
(2016a) Chen and de Bruijne (2018) Xu al. (2016a) Chen and de Bruijne (2018) Xu al 0.83
et (2018) Lung et(2018年) 肺 0.54
Brain Tumor Cervical Nuclei Brain Tumor 脳腫瘍 頸部核脳腫瘍 0.71
Eye Sclera Melanoma 眼硬化症 メラノーマ 0.65
Fundus tic Disk Fundus tic Disk 0.85
Op- Skin Lesion struc- Op- 皮膚病変 ストローク 0.60
Ocular tures Prostate canlesions cer 眼球 tures prostate canlesions cer 0.69
Brain Tumor Prostate / Brain Tumor Retinal Vessel White matter hyperintensities Bladder 脳腫瘍前立腺/脳腫瘍網膜血管白質高強度膀胱 0.74
Table 1: CNNs Title DeepCut: Object Segmentation from using Bounding Box Annotations Convolutional Neural Networks Automatic Lymph Node Cluster Segmentation Using Holistically-Nested Neural Networks and Structured Optimization in CT Images 3D fully network-based convolutional segmentation in CT images nodules lung of synthesis inspired clinically with a data method using propagation deep Segmentation label and dense convolutional neural networks conditional random field Study Image on MRI Medical Segmentation Technology Based on CNN-CRF Model of Automatic cervical segmentation nuclei conditional and a based on deep learning random field using segmentation tumor Brain concurrent fully convolutional networks and conditional random fields Conditional incorporate random fields for networks neural convolutional human segmentation sclera semantic eye segmentation Fast lesion via fully skin convolutional residual network with architecture and CRF of Improving the Performance for the Convolutional Neural Network in Fundus Segmentation of Optic Disc Images Using Attention Gates and Conditional Random Fields Inferring Skin Lesion Segmentation With Fully Connected CRFs Based on Multiple Deep Convolutional Neural Networks Ocular segmentation from structures 3d multi-sequences mri unet with using fully connected crfs Prostate Cancer Detection and in Multi-parametric MRI Segmentation CNN and Conditional Random Field Table 1: CNNs Title DeepCut: Object Segmentation from using Bounding Box Annotations Convolutional Neural Networks Automatic Lymph Node Cluster Segmentation Using Holistically-Nested Neural Networks and Structured Optimization in CT Images 3D fully network-based convolutional segmentation in CT images nodules lung of synthesis inspired clinically with a data method using propagation deep Segmentation label and dense convolutional neural networks conditional random field Study Image on MRI Medical Segmentation Technology Based on CNN-CRF Model of Automatic cervical segmentation nuclei conditional and a based on deep learning random field using segmentation tumor Brain concurrent fully convolutional networks and conditional random fields Conditional incorporate random fields for networks neural convolutional human segmentation sclera semantic eye segmentation Fast lesion via fully skin convolutional residual network with architecture and CRF of Improving the Performance for the Convolutional Neural Network in Fundus Segmentation of Optic Disc Images Using Attention Gates and Conditional Random Fields Inferring Skin Lesion Segmentation With Fully Connected CRFs Based on Multiple Deep Convolutional Neural Networks Ocular segmentation from structures 3d multi-sequences mri unet with using fully connected crfs Prostate Cancer Detection and in Multi-parametric MRI Segmentation CNN and Conditional Random Field 0.92
via for CNN and CRF trained via ですから CNNとCRFの訓練 0.77
end-to-end integrating FCNNs A deep learning model segmentation. FCNNのエンドツーエンド統合 ディープラーニングモデルセグメンテーション。 0.71
and CRFs tumor brain Conditional Random Fields as Recurrent Neural Networks Imaging 3D Medical for Segmentation DeepVessel: Retinal Vessel Segmentation via Deep Learning and Conditional Random Field to Semantic An End-to-end Approach Segmentation with 3D CNN and Posterior-CRF in Medical Images Automatic bladder segmentation images 3D fully deep CNN and connected CRF-RNN crfs 腫瘍脳条件性ランダムフィールド 再帰的ニューラルネットワークイメージング ディープベセルのための3dメディカル 深層学習と条件付きランダムフィールドによる網膜血管セグメンテーション 医療画像における3d cnnと後方crfによるエンドツーエンドアプローチセグメンテーション 完全深層cnnと連結crf-rnn 0.71
from CT using 5 CTから 利用 5 0.78
英語(論文から抽出)日本語訳スコア
A PREPRINT - JANUARY プレプリント - 年表 0.54
20, 2021 combined with CRF / MRF models Method Combination of HCNN and CRF-RRNN 20, 2021 HCNN と CRF-RRNN を組み合わせた CRF / MRF モデル 0.82
Authors Deng et al. 著者はDeng et al。 0.64
(2020) Zhang et (2020d) (2020)zhang et(2020d) 0.86
al. Anatomy Brain Tumor アル 解剖学的脳腫瘍 0.50
Prostate al. al. Table 1: CNNs Title Deep Learning-Based HCNN and CRF-RRNN Model for Brain Tumor Segmentation ARPM-net: A novel CNN-based adversarial method with Markov Random and organs for Field enhancement prostate segmentation at risk pelvic CT images in Brain using a fully tumor segmentation network with convolutional neural conditional random fields Efficient CNN-CRF network for image 前立腺 アル アル 表1: CNNs Title Deep Learning-based HCNN and CRF-RRNN Model for Brain tumor Segmentation ARPM-net: An novel CNN-based adversarial method with Markov Random and organs for Field enhanced prostate segmentation at risk pelvic CT image in Brain using a fully tumor segmentation network with convolutional neural conditional random field Efficient CNN-CRF network for image 0.54
segmentation segmentation 0.85
retinal CNN combined with MRF block 網膜 MRFブロックを併用したCNN 0.66
CRF integrated into FCNN CRF統合 FCNNに 0.81
Combination of CNN and CRF CNNとCRFの組み合わせ 0.80
Ves- Brain tumor Ves- 脳 tumor 0.79
Retinal sel Zhao et (2016) Luo et (2017) Shape model based approaches 3 of model category The second assumptions often com(ASM) Cootes shape models are bined with CNNs active shape models et (1995) or active probabilistic (PASM). 網膜セル Zhao et (2016) Luo et (2017) Shape model based approach 3 of model category 2番目の仮定はcom(ASM) Cootes shape model arebined with CNNs active shape model et (1995) or active probabilistic (PASM)である。 0.66
al. a number training set with a fixed ASMs of manrequire ually annotated landmark points of the segmented object. アル 分割されたオブジェクトの有意な注釈付きランドマークポイントの固定されたASMで設定された数トレーニング。 0.48
Each point represents a particular part of the object and anall over position same be has These images. 各ポイントはオブジェクトの特定の部分を表現し、同じ位置にあるオールはこれらのイメージを持つ。 0.75
the in to iteratively matched are shapes notated and then a mean show different points shape is derived. 反復的に一致するinは、表記された形状であり、その後、異なる点形状を示す平均が導出される。 0.55
The landmark variabilities that are modeled by a Point Distribution Model (PDM). 点分布モデル(pdm)によってモデル化されたランドマーク変動。 0.78
Performing a principal component analysis (PCA) creating new shapes eigenvectors and weighting the allows range. 新しい形状の固有ベクトルを作成し、許容範囲を重み付けする主成分分析(PCA)を実行する。 0.75
an variability allowed in the For detecting object in image unknown an an pose algorithm is used that updates and shape parameters iteratively to improve the match until probabilisapproach this extension convergence. 画像未知のオブジェクトを検出するために許容される可変性 an pose アルゴリズムは、この拡張収束が probabilisapproach までマッチを改善するために反復的にパラメータを更新および形状化する。 0.82
An to are (2009). 2009年)に登場。 0.47
They impose et tic ASMs (PASM) Wimmer a al. 彼らはPASM (et tic ASMs) を Wimmer a al とする。 0.75
allows more weaker constraint on shapes which flexible contours with more variations from the mean shape. 平均的な形状からより多くのバリエーションを持つ柔軟な輪郭を持つ形状に対するより弱い制約を可能にする。
訳抜け防止モード: 形に対するより弱い制約を フレキシブルな輪郭で 平均的な形状から 様々なバリエーションがあります
0.74
This is achieved energy function a probabilistic by introducing which is minimized in order to a given image. これは与えられた画像に対して最小化されるエネルギー関数を導入することで確率的に達成される。 0.76
shape a to fit ability The model’s thereby improved and generalize is segmentation results outperform standard ASMs. 形状 a に適合する能力 モデルの改善と一般化により、セグメンテーション結果は標準の asm を上回っている。 0.76
the for post-processing Shape Models Though CNN based segmentation models yield good segmentation results, they implausible anatomically produce to tend segmentation contain maps at that can detached islands or parts holes not where they do occur in reality. cnnベースのセグメンテーションモデルでは良好なセグメンテーション結果が得られるが、解剖学的にはセグメンテーションには、分離された島やそれが現実に起こることのない部分の穴の地図を含む傾向がある。 0.64
Since shape models represent valid and anatomically plausible it makes shapes, post-processing them in apply to sense steps regularto initial CNN segmentations and transform them into a ize valid shape domain. 形状モデルは妥当かつ解剖学的に妥当であるので、後処理は初期cnnのセグメンテーションに規則的なステップを感知し、izeの有効な形状ドメインに変換する。 0.72
Xing et (2016) take up this idea al. xing et (2016)はこのアイデアを取り入れている。 0.83
segmenThe segmentation. セグメンテーション。 0.40
to nucleus and apply it initial post-processing the are tations a CNN and by generated sparse step includes a selection-based shape model for top-down shape inference, which is more insensitive to object occlusions compared to PCA-based shape models, for bottom-up shape and an additional deformable model follows deformation. CNNのアセテーションを初期処理し、生成したスパースステップにより、トップダウン形状推論のための選択ベースの形状モデルを含み、ボトムアップ形状に対してPCAベースの形状モデルよりもオブジェクトの閉塞に敏感で、さらに変形可能なモデルも変形に従う。 0.75
Also Hsu (2019) strategy for segthis They swap out mentation and tracking of the left ventricle. segthisのHsu(2019)戦略も、左室のメンテーションと追跡を交換している。 0.71
to improved ASM use a Faster-RCNN and the CNN for an obtain matching allows in points greater ranges. へ 改良されたASMでは、Faster-RCNN と CNN を使用して、より広い範囲を取得できる。
訳抜け防止モード: へ ASMの改善はFasterを使用する - RCNN と CNN は、より広い範囲で取得できる。
0.68
to that improving the ASM by on Fauser al. Fauser al で ASM を改善することです。 0.65
(2019) et continue using a probabilistic ASM that is more flexible and alThe space. (2019) et は、より柔軟で、空間的な確率的 asm を使い続ける。 0.74
shape lows the of segmentation the leaving left the ventricle is results of three performed by combining CNN-PASM models for each dimension. 形状は、左室のセグメンテーションのセグメンテーションを低くし、cnn-pasmモデルを各次元に組み合わせて行った3つの結果である。 0.60
Another modified ASM is proposed by Medley et al. 別の修正ASMはメドレーらによって提案されている。 0.53
(2020). The authors during outliers to use Expectation-Maximiza tion deal with different ASM the ASM. (2020). expectation-Maximiza tion は ASM の異なる ASM に対応している。 0.75
They optimizing also evaluate a conclude features that CNN that learns the input and EM-ASM performs feature maps for best. また、入力を学習し、EM-ASMがベストに機能マップを実行するCNNの機能を評価する。 0.63
Besides the improving on the ASM a different approach by Karimi an predictions with better generating for aims al. asmの改善に加えて、karimiによるaims alのより良い生成による予測のアプローチも異なる。 0.73
et (2019) ensemble of U-Net different filters like CNN models with a SSM model, and parameters. et (2019) ssmモデルを持つcnnモデルやパラメータなど、u-netの異なるフィルタのアンサンブル。 0.79
In their approach based on the individual models, thresholded segmentations from all ensemble the disagreement between the is only applied if the CNN for using Instead high. 個々のモデルに基づくアプローチでは、CNNがハイを使用する場合にのみ、すべての領域からしきい値のセグメンテーションが適用されます。 0.70
models of becomes to also sufficient generating segmentation maps, to only is it predict bounding boxes as initializations for ASMs. モデルはまた、asmの初期化として境界ボックスを予測するだけでなく、セグメンテーションマップを生成するのに十分である。 0.60
Such an approach is applied by Tabrizi et al. このようなアプローチはTabriziらによって適用される。 0.64
(2018) on kidney segthe final fuzzy-ASM produces a segmentation where also et mentations. (2018) 腎臓における最終ファジィASMは, セグメンテーションやメンテーションを生じる。 0.68
uses Li a CNN for al. Li を al に CNN を使用する。 0.88
bounding (2018) before prediction, box but adds an step utilizintermediate ing statistical shape model for myocardial segmentation, a in which a random forest classifier builds probability maps tree model, more boxes. 予測の前にバウンディング(2018年) box but add a step using intermediate ing statistical shape model for myocardial segmentation, ランダムフォレスト分類器が確率マップツリーモデルなどを構築する。 0.76
Another bounding given from the an adaptive specific feature learning probability boosting tree (AFL-PBT) is also utilized by He et al. aadaptive specific feature learning probability boosting tree (afl-pbt) から与えられた別の境界もheらによって利用されている。 0.76
as an initial step to classify voxels for segmentation. セグメンテーションのために ボクセルを分類する最初のステップとして 0.60
A prostate subsequent CNN then probability maps boundary extracts employed to generate final three-level ASM is and a segmentations. その後のCNNは、最後の3レベルASMを生成するために使われる確率マップ境界抽出とセグメンテーションを生成する。 0.59
(2018) for prior knowledge Shape Models second paraIn this are the shape models papers where present graph we some network. (2018) 事前知識のための形状モデル 第2のパラインは、現在のグラフがネットワークとなる形状モデル論文である。 0.80
learning Two before deep applied pre-hoc any category proposed are forward models straight for this et al. 深く適用されたプレホックの前に2つの学習 提案されたカテゴリは、この他、直接に前方モデルである。 0.53
(2020). In Fan by Cheng et al. (2020). In Fan by Cheng et al. 0.85
(2016) and Fan Itra-Cholear 3D U-Net-like CNN segments (2020) al. (2016)およびFan Itra-Cholear 3D U-Net-like CNN segments (2020) al。 0.79
et a ASM segmentations initial based from an anatomy on and the original CT images. etは、解剖学的オンと元のCT画像に基づいて、ASMセグメンテーションを行う。 0.69
al. (2016) the Cheng et on アル (2016年)Chengなど 0.34
6 6 0.85
英語(論文から抽出)日本語訳スコア
that a CNN for あれ CNN (複数形 CNNs) 0.61
use segmentations initial hand other refining that produces (AAM) from an Active Appearance Model basically The AAM is segmentations. セグメンテーションの初期使用 他の(aam)をアクティブな外観モデルから生成する精錬の使用 aamは基本的にセグメンテーションである。 0.63
prostate coarse only shape model texture an additional extended an adds better fitting two models The other model for capabilities. 前立腺粗い唯一の形状モデルテクスチャの追加拡張は、2つのモデルの適合性を改善する。 0.80
approaches, but use some pipeline-like already introduce for as prior knowledge. しかし、すでに事前の知識として導入されているパイプラインのようなアプローチを使う。 0.49
The pipeline shape model both a in Duy al. パイプライン形状モデルはどちらもDuy alである。 0.70
et segmentation subcortical region starts (2018) classifies with a pre-processing SVM that sagittal slices into groups of similar shape. et segmentation subcortical region start (2018) は、矢状スライスを同様の形のグループに分割する前処理SVMで分類する。 0.79
The prior ASM then creates finalized segmentations rough group which for are each an propose the a CNN. 前のASMは、それぞれがCNNを提案する最終的なセグメンテーションラフグループを生成する。 0.64
Further by optional CRF authors et post-processing. さらに、オプションのCRF著者らによる後処理。 0.56
Nguyen model for (2019) introduce al. Nguyen モデルは (2019) al を導入している。 0.74
traditional a more the ASM as prior for uveal melanoma segmentation where as a constraining term for a it is used CRF model activation is based on Grad-CAM (class that maps) segmentations The final heatmaps. crfモデルアクティベーションは、最終ヒートマップのgrad-cam(class that map)セグメンテーションに基づいている。 0.24
are again genthe CRF with original erated with a U-Net that combines input CTs. 入力CTを組み合わせたU-NetでオリジナルエミュレートされたCRFを、再び生成する。 0.62
structures anatomical 構造 anatomical~ 0.75
examined in Figure 3: Overview of the relevant papers and CNN multiple with Pipeline ASM approaches models shape models combining for category last The that all approaches consist of contains and neural networks arranged different models along pipelines. 調査中 図3: 関連する論文の概要とパイプラインのasmアプローチによるcnn multiple モデル カテゴリの最後には、すべてのアプローチがパイプラインに沿って異なるモデルを配置し、ニューラルネットワークが構成する。 0.69
The motivation in images input to is coarse-to-fine process a or stage-wise hence and capture more to allows that way information reIn the models by in more sult accurate segmentation maps. 入力される画像のモチベーションは、より粗いプロセス a または段階的なプロセス a であり、より多くの情報をキャプチャすることで、より厳密なセグメンテーションマップでモデルを再入力することができる。 0.61
Tack et al. (2018) for knee menisci, Ambellan et al. tackら。 (2018年) 膝半月, Ambellan et al。 0.39
(2019) for knee bone & cartilage, and Brusini et al. (2019) 膝骨軟骨, brusini et al。 0.48
(2020) for hipcombine multiple pipelines the segmentation, pocampus 2D U-Nets three CNNs All start with initial and SSMs. (2020)hipcombine multiple pipelines セグメンテーション、pocampus 2d u-nets 3つのcnnはいずれも初期およびssmから始まる。 0.77
regularized by SSMs which are used to extract 3D smaller より小さな3Dの抽出に使用されるSSMによって正規化された 0.55
A PREPRINT - JANUARY プレプリント - 年表 0.54
20, 2021 and Ambellan et al. 20, 2021 and ambellan et al。 0.82
(2019) Tack et al. (2019年)タックら。 0.52
(2018) subvolumes. afterwards, whereas Brusini 3D U-Net an apply additional their predicand averages three U-Nets (2020) uses et al. (2018年)。 その後、Brusini 3D U-Net が適用され、3つのU-Net (2020) が用いられる。 0.43
(2019) segmentations. (2019年) 分割。 0.69
Ambellan to tions obtain final et al. Ambellan to tions は final et al を得る。 0.85
this further continues after step and utilizes a second 3D the SSM model obtain segmentations and to knee bone aftercartilage the segment to third U-Net applies even a wards. これはさらにステップ後に続き、第2の3Dモデルを用いてセグメントを取得し、第3のU-Netへのセグメントの移植後に膝骨を移植する。 0.63
Besides these typical pipelines, there also some are hybrid approaches we count to this category that integrate shape models and neural networks. これらの典型的なパイプラインに加えて、形状モデルとニューラルネットワークを統合するこのカテゴリのハイブリッドアプローチもいくつかある。 0.76
They use special CNNs an SSM, which parameters that the are of predicts directly the modes of variations), for (weights the shape coefficients the pose parameters. 彼らは特別なCNN(SSM)を使用し、(ポーズパラメータの形状係数の重み)は、そのパラメータが変化のモードを直接予測する。 0.72
Qin et al. (2020) use such a SSM-Net small a inside pipeline for prostate segmentation. など。 (2020) このようなSSM-Netを内部パイプラインで前立腺分節化する。 0.46
They an inception-based network that directly predicts propose the SSM which can be back-translated into parameters of this, Parallel prediction. 彼らは直接予測するインセプションベースのネットワークであり、このパラレル予測のパラメータにバック変換できるssmを提案する。 0.80
prostate a to contour residual a probability maps U-Net generates The inputs. prostate a to contour residual a probability maps u-netは入力を生成する。 0.77
from the final segmentations are generated the averaging outputs by of both models. 最終的なセグメンテーションから、両方のモデルの平均出力が生成される。 0.78
The method of Tilborghs et al. Tilborghs et al.のメソッド。 0.64
(2020) same segmentation is based on the left ventricle for idea, Instead pipeline. (2020) 同じセグメンテーションは、アイデアのための左室、代わりにパイプラインに基づいている。 0.65
but removes the small the they modify CNN and add a third actual distance output which is an map. しかし、CNNを変更する小さな部分を削除し、マップである3番目の実際の距離出力を追加する。 0.72
A special loss function is used to train the network tosegmentation map the optimizing ward the SSM alongside by Karimi approach parameters. 特殊損失関数は、karimiアプローチパラメータと共に最適化されたssmワードのネットワークトセメンテーションマップをトレーニングするために使用される。 0.75
A nearly identical et al. to applied is Their CNN (2018) prostate segmentation. ほぼ同一である。 適用対象はCNN (2018) 前立腺分節である。 0.59
predicts the prostate, the shape model pacenter position of rameters, and a rotation vector which to a final are passed landmark points coordinates of the that outputs layer the segmentation map. 前立腺、ラメータの形状モデルパセンタ位置、および最終点に渡される回転ベクトルを予測し、セグメンテーションマップの層を出力するランドマークポイント座標を出力する。 0.72
final the a resemble which Schock et al. 最後の A は Schock らに似ています。 0.69
(2020) relies on the same method for bone & knee cartilage segmentation, but extend preit with additional 2D preprocessing post-processing and steps. (2020年) 骨と膝軟骨のセグメンテーションと同じ方法に依存しているが、2d前処理とステップを追加してpreitを拡張している。 0.62
a add They and crop the volinitial bone positions that detects U-Net femur or ume into subvolumes which only contain the tibia SSM-Net Afterwards bone. 付加体は、u-net大腿骨またはウメを検知する揮発性骨の位置を、後の骨のみを含むサブボリュームに抽出する。 0.62
their comes into that place and the predicts actual landmarks in the SSM parameters step fine-tuning additional An PCA layer. それらはその場所に入ってきて、ssmパラメータの実際のランドマークを微調整してpca層を追加します。 0.46
subsequent a cartilage then segmentations with 3D Ugenerates the a at Net based on subvolumes centered the bones’ landmark points. その後、軟骨が3dで分割され、骨のランドマークポイントを中心としたサブボリュームに基づいたa atネットが生成される。 0.57
Rather than integrating the SSM and CNN, Ma et al both, that a Bayesian model (2018) integrates introduces robust kernel SSM (RKSSM) the CNN and a task for the At first pancreas of the RKSSM is initialsegmentation. ma と al はともに ssm と cnn を統合するのではなく、ベイズモデル (2018) が cnn にロバストなカーネル ssm (rkssm) を導入することで、rkssm の最初の膵臓のタスクは初期化である。 0.65
ized the detected ROI a Dense U-Net. 検出されたROIをDense U-Netに固定する。 0.51
A Gaussian to fit of Mixture Model afterwards guides the shape adaption and iteratively the shape RKSSM onto adapted projects convergence which results segmentation in the final until map. 混合モデルのガウス的整合性はその後、形状適応と反復的に RKSSM を適応されたプロジェクト収束に導く。 0.58
the Authors Anatomy Xing et (2016) はあ? 作者 解剖 Xing (複数形 Xings) 0.53
al. Nucleus Table 2: CNNs Title アル 核 表2:CNNのタイトル 0.56
combined with Active Shape Models Method 能動形状モデル法と組み合わせて 0.79
post-processing An Automatic Learning-Based Framework for Robust Nucleus Segmentation ロバスト核セグメンテーションのための自動学習ベースフレームワークのポストプロセッシング 0.74
ASM for Shape Model ASM for 形状モデル 0.82
refines CNN segmentation CNNセグメンテーションを洗練する 0.64
7 BladderBrainBreastCa rdiacDentalEarEyeFet usKidneyKneeLiverLun gLymphNodeNucleiPanc reasPlacentaProstate Skin2468101214161820 #ofPapersMethodCRFAC MASM 7 膀胱白内障性心電図 : fetuskidneykneeliver lunglymphnodenucleip ancreasplacentaprost ateskin2468101214161 820#ofpapersmethodcr facmasm 0.45
英語(論文から抽出)日本語訳スコア
A PREPRINT - JANUARY プレプリント - 年表 0.54
20, 2021 combined with Active Shape Models Method Three-level-ASM refines CNN 20, 2021 アクティブ形状モデル法と組み合わせた3レベルASMによるCNNの改良 0.76
segmentations segmentation 0.83
of Probabilistic ASM refines segmentation random-forest ASM refines initialized by a CNN ですから 確率的ASMはCNNによって初期化されたセグメント化ランダムフォレストASM精製を洗練する 0.49
2D U-Net segmentations 2次元U-Netセグメンテーション 0.51
ASM initialized with CNN generated features maps SSM refines of CNNs Fuzzy ASM segmentations generated bounding boxes cnnによる初期化 asm 生成特徴マップ ssm refines of cnns fuzzy asm segmentations generated bounding box 0.68
segmentations segmentation 0.83
based from ensemble ベース アンサンブルから 0.42
on DNN ASM improves R-CNN segmentations detection DNNについて ASMはR-CNNセグメンテーション検出を改善した 0.56
tracking and for 追跡 そして ですから 0.66
CNN refines ASM segmentations CNNがASMセグメンテーションを洗練 0.68
2D-CNN refines Active Appearance Model U-Net 2D-CNNがアクティブ外観モデルU-Netを改良 0.52
refines ASM segmentations ASMセグメンテーションを洗練する 0.62
segmentations segmentation 0.83
from an U-Net uses ASM as から U-Net は ASM を 0.60
segmentations prior 以前のセグメンテーション 0.61
based knowledge on a CRF that 基礎知識 CRF (複数形 CRFs) 0.63
3D CNN and SSM initialized by 2D models 2次元モデルによる3次元CNNとSSMの初期化 0.57
ASM as input for CNN asm as 入力 cnnのために 0.61
and SSM segmentations ssmのセグメンテーションは 0.60
combined U-Net within Bayesian model Segmentations combined SSM-Net combined~ SSM-Netを併用したベイズモデルセグメント内のU-Net 0.61
predictions of U-Net and 予測 U-Net そして 0.77
Authors He et al. 著者: he et al。 0.73
(2018) Anatomy Prostate (2018) 解剖学 0.71
et Fauser al. とfauser al。 0.63
(2019) (2018) al. (2019) (2018) al。 0.78
Li et Temporal Bone Myocardial Medley (2020) Karimi (2019) Tabrizi (2018) 李等 側頭骨心筋 Medley (2020) Karimi (2019) Tabrizi (2018) 0.66
et et al. al. Ventri- など アル アル ベントリ- 0.32
Left cle Prostate et left‐cle など 0.53
al. Kidney Hsu (2019) アル 腎臓 hsu (2019) 0.66
Left cle Ventri- 左のクレ ベントリ- 0.46
Duy et (2018) Cheng (2016) Fan et (2020) Duy et (2018) Cheng (2016) Fan et (2020) 0.85
al. et al. al. アル など アル アル 0.39
Nguyen (2019) Nguyen (2019) 0.85
et al. Re- Brain gion Prostate など アル 再会 脳ギオン前立腺 0.55
IntraCholear Anatomy Uveal Melanoma temporal 真珠内黒色腫の1例 時間的 0.51
image-guided preoperative bone イメージガイド 術前骨 0.63
Table 2: CNNs Title Image Automatic Magnetic Resonance on Adaptive Prostate Segmentation Based Feature Learning Probability Boosting Tree Initialization and CNN-ASM Refinement Toward an automatic pipeline for surgery Fully Automatic Myocardial Segmentation of Contrast Echocardiography Sequence by Shape Using Random Forests Guided Model for Robust Deep Active Shape Model Object Fitting and robust Accurate deep learning-based clinical the segmentation of prostate target images volume in ultrasound segmentation Automatic kidney in 3D pediatric ultrasound images using deep neural networks and weighted fuzzy active shape model Automatic Left Ventricle Recognition, and Tracking Segmentation in Cardiac Ultrasound Image Sequences Table 2: CNNs Title Image Automatic Magnetic Resonance on Adaptive Prostate Segmentation Based Feature Learning Probability Boosting Tree Initialization and CNN-ASM Refinement Toward an automatic pipeline for surgery Fully Automatic Myocardial Segmentation of Contrast Echocardiography Sequence by Shape Using Random Forests Guided Model for Robust Deep Active Shape Model Object Fitting and robust Accurate deep learning-based clinical the segmentation of prostate target images volume in ultrasound segmentation Automatic kidney in 3D pediatric ultrasound images using deep neural networks and weighted fuzzy active shape model Automatic Left Ventricle Recognition, and Tracking Segmentation in Cardiac Ultrasound Image Sequences 0.91
prior-knowledge ASM as extraction using Active and Convolutional Neural アクティブニューラルネットワークと畳み込みニューラルネットワークを用いたASMの抽出 0.53
Accurate brain Shape Model Networks appearance model and deep learning Active prostate for more segmentation on accurate MRI and deep-learning-based Combining modeland robust methods the accurate for intra-cochlear segmentation of the anatomy in head CT images clinical framework segmentation A novel uveal for melanoma based on magnetic resonance imaging and class activation maps 正確な脳形状モデルと深層学習のための能動前立腺モデルと高精度MRIおよび深層学習に基づくコンバインドモデルとロバストな手法による頭部CT画像における解剖学的組織内セグメンテーションの精度 臨床フレームワークセグメンテーション 磁気共鳴画像とクラスアクティベーションマップに基づくメラノーマの新しい試み 0.84
Ambellan et (2019) Ambellan et (2019) 0.85
al. Knee Bone Cartilage / Tack et (2018) Brusini (2020) アル 膝骨軟骨 / Tack et (2018) Brusini (2020) 0.64
al. et al. Knee Menisci Hippocampus アル など アル 膝半月板海馬 0.46
Ma et al. (2018) Qin et (2020) など。 (2018年)秦ら(2020年) 0.42
al. Pancreas Prostate using アル 膵臓 前立腺 利用 0.53
Automated Segmentation of Knee Bone and Cartilage combining Statistical Shape Knowledge and Convolutional Neural Networks: Data from the Osteoarthritis Initiative Knee Menisci Segmentation Convolutional Neural Networks: Data the Osteoarthritis Initiative the Shape Improves Information Cross-Cohort Performance of Deep Learning-Based Segmentation of the Hippocampus deep incorporating A novel bayesian model neural and shape model statistical network for pancreas segmentation A weakly supervised registration-based framework for prostate segmentation via the shape model and CNN Automated Segmentation of Knee Bone and Cartilage combining Statistical Shape Knowledge and Convolutional Neural Networks: Data from the Osteoarthritis Initiative Knee Menisci Segmentation Convolutional Neural Networks: Data the Osteoarthritis Initiative the Shape Improves Information Cross-Cohort Performance of Deep Learning-Based Segmentation of the Hippocampus deep incorporating A novel bayesian model neural and shape model statistical network for pancreas segmentation A weakly supervised registration-based framework for prostate segmentation via the shape model and CNN 0.92
combination of statistical from 組み合わせ 統計 from ~ 0.67
8 Pipelines with multiple ASM and CNN models & Hybrid 8 複数のASMとCNNモデルとハイブリッドを備えたパイプライン 0.76
approaches Three CNN and アプローチ 3 つの CNN と 0.75
two SSM models 2つのSSMモデル 0.68
英語(論文から抽出)日本語訳スコア
A PREPRINT - JANUARY プレプリント - 年表 0.54
20, 2021 Authors Tilborghs (2020) Karimi (2018) 20, 2021 著作家 Tilborghs (2020) Karimi (2018) 0.86
et et al. al. など など アル アル 0.46
Anatomy Left Ventricle Prostate Schock (2020) 左室前立腺の解剖 Schock (複数形 Schocks) 0.59
et al. Knee Bone & Cartilage など アル 膝骨と軟骨 0.49
combined with Active Shape Models Method Hybrid segmentations CNN predicts parameters アクティブシェイプモデルと組み合わせたハイブリッドセグメンテーションCNNがパラメータを予測する 0.76
Table 2: CNNs Title Shape Constrained CNN for Cardiac MR Segmentation with Simultaneous Prediction of Shape Prostate using a convolutional architecture and training statistical shape models A Method for Semantic Knee Bone and Cartilage Segmentation with Deep 3D Shape Fitting Using Data from the Osteoarthritis Initiative 表2:cnnsタイトル・シェイプ制約付き心筋mrセグメンテーションcnn : 畳み込み構造と統計的形状モデルの訓練による形状予測 変形性膝関節症イニシアチブのデータを用いた深部3次元形状適合による意味的膝骨・軟骨セグメンテーションの方法 0.79
and Pose Parameters in MRI segmentation network neural strategy based on MRIセグメンテーション神経戦略におけるポスパラメータとポスパラメータ 0.71
CNN that predicts 3D-ASM parameters 3D-ASMパラメータを予測するCNN 0.55
segmentations refined is 精巧なセグメンテーションは 0.67
and by U-Net approach where CNN generates そしてU-Net CNNが生成するアプローチ 0.84
and ASM parameters segmentations ASMパラメータのセグメンテーション 0.69
and 3D-ASM Active 4 contour approaches deep learncombined with often that type A last of models Active are knowledge shape incorporate ing models to Contour Models known (1988) et (ACM) Kass also , al. 3D-ASM Active 4 contour approach with deep learncombined that type A last of model Active is knowledge shape include ing models to Contour Models known (1988) et (ACM) Kass also , al。 0.71
snakes. A snake controlled continuity a deformable as is or towards contours that is edges by minipushed spline function energy mizing under the influence different an of forces and constraints. ヘビだ スネークコントロールされた連続性は、力や制約の異なる影響下で最小化されたスプライン関数エネルギーにより、エッジである輪郭に対して変形可能となる。 0.61
It consists of an internal energy that an image the keeps energy and smooth, continuous contour contours, attracts that external and an force it to constraint approach are that adds user-imposed guidance. イメージがエネルギを保ち、滑らかで連続的な輪郭の輪郭を保ち、外部を惹きつけ、制約アプローチに強制する内部エネルギーから成り、ユーザに影響を与えるガイダンスを追加する。 0.68
A similar level set functions (LSF) introduced by Andrew (2000) and firstly segmentation by Malladi et al. アンドルー (Andrew (2000) によって導入された同様のレベル集合関数 (LSF) と、最初に Malladi et al によって区切られる。 0.66
applied to image function where a higher dimensional (1995). より高次元(1995年)の画像関数に適用する。 0.81
An LSF is a speed funczero level set. lsf は速度函手ゼロレベル集合である。 0.66
With a contour is defined as its tion, from the derived controls image, the evolution of that the surface over time, a Hamilton-Jacobi partial differential equation can be obtained. 輪郭をその対数として定義すると、導出された制御像から、時間とともに表面の進化が、ハミルトン・ヤコビ偏微分方程式が得られる。 0.69
for post-processing ACM models Since ACM models based of the are on idea evolving a it makes contour, sense to apply them as an inia post-processing step to improve and by Middleton early model segmentation map. 処理後acmモデルでは、アイデア進化に基づくacmモデルが輪郭を成すので、それらを改良とミドルトン初期モデルセグメンテーションマップによるinia後処理ステップとして適用することは理にかなっている。 0.72
An tial (2004) uses only a Damper simple multilayer perceptron binary that (MLP) pixel-wise boundary predictions creates for lung segmentation. tial (2004) は、(mlp) ピクセル単位の境界予測が肺分画のために生成する単純な多層パーセプトロンバイナリのみを使用する。 0.72
Since and these are very rough contain misclassifications to used the ASM is and improve (2018) Salimi contour. そのため、これらは非常に粗いもので、ASMは(2018年)Salimi contourを使用・改善する誤分類を含んでいる。
訳抜け防止モード: ですから、これは非常に粗いもので、ASMを使用するための誤分類が含まれています。 and improve (2018 ) Salimi contour .
0.55
the close et al. the close et al"に完全一致する。 0.41
is also based on an an vector field convolution to the ACM to adds MLP, but make it more robust for prostate segmentation. また、MLPを追加するために ACM へのベクトル場畳み込みに基づいているが、前立腺のセグメンテーションをより堅牢にする。 0.76
However, the more recent ACM post-processing models and are exclusively based on different CNN architectures anatomies. しかし、より最近のacm後処理モデルは、異なるcnnアーキテクチャの解剖のみに基づいている。 0.70
al. of variety a to et Li use are applied (2017b) classic ACM for a refined a FCN that ventricle is by left is segmentation. アル 各種 a と Li の使用法は (2017b) 古典的 ACM を用いて左心室がセグメンテーションである FCN を精製する。 0.49
The same approach taken by Guo et al. Guoらも同じアプローチだ。 0.49
(2018a) utial. liver (2019) segmentation and Zhao et for approaches by Xu In the segmentation. (2018a)。 肝臓 (2019) segmentation と Zhao et for approach by Xu In the segmentation. 0.77
it lize for nucleus the final et al (2019) the ACM refinements are not yet steps adaptive ellipse fitting and additional is used segment to breast nuclei. 最終的なet al(2019)では、acmの改良はまだ段階的に適応した楕円体への適合性がなく、乳房の核へのセグメントの追加に使われる。 0.58
Hu et al. (2019) transet al. など。 (2019年)トランスエット・アル。 0.39
(2018) and Fang fer tumor detection refinement method to breast the basic over multiple phase-based ACM that with a improves iterslightly modified ACM post-processing ations. (2018)およびFang fer tumor detection refinement method to breast the basic over multiple phase-based ACM that with a improveerslightly modified ACM post-processing ations。 0.89
A different 9 al. (2020) 違う 9 アル (2020) 0.61
further and is computations method is based on geodesic segmentaand Yang used by Ma root for (2019) dental Zhang et al. さらに、計算法は、Ma root が (2019) Dental Zhang et al に用いた測地線セグメントと Yang に基づいている。 0.75
lung (2020) for tion segmentation. イオン分画のための肺(2020年)。 0.57
and Nunes integrates et al (2020b) also introduces a special ACM that segments partial a fourth-order differential equation and plaque based on an initial R-CNN segmentation. また、Nunes Integrations et al (2020b) は、4階微分方程式とプラークの一部を初期R-CNNセグメンテーションに基づいて分割する特別な ACM も導入している。 0.64
Instead initial CNN predicted an segmenrefining of just per-pixel a Chan-Vese ACM to use da Silva tation map, et segmentation on DCNN coarsely classigenerate prostate rough initialization fied superpixels which only represent furet authors of Kot The contour model. 代わりに初期cnnは、da silva tation map, et segmentation on dcnn roughly classigenerate prostate rough initialization fied superpixels を使用するために、chan-vese acm 当たりのsegmenrefining を予測した。
訳抜け防止モード: 代わりに最初のCNNは、ダ・シルバのテイテーションマップを使用するために、Chan - Vese ACMの1ピクセルあたりのセグメンレフィニングを予測した。 DCNN粗分級前立腺粗初期化ファイドスーパーピクセルのエセグメンテーション Kot の表現は contour モデルのみである。
0.60
for the (2020) al. は(2020年)アル。 0.64
two models where the separate ther the CNN masks bone is removed segment the ACM to for tissue which brain tumors. cnnの分離されたtherが骨をマスクする2つのモデルでは、acmを脳腫瘍の組織に分割する。 0.74
The last special approach in the ACM category by integrates that hybrid model (2020c) et Zhang a an is al. ACMカテゴリーにおける最後の特別なアプローチは、ハイブリッドモデル (2020c) と Zhang a an is al を統合することである。 0.77
The ACM into a U-Net. ACMからU-Netへ。 0.75
resulting deep active contour network (DACN) is end-to-end trainable with a special ACM based function and automatically cervical loss segments large number and skin lesions. 結果として、DACN(Deep Active Contour Network)は、特別なACMベースの機能でエンドツーエンドのトレーニングが可能となり、自動的に頚椎損傷セグメントが多数および皮膚病変を発生させる。
訳抜け防止モード: その結果、ディープアクティブな輪郭ネットワーク(DACN)は、特別なACMベースの関数で-to-エンドトレーニング可能である 頸動脈の損傷は 多数と皮膚の病変が
0.61
Besides ACM, cells another as rely on level of functions approaches (LSF). ACM以外の細胞は機能レベルアプローチ(LSF)に依存している。 0.72
Same before a CNN is used for generating initial segmentation maps which are then refined by the LSF. CNNが最初にセグメンテーションマップを生成するために使われる前と同じで、LSFによって洗練される。
訳抜け防止モード: CNNが使われる前と同じ。 初期セグメンテーションマップを生成し、LSFによって洗練される。
0.80
Hatamizadeh et al. Hatamizadehなど。 0.54
(2019) uses lung segmentation, Gong this for brain, liver, segmentation, Carbajal-Degante pancreas for (2019) al. (2019)は、Gong this for brain, liver, segmentation, Carbajal-Degante pancreas for (2019) al。 0.71
et et segmentation, al. et et segmentation, al. 0.85
(2020) for ventricle and liver and Xie segmentation. (2020年)心室・肝・xie分画。 0.50
ventricle et al. ventricle et alの略。 0.68
(2020) for left extra Some for dental pulp seg(2021) processing is made in Yang et al mentation where the initial CNN segmentations are used the LSF. (2020年) 歯髄のセグ(2021年) 処理は, 初期CNNセグメンテーションをLCFで用いたYang et al mentationで行う。 0.50
curves which are used to guide elliptic to calculate sufficient it often is In general, for the LSF to initialize boxes or bounding them only with a rough region of inter(2019) use So, Liu et est annotations. LSF がボックスを初期化したり、インター(2019) の荒い領域でのみ境界付けられたりするために、So, Liu et est アノテーションを使用するのが一般的である。
訳抜け防止モード: 楕円型を導くために使われる曲線は、しばしばそれを計算するために、一般には、 LSF がボックスを初期化したり、インター(2019 ) の粗い領域でのみ境界付ける場合、So を使用する。 Liu と est アノテーション。
0.72
al. a Faster RCNN serve left of boxes location generate to as atriums which for input Avendi after Otsu the LSF thresholding. アル より高速なrcnnはボックスの左端でatriumとなり、大津のldfしきい値の後にavendiが入力される。 0.46
et al. between CNN ROI (2016) inserts an additional step detection and LSF segmentation where initial left-ventricle the shape is inferred with an stacked auto-encoder. など。 CNN ROI (2016) の間に追加のステップ検出と LSF セグメンテーションが挿入される。
訳抜け防止モード: など。 CNN ROI (2016 )は追加ステップ検出とLCFセグメンテーションを挿入する 最初の左 - 心室 形状はスタックされたauto - encoderで推測される。
0.52
In comin Cha approaches, to parison (2016) the al. in comin cha approach, to parison (2016) the al.(英語) 0.72
et two these to classify if CNN is not used to predict ROI, but an ROI is part of the bladder. これら2つは、CNNがROIを予測するのに使われていないかどうかを分類するためですが、ROIは膀胱の一部です。
訳抜け防止モード: これら2つは、CNNがROIを予測するために使われていないかどうかを分類する。 ROIは膀胱の一部です
0.65
The outputs are then refined by three different 2D LSF afterwards. その後、出力は3つの異なる2D LSFによって精製される。 0.64
Another 3D LSF and a final segmentations the pipelines where recurrent to use idea is are refined iteratively. 別の3d lsfと最後のセグメンテーションでは、アイデアを再利用するパイプラインが反復的に洗練されている。 0.59
Such an approach is introduced by Tang et al. このようなアプローチは唐らによってもたらされる。 0.60
(2017) where both models are integrated into a (2017) 両モデルがaに統合された場合 0.74
set セット 0.73
英語(論文から抽出)日本語訳スコア
A PREPRINT - JANUARY プレプリント - 年表 0.54
20, 2021 and liver FCN-LSF. 20, 2021 および肝FCN-LSF。 0.81
The method is used for left ventricle the LSF segmentation with semi-supervised training where segmentation and backpropagates the gradually refines a al. この方法は左室に半教師付きトレーニングを施したLSFセグメンテーションを用いており、セグメンテーションとバックプロパゲーションは徐々にalを洗練させる。 0.54
et to proposed FCN. 提案しているfcn。 0.52
Hoogi the loss (2017) improve Hereby the CNN estimates different process. hoogi the loss (2017) ここでcnnは異なるプロセスを見積もっている。 0.59
a iterative outside if the zero level set is inside, or near the lesion boundary. ゼロレベルセットが内側、または病変境界付近にある場合、外部の反復性。 0.78
are the LSF parameters these Based calcuon and The then process lated the contour is evolved. 以下は LSF のパラメータである。 Based calcuon and The process lated the contour is evolved。 0.75
repeats until convergence. 収束するまで繰り返す。 0.79
refine ACM segmentations a CNN to Using Besides for ACMs use that approaches of majority the postare used also methods where ACMs are processing, there or segmentations are guided by CNNs. acmセグメンテーションを洗練する cnn は、acm が処理中、そこで、または、セグメンテーションが cnn によって誘導される方法で、大多数のアプローチを使用する。
訳抜け防止モード: CNN から ACM のセグメンテーションを洗練する Add for ACMs Use ポストの大半のアプローチは、ACMが処理するメソッドも使用しています。 あるいはセグメンテーションはCNNによってガイドされる。
0.73
initial to obtain the first (複数形 firsts) 0.41
(2009) et al. by Ahmed these approaches of earliest The and from images tissue skull remove ACM to uses an neural a applies the to classify network artificial simple (2016) introet Rupprecht regions. 2009年)など。 Ahmed氏によるこれらのアプローチと、画像組織頭蓋骨からACMを除去し、ニューラルネットワークを使用して、ネットワークの単純性(2016年)のイントロレットであるRupprecht領域を分類する。 0.52
al. remaining brain the ACM is guided by the CNN. アル 残りの脳はCNNによってACMが誘導される。 0.51
an approach where duce The ACM generated rough segmentations of the left venaround predicts tricle. ACMを誘導するアプローチでは、左のベノアラウンドの粗いセグメンテーションが三重項を予測する。 0.51
patches vectors A CNN then on this towards that point each pixel of closes initial contour object boundary points and are used to further evolve the contour. パッチベクトル CNNは、この点に向かって、初期輪郭オブジェクト境界点を閉じ、さらに輪郭を進化させるために使用される。
訳抜け防止モード: パッチベクトル CNN はこの点をその点へ向け、初期輪郭オブジェクト境界点を閉じる各ピクセル 輪郭をさらに進化させるために使われます
0.78
The latest method for this category by Kasinathan seginitial generate et the ACM to uses also (2019) al. kasinathan seginitial generation et the acm to use also (2019) al によるこのカテゴリの最新の方法。 0.75
mentations, it more specific segments nodules. mentation, it more specific segments nodules. 0.83
all lung A post-processing CNN afterwards classifies them or removes all lung (複数形 all lungs) 0.31
false positives. Authors Anatomy Table 3: CNNs Title 偽陽性 作者 解剖 表3:CNNのタイトル 0.60
combined with Active Contour Models Method 能動輪郭モデル法と組み合わせて 0.71
Lung Prostate Left cle 肺 前立腺 左のクレ 0.63
Ventri- Breast Tumor ベントリ- 乳腺腫瘍 0.47
Liver and Middleton (2004) Damper et Salimi al. 肝臓 And Middleton (2004) Damper et Salimi al. (英語) 0.74
(2018) Li et al. (2018) Li et al。 0.80
(2017b) Hu al. (2017年) HU AL! 0.62
et (2018) al. et(2018年) アル 0.35
Guo et (2019) Zhao et (2018a) Guo et (2019) Zhao et (2018a) 0.93
al. Nucleus Hatamizadeh et al. アル 核 Hatamizadehなど。 0.49
(2019) et Tang al. (2017) Cha et al. (2019年)等。 2017年) Cha et al。 0.40
(2016) Hoogi (2017) Fang et (2019) (2016)hoogi (2017) fang et (2019) 0.71
al. al. et / Brain / Left アル アル など /脳/左 0.50
Liver Lesion Lung Liver / Ventricle Bladder 肝病変肺肝臓/心室性膀胱 0.71
Liver Lesion Breast Tumor Xu al. 肝病変 乳腺腫瘍 XU AL! 0.56
et (2019) Breast Cancer Nuclei et (2019) 乳癌核 0.70
in post-processing resonance of neural contour models segmentation new hybrid active イン 神経輪郭モデルセグメンテーションのプロセス後共鳴 0.49
ACM for Segmentation of magnetic using a combination images networks and active Fully automatic prostate using MR images a contour-based approach Left ventricle segmentation by combining convolution neural network with active voting in contour model and tensor short-axis MRI Automatic segmentation in tumor ultrasound images dilated using a convolutional network active contour model liver Automatic segmentation by integrating fully convolutional into active contour models Improved Nuclear Segmentation Histopathology Images Using a Combination of Deep Learning Contour Model Deep Active Lesion Segmentation ACM for Segmentation of magnetic using a combination images networks and active Fully automatic prostate using MR images a contour-based approach Left ventricle segmentation by combining convolution neural network with active voting in contour model and tensor short-axis MRI Automatic segmentation in tumor ultrasound images dilated using a convolutional network active contour model liver Automatic segmentation by integrating fully convolutional into active contour models Improved Nuclear Segmentation Histopathology Images Using a Combination of Deep Learning Contour Model Deep Active Lesion Segmentation 0.89
breast fully combined with an 乳房と完全に結合した乳房 0.54
networks on and Active ネットワークのオンとアクティブ 0.85
A Deep Level Set Method for Image Segmentation Urinary bladder segmentation in CT urography using deep-learning convolutional network sets level and neural Adaptive Estimation of Active Contour Parameters Using Convolutional Neural and Texture Analysis Networks a Fully Convolutional Network Combining and for an Active Contour Model Automatic 2D Breast Tumor Segmentation from Ultrasound Images Convolutional network initialized active ellipse fitting on breast nuclear histopathological 畳み込みニューラルネットワークとテクスチャ解析ネットワークを用いたct法における画像分割膀胱分画の深レベル設定法 : 完全畳み込みネットワークと、超音波画像畳み込みネットワーク初期化能動楕円の乳房核病理組織への自動2次元乳腺腫瘍分画を併用した、畳み込みニューラルネットワークを用いた能動輪郭パラメータのレベルとニューラルネットワーク適応推定 0.82
contour model with adaptive for 適応された輪郭モデル 0.81
segmentation images segmentation 画像 0.79
neural 10 ACM refines MLP segmentation 神経 10 ACMがMLPセグメンテーションを洗練 0.73
ACM refines MLP segmentation ACMがMLPセグメンテーションを洗練 0.70
ACM refines FCN segmentation ACMがFCNセグメンテーションを洗練 0.65
Phase-based ACM refines segmentation 位相ベースACMのセグメンテーション 0.76
dilated FCN dilated FCN 0.85
ACM refines multi-branch FCN segmentation Hybrid ACM refines multi-branch FCN segmentation ACMによるマルチブランチFCNセグメンテーションハイブリッドACMによるマルチブランチFCNセグメンテーション 0.76
signed from level-set 署名 from ~ level + set 0.59
distance maps distance + map 0.65
ACM refines FC-CNN Level-set ACM refines FCN segmentations iteratively Multiple segment CNN output ROIs Level-set CNN segmentation Phase-based ACM refines from dilated FCNN ACM は FC-CNN Level-set ACM を改良し、反復多重セグメント CNN output ROIs Level-set CNN segmentation Phase-based ACM refines from dilated FCNN 0.81
function iteratively functions 反復的に機能する 機能 0.57
improves initial improves 初期 0.78
contours ACM refines CNN segmentations contours ACMがCNNセグメンテーションを洗練 0.75
英語(論文から抽出)日本語訳スコア
A PREPRINT - JANUARY プレプリント - 年表 0.54
20, 2021 combined with Active Contour Models Method ACM refines CNN segmentations 20, 2021 Active Contour Models Method ACMがCNNセグメンテーションを洗練 0.80
Phase level-set segmentations 3D level-set model RCNN 位相レベルセット分割3次元レベルセットモデルRCNN 0.72
function refines CNN 機能 refines CNN 0.81
initialized by Faster Level-set U-Net 初期化 より速く Level-set U-Net 0.54
based on predictions contours 予測に基づいて contours 0.84
derived from ACM improves Mask R-CNN segmentations Level-set model initialization 由来 from ~ ACMがMask R-CNNセグメンテーションレベルセットモデル初期化を改善 0.64
improves CNN initial based on cnnの改善 初期 に基づいて 0.75
Level-set model from CNN ACM integrated into CNN that parameters ACM initialized with bounding R-CNN CNN ACMのレベルセットモデルがCNNに統合され、ACMは境界R-CNNで初期化される 0.63
(end-to-end) contour learns box (末尾) 輪郭 ボックスを学ぶ 0.71
initial from initial + -er 0.49
ACM refines DCNN segmentations ACMがDCNNセグメンテーションを洗練 0.72
ACM refines U-Net ACMがU-Netを洗練 0.49
segmentations segmentation 0.83
CNN and AE initialize CNN と AE の初期化 0.80
level set function レベル セット 機能 0.75
CNN refines multiple ACM segmentations CNNが複数のACMセグメンテーションを洗練 0.69
CNN refines ACM ANN based CNNがACM ANNを改良 0.91
on ACM preprocessed images ACM前処理で 画像 0.78
and Yang Authors Ma (2019) CarbajalDegante et (2020) Liu et al. そしてヤンは 著者: Ma (2019) CarbajalDegante et (2020) Liu et al。 0.69
(2019) al. Anatomy Teeth (2019) アル 解剖学的歯 0.58
Ventricles Left Atrium Yang et (2021) 心室 左心房 陽ら(2021年) 0.53
al. Teeth Nunes (2020) Xie et (2020) アル 歯 Nunes (2020) Xie et (2020) 0.63
et al. Lung al. など アル 肺 アル 0.49
Left cle Ventri- 左のクレ ベントリ- 0.46
al. Pancreas Gong et (2019) et Zhang (2020c) Zhang et (2020b) アル 膵臓 Gong et (2019) et Zhang (2020c) Zhang et (2020b) 0.61
al. al. Cervical Cell / Skin Lesion Plaque アル アル 頸部細胞/皮膚病変プラーク 0.45
da Silva (2020) da Silva (複数形 da Silvas) 0.50
et al. Prostate al. など アル 前立腺 アル 0.44
Kot et (2020) Avendi (2016) Kot et (2020) Avendi (2016) 0.85
Brain Tumor et al. Left cle 脳腫瘍 など アル 左のクレ 0.58
Ventri- set neural ベントリ- セット 神経 0.55
neural set via 神経 set via 0.75
Table 3: CNNs Title root CBCT image Automatic dental on CNN and level segmentation based method contours Active for multi-region segmentation with a convolutional initialization network for Left Atrium A Framework on CT Images with Segmentation and Level Combined Detection Network Set Model image tooth and automatic Accurate segmentation model with deep and level convolutional networks method analysis Adaptive Level Set with region against Mask R-CNN: A comparison classical methods ventricle segmentation in Automatic left short-axis MRI convolutional using deep neural and central-line guided networks approach level set Convolutional Neural Networks Based Level Set Framework Segmentation from CT Images for Medical Deep Active Contour Network Image Segmentation partial Faster R-CNN, fourth-order active global-local differential equation plaque (FPDE-GLACM) contour model for segmentation in IV-OCT image convolutional deep Superpixel-based neural for networks and active contour model automatic prostate segmentation on 3D MRI scans U-Net and Active Contour Methods for Brain Tumour Segmentation and Visualization A combined deep-learning and deformable-model fully to approach segmentation left of automatic the ventricle in cardiac MRI Table 3: CNNs Title root CBCT image Automatic dental on CNN and level segmentation based method contours Active for multi-region segmentation with a convolutional initialization network for Left Atrium A Framework on CT Images with Segmentation and Level Combined Detection Network Set Model image tooth and automatic Accurate segmentation model with deep and level convolutional networks method analysis Adaptive Level Set with region against Mask R-CNN: A comparison classical methods ventricle segmentation in Automatic left short-axis MRI convolutional using deep neural and central-line guided networks approach level set Convolutional Neural Networks Based Level Set Framework Segmentation from CT Images for Medical Deep Active Contour Network Image Segmentation partial Faster R-CNN, fourth-order active global-local differential equation plaque (FPDE-GLACM) contour model for segmentation in IV-OCT image convolutional deep Superpixel-based neural for networks and active contour model automatic prostate segmentation on 3D MRI scans U-Net and Active Contour Methods for Brain Tumour Segmentation and Visualization A combined deep-learning and deformable-model fully to approach segmentation left of automatic the ventricle in cardiac MRI 0.98
for Pancreas and CNN refines ACM 3-D Lung Tumor Detection and by an Active Contour Model 膵臓に そして CNNによるACM3次元肺腫瘍検出と能動輪郭モデルによる改善 0.68
ventriccavity ventriccavity 0.85
Lung Tumor / Nodule Left ular Brain Kasinathan et al. 肺腫瘍/左小脳結節 Kasinathanら。 0.57
(2019) Rupprecht et (2016) al. (2019) Rupprecht et (2016) al。 0.76
Ahmed et al. (2009) Ahmedら。 (2009) 0.71
Automated Classification and CNN Classifier Deep Active Contour A Hybrid Approach for Segmenting and Validating T1-Weighted Normal Brain MR Images by Employing ACM and ANN Topology based Approaches 5 into priors shape integrating alternative An approach et al. 自動分類とcnn分類器deep active contour a hybrid approach for segmenting and validation of t1-weighted normal brain mr images by using acm and ann topology based approach 5 into priors shape integrated alternative an approachなど。 0.81
in presented Lee network-based segmentation was candidate started with segmentation the Here, (2019). in presented Lee network-based segmentation was candidate starting with segmentation the Here, (2019)。 0.89
a (and approximately correct shape which was topologically the network was trained and correct in terms of its shape), ネットワークを訓練し、その形状で正しいものにした(そして、位相的にほぼ正しい形) 0.70
to 11 such it maximally overlapped with the ground truth segmen- へ 11 地上の真実のセグメンと 最大限に重なり合うように 0.66
appropriate deformation to this これに対する適切な変形 0.65
shape the to provide that tation. 形状 はあ? テートを提供するためです 0.58
Such methods can be considered ‘soft-prior’ the than rather of end result sense the that in the このような方法は、最終結果よりもむしろ、その中のものを‘ソフトプライオリ’と見なすことができる。 0.52
to have prior’ the methods above can be guaranteed to have へ 上述の「事前」の方法が保証されるようにすること 0.67
a ‘hard presented a- + presented 0.35
英語(論文から抽出)日本語訳スコア
the changing limited shape. However, this approach may be correct the very be shape by the candidate initial requirement that a close such that only small shape answer to an acceptable are needed. 変化は 限定形。 しかし、このアプローチは、受け入れ可能な小さな形状の答えだけを閉じるという候補となる最初の要求によって、非常に形が正しいかもしれない。 0.70
A further potential issue is that deformations the deformation field provided by the network may need to shape be restricted to prevent from overlapping itself and topology. さらなる潜在的な問題は、ネットワークによって提供される変形磁場の変形が、重なり合うことやトポロジーを防ぐために、形状を制限する必要があることである。 0.60
its consequently The differentiable properties of persistent homology Edelspromising (2000) make a it al. その結果、永続ホモロジーの微分可能な性質 Edelspromising (2000) はそれを al とする。 0.72
brunner the for candidate et topological information into the integration of training of presit measures that idea The networks. brunner the for candidate et topological information into the integration of training of presit measures that idea the network. (英語) 0.88
neural the is key topological as features ence threshold or length of some scale changes. 神経は重要なトポロジであり、ある程度のスケール変化のしきい値または長さが特徴である。 0.62
Persistent features are those which exist for a wide range of filtration values, and this persistence differentiable with is to There data. 永続的特徴は、広範囲のフィルタ値に対して存在するものであり、この永続性はTereデータと異なる。 0.74
original the respect have suggested for recently been a number of approaches the integration of PH and deep learning, which we briefly review here. 最近提案された本来の敬意は、PHとディープラーニングの統合に関するいくつかのアプローチであり、ここで簡単にレビューする。 0.60
considered, a classification task was In Chen et al. 分類タスクはIn Chenらである。 0.50
(2018) Typboundary. 2018年 - 設立。 0.11
the regularise used and PH was to decision encourboundary might decision ical regularisation a of smooth the Here, age be or to be far from the data. 規則化とphは、現在、年齢、あるいはデータから遠ざかる程度に滑らかな、encourboundary may decision ical regularization aを決定するために用いられた。 0.68
it to boundary was to be simple from a topologiencouraged Discussion 6 境界線はトポロジアンの議論から シンプルになるはずだった 0.68
A PREPRINT - JANUARY プレプリント - 年表 0.54
20, 2021 cal point of topological that complexities view, meaning loops such as in the decision boundary were and handles of a measure proposed Rieck discouraged. 20, 2021 複素量論のカルポイントは、決定境界のようなループであり、提案されたリーク測度の扱いが妨げられることを意味する。 0.75
(2018) et al. neural a complexity the using PH. 2018年)など。 PHを使用する神経の複雑さ。 0.47
This meanetwork of sure ‘neural of evaluated persistence’ was as a measure of structural complexity at each layer of the network, and was shown to increase during network training as well as being criterion. この「評価された永続化の神経」という概念は、ネットワークの各レイヤにおける構造的複雑さの尺度であり、ネットワークトレーニング中に増加し、基準となることが示されている。 0.72
stopping as useful a PH calcuthe but segmentation, PH is applied to image image input the applied to and lation has typically been can features which generate used be to used then a way as another algorithm. phカルキュートとしての使用を停止するが、セグメンテーションでは、phが入力された画像に適用される。
訳抜け防止モード: phのカルキュテとして役立つが、セグメンテーションとして停止する。 phは画像入力に適用され、リオンは通常canの特徴を持つ。 以前はgenerateは別のアルゴリズムとして使用していました。
0.53
Applications by have included tumour segmentation Qaiser et al. 腫瘍セグメンテーション Qaiser et al などの応用例がある。 0.61
(2016), cell segmentation Assaf et al. (2016)、細胞分画Assafら。 0.50
(2017) segmentation from computed and cardiac Recently (2013). (2017年) 計算と心臓からのセグメンテーション(2013年)。 0.61
al. imaging Gao (CT) tomography et Clough et to the al. アル Gao (CT) tomography et Clough et to the al。 0.50
(2019a) proposed to use PH not input to rather but segmented, being image the segcandidate mentation provided by the network. (2019a)は、ネットワークが提供するセグポジケートメントのイメージとして、入力ではなくセグメンテーションにphを使おうという提案を行った。
訳抜け防止モード: (2019a)提案 ネットワークが提供するセグポジダメンテーションを画像として、むしろセグメント化ではなく入力するphを使用する。
0.73
In an extended work al. 拡張された作業 al。 0.68
Clough et al. Clough et (2020) the topological information found by the PH calculation can be used to provide a allowing an differentiable training signal to the network, function to compare loss features present the topological in a proposed segmentation, with those specified to exist some by knowledge. cloughら。 clough et (2020) ph計算によって得られたトポロジカル情報は、ネットワークに微分可能なトレーニング信号を提供し、提案されたセグメンテーションでトポロジカルに存在する損失特徴と、知識によっていくつか存在すると指定されたものを比較するために使用できる。 0.60
prior the effort research learning deep As for medical towards consolidating is segmentation incorporating constraints downstream analysis, ensure to certain next emerging are the few subsections, we as well. 前 はあ? 医学的な統合に向けて深く学習する努力研究は、制約ダウンストリーム分析を組み込んだセグメンテーションである。
訳抜け防止モード: 前 はあ? 医学的統合に向けた深く学習する努力研究は、制約ダウンストリーム分析を組み込んだセグメンテーションである。 確実に次の新興国に ごくわずかな部分です
0.59
In such clear patterns cuss and emerging questions research in for the progress of this direction. このような明確なパターンの焦点と、この方向の進行について研究する新たな疑問が浮かび上がっている。 0.52
image shape patterns disrelevant 画像形状パターンの関連性 0.69
6.1 End-to-End vs post/pre-hoc 6.1 エンドツーエンド vs post/pre-hoc 0.49
of the maturity beyond With research, field this is clearly movsetting ing towards more systematic post-/pre-hoc end-to-end training approaches. ですから 成熟度は 研究によって、フィールドは明らかに、より体系的なポスト/ホックなエンドツーエンドのトレーニングアプローチへと移行しています。 0.50
is depicted in This effect Figure 4 where counts are aggregated from this the paper work and (2020). この効果の図4では、この論文と(2020)からカウントが集約されている。 0.62
Jurdi The maturity of et learndeep al. Jurdi et learndeep alの成熟度。 0.72
architectures ing frameworks (especially PyTorch), novel (especially generative modeling) and automatic differentiacomplex shape-based incorporate to possible it tion make training. アーキテクチャのingフレームワーク(特にPyTorch)、新規(特に生成モデリング)、および自動微分型(automatic differentiacomplex)ベースのインクルージョンは、トレーニングを可能にする。
訳抜け防止モード: アーキテクチャingフレームワーク(特にpytorch)、ノベル(特に生成的モデリング) and automatic differentiacomplex shape - based built to possible it tion make training. (英語)
0.80
during functions loss With of the availability these trained with tailored shape can be large models tools, incorporate to streams the model architecture shape in information. 機能損失の間 整形された形状でトレーニングされたこれらのツールは、大きなモデルツールであり、情報のモデルアーキテクチャ形状をストリームするために組み込むことができます。 0.63
12 Figure 4: Temporal 12 図 4: 時代 0.71
trend towards end-to-end トレンド 向かって end‐to‐end 0.55
approaches Semi-supervised segmentation 6.2 information additional incorporate to The using ability total number can aid in the as a shape reducing prior of in annotations necessary achieving a good segmentation. アプローチ 半教師付きセグメンテーション 6.2 使用能力総数に付加された情報は、適切なセグメンテーションを達成するために必要なアノテーションの前の形として役立つ。 0.64
The shape priors can useful in generating controlled data hand in task analysis image augmentations for the medical augmentations. 形状先行は、医療増強のためのタスク分析画像拡張において制御されたデータハンドを生成するのに有用である。
訳抜け防止モード: 形状の先行は役に立つ 医療強化のためのタスク分析画像拡張において 制御されたデータを生成する。
0.68
of unrealistic number and the reduce This case the would particular in of rare be instrumental in diseases, where there is not enough of and manual data annotations to a neural network. 非現実的数とこのケースを減少させると、特にまれなことは、ニューラルネットワークに十分なデータアノテーションや手作業の必要ない疾患に寄与する。 0.72
The shape priors train that in pathology about clues giving are such expected the cases can lead to better segmentation accuracy in the final output. 形状事前は、手掛かりを与えるという病理学でそのようなケースが最終的な出力のセグメンテーション精度を向上させる可能性があることを訓練する。 0.57
20162017201820192020 2468101214161820#ofP apersPost-/pre-hocEn d-to-end 201620172018 20192020246812141618 20#ofPapersPost-/pre -hocEnd-to-end 0.36
英語(論文から抽出)日本語訳スコア
have not issue of Effectiveness 6.3 cases in pathological few decades worth identified by last common theme One in difficulty the is shape modeling on research represent"typical the While pathological the ing shapes. 問題としない 前回の共通テーマで特定する価値がある病理学における有効性 6.3 症例 難易度 研究における形状モデリングは「典型的」である。 0.71
shapes" shapes i.e. normal in a low-dimensional sub-manifold, lie distribution in tail have cases pathological the the long a shapes normal heart congenital (e g diseases). 形」 形 「形」 低次元のサブマニフォールドでは正常で、尾部の分布には、正常な心原性疾患(eg病)の長いa型が病理学的に認められる。 0.68
is That are self-similar but pathological cases contain atypical pathologies. 自己相似であるが、病理には非定型的な病理がある。 0.50
shapes along with typical Traditional linearized shape modeling had trouble addressing this issue had whereas statistics non-linear modeling the its shape of intractable of numerics. 典型的な線形化形状モデリングと共に、この問題に対処する上で問題があったが、統計学では数値の難解な形状を非線形モデリングした。
訳抜け防止モード: 従来の線形形状モデリングと同様に、形状はこの問題に対処するのに苦労した。 統計の非線型モデリング 数値の難解な形状。
0.75
Whether issue a neural in terms approach can address this overarching problem of encodshapes ing pathological is an open problem. 神経の項的アプローチの発行が、エンコドフォームing病理学のこの全体的問題に対処できるかどうかは、オープンな問題である。
訳抜け防止モード: 神経の用語的アプローチの発行は、ing病理学におけるエンコドフォームの包括的問題に対処できるか オープンな問題です
0.64
Unfortunately, found search, we literature from our clear any direction to perennial this shape modeling. 残念なことに、私たちはこの形状モデリングをいつまでも研究しています。 0.56
address Evaluation 6.4 increasingly becoming are constraints shape While the commonplace for medical segmentation, we believe image visual the perception and human comprehension plays a significant role behind the interest of The the community. 課題評価 6.4 は, 制約形態である 医療セグメント化の共通点として, イメージ視覚の認知と人間の理解が, コミュニティの関心を支える重要な役割を担っていると考えている。 0.72
these effectiveness real world of question general more of how effective example, studied. 質問の実効性は より効果的に研究されました 0.47
methods are not often For constraints are shape these under noisy annotation is an open question? メソッドは頻繁にではない 制約は、これらをノイズの多いアノテーションの下で形作っているか? 0.58
While the quality is most ofsegmentation ten measured by al. 品質は、alが測定する10分のほとんどである。 0.62
(2018) the Dice metric, Maier-Hein et has already prescribed to move beyond Dice to evaluate the segmentation accuracy quality. (2018) Dice の計量である Maier-Hein らは、Dice を超越して、セグメンテーションの精度を評価することを既に定めている。 0.57
of anatomical Topological structures evaluation metric to is increasingly an used as address the shortcomings image segmentation classical of et analysis Byrne image in medical evaluation metric al. 解剖学的トポロジカルな構造評価基準が,医学的評価基準alにおけるBirne像の欠点のイメージセグメンテーションに対処するために,ますます利用されている。 0.72
a mean typically segmentation Finally, (2020). 平均は通常セグメンテーション(2020年)。 0.53
is to an the end. 終わりを告げるのです 0.50
As effectiveness of these segmentation techsuch, quantitatively niques should be measured for downstream evaluation tasks such as visualization, planning Fauser et al (2019) etc. これらのセグメンテーション技術の効果として、可視化、計画ファウザ等(2019年)などの下流評価タスクにおいて定量的にニケを計測すべきである。 0.64
Conclusion 7 prior Bringing anatomy of shape knowledge the for semantic idea. 結論 7 形状知識の解剖学を意味概念として導入する。 0.78
rather well-trodden segmentation community The is devising new ways such to incorporate prior knowledge frein deep learning models trained with quentist interpretation the Bayesian of approach. かなり順調なセグメンテーションコミュニティ 事前知識のフレイン深層学習モデルをクエンティスト解釈で訓練したベイズ的アプローチに組み込むような新しい方法を考案している。 0.76
While is an upcoming trend, deep learning segmentation networks considerations, careful shown it under that already is prior knowledge be incorporated even in can the about shape frequentist approaches with significant success. 今後のトレンドとして、ディープラーニングのセグメンテーションネットワークが考慮されるが、注意深い説明によると、すでに事前の知識が組み込まれている。
訳抜け防止モード: その一方、今後のトレンドだ。 ディープ・ラーニング・セグメンテーション・ネットワーク (deep learning segmentation network) では、既に事前知識が組み込まれているということに注意が必要である。
0.51
We future the end networks with the overarching theme of Analysis-by-synthesi s. 我々は,分析・合成という包括的テーマを伴って,エンドネットワークを未来に展開する。 0.50
effectiveness of shape this will be We believe cussed 形状の有効性 これは私たちが信じているように 0.60
research concentrating more on end-tolearning using Early work has the constraints in federated learning and coming years. 初期の仕事を使ったエンド・ツー・ラーニングにもっと集中する研究は、連合学習と今後数年に制約がある。 0.47
the a major direction in to needs the disaddress the constrained segmentation in Section shape 制約されたセグメンテーションをセクション形状で無効にする必要がある主な方向 0.78
community 6 before about is a コミュニティ6前 aについてです 0.68
the see demonstrated issues はあ? ほら 実証 問題 0.54
13 A PREPRINT - 13 プレプリント - 0.72
JANUARY 20, 2021 年表 20, 2021 0.67
2009. technology in practias a trustworthy considered can be of think can end, we To analysis. 2009. 信頼できると考えられる実践における技術は、我々は分析することができる。 0.81
image this cal medical building technical a as segmentation constrained shape pipeline rather than a image analysis a bigger block within example, in the case of piece technology. image this cal medical building technical a as segmentation restricteded shape pipeline than a image analysis a large block in example ピース技術の場合。 0.67
For stand-alone pipeline, such shape planning and navigation of surgical performance the provided be meaningful constraints can thoroughly cases with mulpathological under validated is tiple Important steps have already been quality metrics. スタンドアローンパイプラインの場合、そのような形状計画と外科的パフォーマンスのナビゲーションは、有意義な制約であり、複数の病理学的検査を徹底的に行うことができる。 0.60
taken in this direction. この方向に向けられた 0.68
In short, along with exciting results, opens segmentation learning deep constrained shape for the next research questions up many possible few years. 簡単に言うと、エキサイティングな結果とともに、セグメンテーション学習の深層制約された形が、数年にわたって次の研究の質問に対して開放される。 0.46
for answering Proper understanding and those the key to hold their scenario. 適切な理解に答えて シナリオを維持する鍵を握るのです 0.71
successful deployment the real clinical in References and MoBin Mohamad, Dzulkifli M. Masroor Ahmed, segmentapproach for A hybrid hammed Khalil. 実際の臨床の展開に成功し、mobiin mohamad, dzulkifli m. masroor ahmed, segmentapproach for a hybrid hammed khalil。
訳抜け防止モード: References and MoBin Mohamad, Dzulkifli M. Masroor Ahmedにおける実際の臨床展開の成功 segmentapproach for A hybrid hammed Khalil 。
0.92
S. imbrain MR normal and ing t1-weighted validating AbraIn ANN. S. imbrain MR normal and ing t1-weighted validating AbraIn ANN 0.90
Ajith ages ACM and by employing Suryana Herman, Nanna Azah Kamilah Muda, ham, and Yun-Huoy Choo, editors, Siti Mariyam Shamsuddin, of Soft Computing and First International Conference SoCPaR 2009, Malacca, Malaysia, Pattern Recognition, December 4-7, 2009, pages 239–244. Ajith ages ACM and by employed in Suryana Herman, Nanna Azah Kamilah Muda, ham, and Yun-Huoy Choo, editors, Siti Mariyam Shamsuddin, of Soft Computing and First International Conference SoCPaR 2009, Malacca, Malaysia, Pattern Recognition, December 4-7, 2009 page 239–244。 0.93
IEEE Computer 10.1109/SoCPaR.2009. 56. IEEE Computer 10.1109/SoCPaR.2009. 56 0.47
URL Society, doi: https://doi.org/10.1 109/SoCPaR.2009.56. URL Society, doi: https://doi.org/10.1 109/SoCPaR.2009.56 0.51
Alice Kamnitsas, Konstantinos Amir Alansary, DavidKhlebnikov, Martin Rostislav son, Rajchl, Christina Mary A. Rutherford, Malamateniou, Joseph V. HaRueckert, Glocker, jnal, Ben and Daniel Bernhard the segmentation automatic fully Kainz. Alice Kamnitsas, Konstantinos Amir Alansary, David Khlebnikov, Martin Rostislav son, Rajchl, Christina Mary A. Rutherford, Malamateniou, Joseph V. HaRueckert, Glocker, jnal, Ben and Daniel Bernhard の3人の息子は自動的にカイツを分割する。 0.81
of huFast In Medcorrupted MRI. Medcorrupted MRIにおけるhuFastの意義 0.72
from motion man placenta ical Image Computing and Computer-Assisted Intervention - MICCAI 201619th International Conference, Athens, Greece, October 17-21, 2016, Proceedings, II, Part 10.1007/ doi: 2016. motion man placenta ical image computing and computer-assisted intervention - miccai 201619th international conference, athens, october 17-21, 2016 proceedings, ii, part 10.1007/ doi: 2016 0.81
589–597, pages 978-3-319-46723-8\_6 8. 589-597頁, 978-3-319-46723-8\_6 8。 0.36
URL https://doi.org/10. URL https://doi.org/10。 0.58
1007/978-3-319-46723 -8_68. 1007/978-3-319-46723 -8_68. 0.24
and SteFelix Ambellan, Alexander Tack, Moritz Ehlke, knee of fan Zachow. そしてSteFelix Ambellan, Alexander Tack, Moritz Ehlke, ファンZachowの膝。 0.76
and bone Automated shape knowledge and concartilage combining statistical networks: Data osteoarthrivolutiona l from the neural Medical Image Analysis, tis 52:109–118, initiative. そして、統計ネットワークを組み合わせた骨形状の知識と軟骨の自動化: ニューラルメディカル・イメージ・アナリティクス、tis 52:109–118、イニシアチブからのデータの変形。 0.71
2019. 10.1016/j.media.2018 .11.009. 2019. 10.1016/j.media.2018 .11.009 0.55
URL https: doi: //doi.org/10.1016/j. media.2018.11.009. URL https: doi: //doi.org/10.1016/j. media.2018.11.009 0.37
Level Set Methods Fast Marchand Andrew. Level Set Methods Fast March and Andrew 0.70
Alex M. Evolving Computational in Interfaces ing Methods: and Vision, Computer Mechanics, Fluid Geometry, Science, Materials unicambridge sethian, J.A. Alex M. Evolving Computational in Interfaces ing Methods: and Vision, Computer Mechanics, Fluid Geometry, Science, Materials unicambridge sethian, J.A. 0.94
by cambridge, uk, 2nd edn 1999 (first versity press, Level Set Methods) xviii + 420 as published 1996 ISBN (paperback) pp., 0-521-64557-3, (hardback) 0Robotica, 521-64204-3 (pbk, 18(1):89–92, £18.95). 第2回edn 1999 (first versity press, level set methods) xviii + 420 as published 1996 isbn (paperback) pp., 0-521-64557-3, (hardback) 0robotica, 521-64204-3 (pbk, 18(1):89–92, £18.95) 0.76
2000. URL http://journals.camb ridge.org/ action/displayAbstra ct?aid=34609. 2000. URL http://journals.camb ridge.org/ action/displayAbstra ct?aid=34609。 0.69
segmentation segmentation 0.85
英語(論文から抽出)日本語訳スコア
B. Topological segmentation B。 トポロジカルセグメンテーション 0.68
persistence in biomedical 生体医学における持続性 0.48
James R Clough, Giovanni Montana, James R Clough, Giovanni Montana 0.73
and VaRabih Assaf, Alban Goupil, Mohammad Kacim, pixleriu based Vrabie. VaRabih Assaf, Alban Goupil, Mohammad Kacim, pixleriuのVrabieだ。 0.75
on In els images. for object 2017 Fourth International Conference on Advances in Biomedical Engineering (ICABME), pages 1–4. els画像に登場。 object 2017 4th international conference on advances in biomedical engineering (icabme) 1-4ページ。 0.70
IEEE, 2017. 2017年、IEEE。 0.63
Jafarkhani. Jafarkhani 0.48
and Hamid M. R. Avendi, Arash Kheradvar, and deep-learning A combined apdeformable-model proach to fully automatic segmentation of the left ventriin cardiac MRI. Hamid M. R. Avendi, Arash Kheradvar, and Deep-learning A combined apdeformable-model proach to complete automatic segmentation of the left ventriin heartc MRI。 0.92
Medical Image Anal., 30:108–119, cle 2016. Medical Image Anal., 30:108–119, cle 2016 0.85
10.1016/j.media.2016 .01.005. 10.1016/j.media.2016 .01.005 0.25
URL https: doi: //doi.org/10.1016/j. media.2016.01.005. URL https: doi: //doi.org/10.1016/j. media.2016.01.005 0.37
Bhatkalkar, V. S. J. and Prabhu, S. Reddy, R. D. convolutional Bhandary. Bhatkalkar, V. S. J. and Prabhu, S. Reddy, R. D. convolutional Bhandary 0.90
of the Improving performance disc optic segmentation neural of the for network in fundus using images and attention gates conditional ranIEEE Access, dom fields. 画像とアテンションゲートを条件にランIEEEアクセス, ドムフィールドを用いて, ファウンス内のフォワードネットワークの高性能ディスク光セグメンテーションニューラルネットワークを開発した。 0.67
8:29299–29310, 2020. doi: 10.1109/ACCESS.2020. 2972318. 8:29299–29310, 2020. doi: 10.1109/ACCESS.2020. 2972318 0.46
Irene J-Sebastian Muehlboeck, Lindberg, Olof Brusini, Örjan Chunliang Wang. Irene J-Sebastian Muehlboeck, Lindberg, Olof Brusini, Orjan Chunliang Wang 0.84
Eric Westman, Smedby, and the Shape improves information percross-cohort formance of deep learning-based segmentation of Frontiers in Neuroscience, the hippocampus. Eric Westman, Smedby, and the Shapeは、海馬の神経科学におけるフロンティアの深層学習に基づくセグメンテーションの、コホート間の情報提供を改善する。 0.60
14: 15, 10.3389/fnins. 14:15,10.3389/fnin 0.67
doi: 1662-453X. doi: 1662-453x。 0.70
ISSN 2020. issn 2020所属。 0.47
2020.00015. 2020.00015. 0.71
URL https://www.frontier sin.org/ article/10.3389/fnin s.2020.00015. URL https://www.frontier sin.org/ article/10.3389/fnin s.2020.00015 0.35
Nick Byrne, homology-based drew P King. ニック・バーン (Nick Byrne) - P King の人物。 0.52
loss mri. 2020. and Lin Jinzheng Cai, Le Lu, Yuanpu Xie, Fuyong Xing, segmentation in MRI using graph-based Pancreas Yang. mriを失くした 2020年とLin Jinzheng Cai, Le Lu, Yuanpu Xie, Fuyong Xing, segmentation in MRI using graph-based Pancreas Yang 0.72
In neural convolutional fusion networks. 神経畳み込み核融合ネットワーク 0.55
on decision Image Computing and Computer Assisted InMedical - MICCAI International Con2017 20thtervention Quebec QC, Canada, September 11City, ference, 13, 2017, Proceedings, Part III, 2017. on decision image computing and computer assisted inmedical - miccai international con2017 20thtervention quebec qc, canada, september 11city, ference, 13, proceedings, part iii, 2017
訳抜け防止モード: 意思決定のための画像コンピューティングとコンピュータ支援医療 - MICCAI International Con2017 20thtervention Quebec QC, Canada September 11City, ference, 13 2017 Proceedings, Part III, 2017。
0.87
674–682, pages 10.1007/978-3-319-66 179-7\_77. 674-682ページ 10.1007/978-319-6617 9-7\_77。 0.31
URL doi: https: //doi.org/10.1007/97 8-3-319-66179-7_77. URL doi: https: //doi.org/10.1007/97 8-3-319-66179-7_77 0.34
Ruiming Cao, Xinran Zhong, Sepideh Shakeri, AmirhosSohrab Afshari Mirak, Bajgiran, sein Mohammadian and Kyung Hyun S. Raman, Steven Dieter Enzmann, detection cancer Sung. Ruiming Cao, Xinran Zhong, Sepideh Shakeri, AmirhosSohrab Afshari Mirak, Bajgiran, Sein Mohammadian andkyung Hyun S. Raman, Steven Dieter Enzmann, detection cancer Sung。 0.82
and segmentation in Prostate multi-parametric MRI via CNN and conditional ran16th IEEE International Symposium on dom field. and segmentation in prostate multi-parametric mri via cnn and conditional ran16th ieee international symposium on dom field(英語) 0.68
In Venice, 2019, Biomedical April Italy, ISBI Imaging, 8-11, 2019, 2019. pages 1900–1904. ヴェネツィア, 2019, Biomedical April Italy, ISBI Imaging, 8-11, 2019, 2019. page 1900–1904 0.91
IEEE, 10. doi: 1109/ISBI.2019.87595 84. IEEE, 10. doi: 1109/ISBI.2019.87595 84 0.66
URL https://doi.org/ 10.1109/ISBI.2019.87 59584. URL https://doi.org/ 10.1109/ISBI.2019.87 59584 0.43
Leonardo Steve Carbajal-Degante, Erik and Boris Escalante-Ramírez. Leonardo Steve Carbajal-Degante, Erik and Boris Escalante-Ramírez 0.86
Jimena Olveres, Ledesma, for segmentation contours Active multi-region with neural convolutional a network PeIn initialization. Ledesma, Jimena Olveres, Ledesma, for segmentation contours Active Multi- Region with neural convolutional a network PeIn initialization。 0.88
Optics, ter Schelkens and Tomasz editors, Kozacki, ApImaging for Technologies Digital and Photonics plications VI, 36 11353, volume pages – 44. International Society for Optics and Photonics, SPIE, 2020. Optics, ter Schelkens and Tomasz editors, Kozacki, ApImaging for Technologies Digital and Photonics plications VI, 36 11353, volume pages – 44. International Society for Optics and Photonics, SPIE, 2020 0.84
and Antopological function for multi-class cnn segmentation of cardiac arXiv preprint 心臓arxivプレプリントの多クラスcnnセグメンテーションとantopological function 0.69
arXiv:2008.09585, arXiv:2008.09585, 0.50
A persistent Avendaño, 永続性 Avendaño, Avendaño 0.69
14 Qinxun II, A PREPRINT 14 秦君 II プレプリント 0.58
- JANUARY 20, 2021 - 年表 20, 2021 0.72
URL https://doi.org/ URL https://doi.org/ 0.69
San Diego, 97842I, サンディエゴ、97842I。 0.54
Yusu Wang. and Bai, Regularizer for Classifiers. Yusu Wang and Bai, Classifiers の正規化子。 0.67
Samala, Richard in ct 43:1882–1896, サマラ, Richard in ct 43:1882–1896 0.68
Cha, Chan, Urinary sets. 10.1118/1.4944498. 茶、茶、尿道。 10.1118/1.4944498. 0.38
doi: 10.1117/12.2556928. doi 10.1117/12.2556928 0.55
10.1117/12.2556928. 10.1117/12.2556928. 0.39
Hadjiiski, Lubomir Ravi HeangKenny and M. Caoili, Elaine H. CoPing segmentation bladder urography han. Hadjiiski, Lubomir Ravi HeangKenny and M. Caoili, Elaine H. CoPing segmentation bladder urography Han 0.85
using deep-learning convolutional neural network and Physics, Medical level 04 2016. doi: URL https://doi.org/10. 深層学習畳み込みニューラルネットワークと物理を用いて、医学レベル04 2016 doi: url https://doi.org/10。 0.63
1118/1.4944498. 1118/1.4944498. 0.50
Chao Xiuyan Ni, Chen, TopoReg: A Topological arXiv 1806.10714, 2018. de Bruijne. Chao Xiuyan Ni, Chen, TopoReg: A Topological arXiv 1806.10714, 2018. de Bruijne 0.93
An end-to-end apShuai Chen and Marleen proach 3d segmentation semantic and CNN with to CoRR, abs/1811.03549, images. エンド・ツー・エンドのapshuai chenとmarleen proach 3d segmentation semanticとcnn with to corr, abs/1811.03549, images
訳抜け防止モード: end -to - end apShuai Chen and Marleen proach 3d segmentation semantic そして、CNN with to CoRR , abs/1811.03549 , image。
0.69
in medical posterior-crf 2018. 2018年 医学部卒業。 0.42
URL http://arxiv.org/abs /1811.03549. URL http://arxiv.org/abs /1811.03549 0.46
Ruida Cheng, Holger R. Roth, Le Lu, Shijun Wang, Baris Turkbey, William Gandler, Evan S. McCreedy, Harsh K. Summers, Peter L. Choyke, Ronald M. Agarwal, and appearance model Active Matthew J. McAuliffe. Ruida Cheng, Holger R. Roth, Le Lu, Shijun Wang, Baris Turkbey, William Gandler, Evan S. McCreedy, Harsh K. Summers, Peter L. Choyke, Ronald M. Agarwal, and appearance model Active Matthew J. McAuliffe 0.94
and accurate prostate deep learning for more segmentation Imaging 2016: In Medical ProcessImage on MRI. よりセグメンテーションの深層学習のための正確な前立腺深層学習 2016:In Medical Process Image on MRI。 0.71
ing, 2016, California, USA, 27, February 10.1117/12.2216286. ING, 2016 California, USA, 27 February 10.1117/12.2216286。 0.71
doi: 2016. page URL https://doi.org/10.1 117/12.2216286. 2016年ページURLhttps://doi.org/1 0.1117/12.2216286。 0.48
Patrick Ferdinand Christ, Mohamed Ezzeldin A. Elshaer, Florian Ettlinger, Sunil Tatavarty, Marc Bickel, Patrick Bilic, Markus Rempfler, Marco Armbruster, Felix Hofmann, Melvin D’Anastasi, Wieland H. Sommer, SeyedAhmadi, Ahmad Automatic H. Menze. Patrick Ferdinand Christ, Mohamed Ezzeldin A. Elshaer, Florian Ettlinger, Sunil Tatavarty, Marc Bickel, Patrick Bilic, Markus Rempfler, Marco Armbruster, Felix Hofmann, Melvin D’Anastasi, Wieland H. Sommer, SeyedAhmadi, Ahmad Automatic H. Menze 0.88
and liver cascaded lesion in using CT fully convolutional neural networks and 3d conditional Image Computing and fields. そしてCT完全畳み込みニューラルネットワークと3d条件画像コンピューティングおよびフィールドを用いた肝病変を認めた。 0.85
random Computer-Assisted Intervention - MICCAI 2016 - 19th International Conference, Athens, Greece, October 1721, 2016. ランダムコンピュータ支援介入 - miccai 2016 - 19th international conference, athens, greece, october 1721, 2016 0.78
415–423, URL doi: https: //doi.org/10.1007/97 8-3-319-46723-8_48. 415–423, url doi: https: //doi.org/10.1007/97 8-319-46723-8_48。 0.37
J. Clough, N. Byrne, I. Oksuz, V. A. Zimmer, loss A topological and A. J. Clough, N. Byrne, I. Oksuz, V. A. Zimmer, Los A topological and A。 0.91
King. abel, function using segmentation based learning image IEEE Transactions on Pattern mology. King セグメンテーションベースの学習画像 IEEE Transactions on Pattern mology を用いた関数。 0.64
Machine Intelligence, pages 1–1, 2020. マシンインテリジェンス、2020年1-1頁。 0.70
James R Clough, and Andrew P King. ジェームズ・r・クローと アンドリュー・p・キング 0.62
Schnabel, ors homology. Schnabel, ors homology 0.62
persistent formation Processing Springer, 2019a. 持続的な形成過程 Springer, 2019a。 0.71
Nicholas R. James Clough, Ilkay Öksüz, Byrne, Veronika A. Zimmer, Julia A. Schnabel, and Andrew P. King. ニコラス・R・ジェームズ・クロー、イルカイ・シュクス、バーン、ヴェロニカ・A・ジマー、ジュリア・A・シュナベル、アンドリュー・P・キング。
訳抜け防止モード: nicholas r. james clough, ilkay öksüz, byrne, veronika a. zimmer, ジュリア・a・シュナーベル、アンドリュー・p・キング。
0.60
A topological loss for function deep-learning based persistent using image homology. 画像ホモロジーを用いた関数深層学習のための位相的損失 0.71
segmentation CoRR, 2019b. セグメンテーション CoRR, 2019b。 0.80
abs/1910.01877, URL http://arxiv. abs/1910.01877, url http://arxiv。 0.64
org/abs/1910.01877. org/abs/1910.01877。 0.37
Julia A pritopological segmentation using for deep-learning based image International Conference on InIn Imaging, in Medical 16–28. julia a pritopological segmentation using for deep-learning based image international conference on inin imaging, in medical 16-28 0.85
pages 2016, pages 10.1007/978-3-319-46 723-8\_48. ページ 2016年10.1007/978-319-4672 3-8\_48頁。 0.47
J. A. Schndeepfor persistent hoAnalysis and J。 A. Schndeepfor persistent hoAnalysis and 0.88
and Bjoern segmentation Medical In Bjoern segmentation Medical In 0.61
Ilkay Oksuz, Nicholas Byrne, Ilkay Oksuz, Nico Byrne 0.59
Proceedings, Part Explicit 手続、 一部 明示 0.49
英語(論文から抽出)日本語訳スコア
1995. doi: 1995. Doi: 0.70
Silva, João Silva (複数形 Silvas) 0.44
for doi: Deep for doiについて: 深く 0.47
tumor 2020. Lequan Yu, supervised 2020年腫瘍。 Lequan Yu (複数形 Lequan Yus) 0.60
automatic prostate 10.1007/s11517-020-0 2199-5. 自動前立腺10.1007/s11517-020-0 2199-5 0.29
Timothy F. Cootes, Christopher J. Taylor, David H. Cooper, training and and Jim Graham. Timothy F. Cootes, Christopher J. Taylor, David H. Cooper, Training and Jim Graham 0.88
Active shape models-their application. アクティブ形状モデルとその応用 0.76
Computer Vision and Image Understanding, 10.1006/cviu.1995.10 04. Computer Vision and Image Understanding, 10.1006/cviu.1995.10 04 0.62
61(1):38–59, URL https://doi.org/10.1 006/cviu.1995.1004. 61(1):38–59, URL https://doi.org/10.1 006/cviu.1995.1004 0.50
Sousa Diniz, Petterson França Giovanni Lucca da Ferreira Jonnison Vitor Ferreira, França, Lima de Silva, Anselmo Cardoso Paiva, and Aristófanes C. Elton Anderson Araújo de Cavalcanti. Sousa Diniz, Petterson França Giovanni Lucca da Ferreira Jonnison Vitor Ferreira, França, Lima de Silva, Anselmo Cardoso Paiva, Aristófanes C. Elton Anderson Araújo de Cavalcanti 0.78
Superpixel-based deep convolutional neural networks and active contour segmentation on 3d MRI model scans. 3次元MRIモデルスキャンにおける画素ベースディープ畳み込みニューラルネットワークとアクティブな輪郭分割 0.74
Medical Biol. Eng. Comput., 58(9):1947–1964, 2020. 医学生。 Eng! 58(9):1947-1964、2020年。 0.70
URL https: //doi.org/10.1007/s1 1517-020-02199-5. URL https: //doi.org/10.1007/s1 1517-020-02199-5 0.32
and Ning Wu Deng, Qinke Shi, Miye Wang, Bing Zheng, Ning. そして、Ning Wu Deng、Qinke Shi、Miye Wang、Bing Zheng、Ning。 0.76
learning-based HCNN and CRF-RRNN Access, IEEE segmentation. HCNNとCRF-RRNNアクセス、IEEEセグメンテーション。 0.63
brain model 10.1109/ACCESS.2020. 脳モデル10.1109/ACCESS.2020 0.54
8:26665–26675, doi: 2966879. 8:26665-26675, doi: 2966879。 0.72
URL https://doi.org/10.1 109/ACCESS. URL https://doi.org/10.1 109/ACCESS 0.46
2020.2966879. 2020.2966879. 0.71
Jing Qin, Jin, Qi Dou, Hao Chen, Yueming network deeply and 3d Pheng-Ann Heng. Jing Qin, Jin, Qi Dou, Hao Chen, Yueming Network Deep and 3d Pheng-Ann Heng。 0.90
In segmentation from CT volumes. CTボリュームからのセグメンテーション。 0.59
for automatic liver Inand Computer-Assisted Image Computing Medical International Con19th tervention - MICCAI 2016 17-21, October 2016, Proference, Athens, Greece, II, pages 149–157, 2016. ceedings, Part 10.1007/ doi: 978-3-319-46723-8\_1 8. Inand Computer-Assisted Image Computing Medical International Con19th tervention - MICCAI 2016 17-21, 2016, Proference, Athens, Greece, II, page 149–157, 2016, ceedings, Part 10.1007/doi: 978-3-319-46723-8\_1 8 0.75
URL https://doi.org/10. URL https://doi.org/10。 0.58
1007/978-3-319-46723 -8_18. 1007/978-3-319-46723 -8_18. 0.24
Jin, Xin Yang, Qi Dou, Lequan Yu, Hao Chen, Yueming and deeply Jing 3d superQin, vised network for automated segmentation of volumetric Analysis, medical images. Jin, Xin Yang, Qi Dou, Lequan Yu, Hao Chen, Yueming, Deep Jing 3d SuperQin,vised network for automated segmentation of volumetric Analysis, medical image。 0.82
41:40–54, doi: 2017. 41:40-54, doi: 2017。 0.67
10.1016/j.media.2017 .05.001. 10.1016/j.media.2017 .05.001 0.25
URL https: //doi.org/10.1016/j. media.2017.05.001. URL https: //doi.org/10.1016/j. media.2017.05.001 0.30
Duy, Nguyen Nguyen Duy, Ho Minh Manh Mai and Thanh Binh Thanh Nhat Truong, Pham The Bao, extraction brain Accurate Nguyen. Duy, Nguyen Nguyen Duy, Ho Minh Manh Mai and Thanh Binh Thanh Nhat Truong, Pham The Bao, extract braincurate Nguyen。 0.78
active using shape CoRR, networks. 形状CoRR、ネットワークを使ってアクティブに。 0.71
convolutional model and neural abs/1802.01268, 2018. 畳み込みモデルとニューラルabs/1802.01268, 2018 0.68
URL http://arxiv.org/ abs/1802.01268. URL http://arxiv.org/ abs/1802.01268 0.54
Herbert Edelsbrunner, David Letscher, Topological dian. Herbert Edelsbrunner, David Letscher, Topological dian 0.71
and Foundations Science, of 2000. 2000年の科学の基礎をつくりました 0.59
IEEE, and Elnakib, Georgy Gimel’farb, Ahmed Image Segmentation: A Brief Ayman El-Baz. IEEEとElnakib、Georgy Gimel’farb、Ahmed Image Segmentation: A Brief Ayman El-Baz。 0.76
Medical Survey, Springer New York, New York, 1–39. ニューヨーク州スプリングアー・ニューヨーク (Springer New York) の医師。 0.60
pages 10.1007/ NY, 2011. 2011年10.1007頁。 0.61
ISBN 978-1-4419-8204-9. ISBN 978-1-4419-8204-9。 0.37
978-1-4419-8204-9_1. 978-1-4419-8204-9_1. 0.27
URL https://doi.org/10. URL https://doi.org/10。 0.58
1007/978-1-4419-8204 -9_1. 1007/978-1-4419-8204 -9_1. 0.24
Jianing Wang, Fan, Dongqing Zhang, Yubo Jack H. NoCombining modelble, and Benoit M. Dawant. Jianing Wang, Fan, Dongqing Zhang, Yubo Jack H. NoCombining modelble, Benoit M. Dawant 0.79
and for deep-learning-based methods and accurate rothe the intra-cochlear of segmentation anatomy in bust clinhead CT images. 頭蓋骨CT画像の偏位解剖学の深層学習法と正確なローザリングについて検討した。 0.58
Isgum and Bennett A. Ivana ical In Isgum and Bennett A. Ivana ical In 0.96
and Afra Zomorosimplification. そしてAfra Zomorosimplification 。 0.73
In pages 454–463. Pheng-Ann Medical 454-463頁。 Pheng-Ann 医療 0.62
persistence Computer Heng. Image 永続計算機 ヘン。 画像 0.62
Jasjit S. Suri, ジャジット S。 すり 0.52
doi: 15 A PREPRINT Doi: 15 プレプリント 0.62
- JANUARY 20, 2021 - 年表 20, 2021 0.72
Igor 10.1109/ACCESS.2020. 2982197. イーゴリ 10.1109/ACCESS.2020. 2982197 0.36
on and segmentation technology based on IEEE Access, 2020. https: ieee access, 2020. https に基づくオンおよびセグメンテーション技術 0.70
Image Proeditors, Medical Imaging 2020: Landman, 15-20, Houston, cessing, 2020, USA, February TX, SPIE Proceedings, volume 113131D. Image Proeditors, Medical Imaging 2020: Landman, 15-20, Houston, cessing, 2020, USA, February TX, SPIE Proceedings, Volume 113131D。 0.91
page 11313 of 2020. doi: 10.1117/12.2549390. 2020年の11313ページ 10.1117/12.2549390 0.68
URL https: SPIE, //doi.org/10.1117/12 .2549390. URL https: SPIE, //doi.org/10.1117/12 .2549390。 0.46
Yuanyuan Wang, Guo, Yi Fang, Mengyun Zhou Qiao, and Cai Chang. Yuanyuan Wang, Guo, Yi Fang, Mengyun Zhou Qiao, Cai Chang 0.66
Zhou, Shichong Jiawei Li, Combinan and convolutional active fully ing network cona tour model for automatic 2d breast segmentation tumor Journal of Medical Imaging from ultrasound images. 超音波画像を用いた2次元乳房セグメンテーション腫瘍ジャーナル・オブ・メディカルイメージングのためのZhou, Shichong Jiawei Li, Combinan and convolutional active ing network cona Tour Model 0.80
and Health Informatics, 9:1510–1515, doi: 2019. and Health Informatics, 9:1510–1515, doi: 2019。 0.84
09 10.1166/jmihi.2019.2 752. 09 10.1166/jmihi.2019.2 752 0.40
URL https://doi.org/ 10.1166/jmihi.2019.2 752. URL https://doi.org/ 10.1166/jmihi.2019.2 752 0.43
Fauser, Stenin, Markus Bauer, Wei-Hung Johannes Julia Kristin, Thomas Klenzner, and Jörg Schipper, Hsu, automatic an Toward Anirban Mukhopadhyay. Fauser, Stenin, Markus Bauer, Wei-Hung Johannes Julia Kristin, Thomas Klenzner, Jörg Schipper, Hsu, Automatic Anirban Mukhopadhyay。 0.76
preoperfor ative pipeline image-guided temporal bone surgery. preoperfor ative pipeline image-guided temporal bone surgery 0.86
Radiol. Surg., J. ラジオル さようなら、j。 0.56
Assist. Comput. アシスト。 Comput 0.58
Int. 14(6):967–976, 10.1007/s11548-019-0 1937-x. Int 14(6):967–976、10.1007/s11548-019-0 1937-x。 0.45
2019. doi: URL https: //doi.org/10.1007/s1 1548-019-01937-x. 2019.doi: URL https: //doi.org/10.1007/s1 1548-019-0 1937-x 0.35
Xiuqin Geng, Naiqin Feng, Lijuan Qin. Xiuqin Geng, Naiqin Feng, Lijuan Qin 0.68
Study image MRI medical CNN-CRF model. 画像MRI医療用CNN-CRFモデルの検討 0.74
8:60505–60514, doi: URL //doi.org/10.1109/AC CESS.2020.2982197. 8:60505–60514, doi: URL //doi.org/10.1109/AC CESS.2020.2982197 0.37
Stephen Lin, Damon Wing Kee Huazhu Fu, Yanwu Xu, Deepvessel: segvessel Retinal Wong, and Jiang Liu. Stephen Lin, Damon Wing Kee Huazhu Fu, Yanwu Xu, Deepvessel: segvessel Retinal Wong, Jiang Liu 0.73
random conditional learning and via mentation deep and ComputerImage Computing In Medical field. 医学分野における無作為条件学習とメンテーションによる深部画像計算 0.67
- MICCAI Interna2016 19thAssisted Intervention Athens, Greece, October 17-21, tional Conference, 2016, Proceedings, II, Part 2016a. -MICCAI Interna2016 19th Assisted Intervention Athens, Greece, October 17-21, tional Conference, 2016, Proceedings, II, Part 2016a 0.92
132–139, pages 10.1007/978-3-319-46 723-8\_16. 132–139頁、10.1007/978-319-4672 3-8\_16頁。 0.28
doi: URL https: //doi.org/10.1007/97 8-3-319-46723-8_16. doi: url https: //doi.org/10.1007/97 8-319-46723-8_16。 0.34
Damon Wing Huazhu Kee Wong, Fu, Yanwu Xu, and Jiang Liu. 大門ウィン・フアチュー・キー・ウォン、フ、ヤンウー・チウ、ジャン・リウ。 0.26
Retinal vessel segmentation via deep learning random fields. 深層学習ランダムフィールドによる網膜血管セグメンテーション 0.56
and fully-connected network conditional In 13th IEEE International Symposium on Biomedical Imaging, ISBI 2016, Prague, Czech Republic, April 1316, 2016, 698–701, 10.1109/ISBI. and full-connected network conditional in 13th ieee international symposium on biomedical imaging, isbi 2016 prague, czech republic, april 1316, 2016 698–701, 10.1109/isbi 0.77
pages 2016.7493362. 16,7493362頁 0.36
URL https://doi.org/10.1 109/ ISBI.2016.7493362. URL https://doi.org/10.1 109/ ISBI.2016.7493362 0.43
Mingchen Gao, Chao Chen, Shaoting Zhang, Zhen Qian, Dimitris Metaxas, papSegmenting the and Leon Axel. Mingchen Gao, Chao Chen, Shaoting Zhang, Zhen Qian, Dimitris Metaxas, papSegmenting the and Leon Axel 0.77
and the illary muscles from high resolution trabeculae cardiac CT through topological handles. 高分解能のトラベキュラ心臓ctから 位相的ハンドルを通した 異常な筋肉です 0.60
of restoration In IPMI, pages 184–195. IPMI, page 184–195。 0.55
Springer, 2013. Isabella Aaron Wu, Le Mingchen Gao, Ziyue Xu, Lu, MolDaniel and Summers, M. Ronald Nogues, J. using Segmentation lura. 2013年春。 Isabella Aaron Wu, Le Mingchen Gao, Ziyue Xu, Lu, MolDaniel and Summers, M. Ronald Nogues, J. using Segmentation lura。 0.67
propagation deep conlabel dense and networks neural conditional ranvolutional 13th IEEE International Symposium on dom field. 第13回ieee international symposium on dom field に参加して 0.27
In Biomedical Imaging, ISBI 2016, Prague, Czech Republic, 2016, 13-16, April 1265–1268, 2016. pages 10.1109/ISBI.2016.74 93497. In Biomedical Imaging, ISBI 2016 Prague, Czech Republic, 2016 13-16, April 1265-1268, 2016 page 10.1109/ISBI.7493497 0.83
URL https://doi. URL https://doi.com 0.68
doi: org/10.1109/ISBI.201 6.7493497. org/10.1109/ISBI.201 6.7493497 0.39
2016b. doi: 2016年。 Doi: 0.63
英語(論文から抽出)日本語訳スコア
A PREPRINT - JANUARY プレプリント - 年表 0.54
20, 2021 Jin 20, 2021 陣 0.71
Kwon, pupil 2020. Han, Yoon Ik Cho. 2020年、生徒。 Han, Yoon Ik Cho 0.63
Access, Assaf Deep active 2019. アクセス assaf deep active 2019所属。 0.55
Sengupta, and Demetri CoRR, http://arxiv.org/ Sengupta, and Demetri CoRR, http://arxiv.org/ 0.78
Zhu, Guodong Zhang, Dazhe Zhenyu Zhaoxuan Gong, networks neural Convolutional and Wei Guo. Zhu, Guodong Zhang, Dazhe Zhenyu Zhaoxuan Gong, Network Neural Convolutional, Wei Guo 0.69
Zhao, segmentation pancreas for framework level based set Third Proceedings of the Interimages. Zhao, segmentation pancreas for framework level based set Third Proceedings of the Interimages。 0.80
In from CT Computing Digon national Symposium Image and ital Medicine, ISICDM 2019, Xi’an, China, August 24-26, 2019, 10. doi: 2019. CT Computing Digon National Symposium Image and Ital Medicine, ISICDM 2019, Xi’an, China, August 24-26, 2019, 10。 0.72
ACM, 27–30. ACM 27-30。 0.84
pages 1145/3364836.3364842 . 1145/3364836.3364842 頁。 0.42
URL https://doi.org/10. URL https://doi.org/10。 0.58
1145/3364836.3364842 . 1145/3364836.3364842 . 0.50
Xiaotao Guo, Lawrence H. Schwartz, and Binsheng Zhao. Xiaotao Guo、Lawrence H. Schwartz、Binsheng Zhao。 0.71
segmentation by integrating fully conliver Automatic Medvolutional active into contour models. 輪郭モデルに自動メド進化活性を完結させることによるセグメンテーション。 0.62
networks ical Physics, 2019. Network ical Physics, 2019. 0.82
07 URL doi: 10.1002/mp.13735. 07 URL doi: 10.1002/mp.13735。 0.63
https://doi.org/10.1 002/mp.13735. https://doi.org/10.1 002/mp.13735。 0.34
Hyuk and Sang Kim, Yoonsik detection center Noise-robust Nam through cnn-based segmentation with shape-prior loss. hyuk and sang kim, yoonsik detection center noise-robust nam through cnn-based segmentation with shape-prior loss (英語) 0.66
IEEE 8:64739–64749, doi: 10.1109/ URL https://doi.org/10. IEEE 8:64739–64749, doi: 10.1109/ URL https://doi.org/10 0.58
ACCESS.2020.2985095. アクセス2020.2985095 0.49
1109/ACCESS.2020.298 5095. 1109/ACCESS.2020.298 5095 0.42
Hoogi, Ali Debleena Hatamizadeh, Wuyue Lu, Brian Wilcox, Daniel L. Rubin, Terzopoulos. Hoogi, Ali Debleena Hatamizadeh, Wuyue Lu, Brian Wilcox, Daniel L. Rubin, Terzopoulos 0.82
lesion segmentation. 病変のセグメンテーション 0.55
abs/1908.06933, URL abs/1908.06933. abs/1908.06933, URL abs/1908.06933 0.51
and Fucang Baochun He, Deqiang Xiao, Qingmao Hu, resonance image prostate segJia. そしてFucang Baochun He, Deqiang Xiao, Qingmao Hu, resonance image prostate segJia。 0.77
Automatic magnetic probalearning on based mentation feature adaptive and bility initialization tree boosting CNN-ASM reAccess, IEEE finement. CNN-ASM再Access, IEEEファインメントを補助する適応性と能力の初期化ツリーに基づく自動磁気プロバラーニング 0.78
6:2005–2015, 2018. doi: 10.1109/ACCESS.2017. 2781278. 6:2005–2015, 2018. doi: 10.1109/access.2017. 2781278 0.43
URL https://doi. URL https://doi.com 0.68
org/10.1109/ACCESS.2 017.2781278. org/10.1109/ACCESS.2 017.2781278 0.29
Statistical and Tobias Meinzer. 統計学とtobias meinzer。 0.74
Hans-Peter Heimann segmentation: A 3d medical for shape models image Image Analysis, 13(4):543–563, review. Hans-Peter Heimann segmentation: A 3d Medical for shape model Image Analysis, 13(4):543–563, review. 0.95
Medical 2009. 10.1016/j.media.2009 .05.004. 2009年医学部。 10.1016/j.media.2009 .05.004 0.44
URL https://doi. URL https://doi.com 0.68
doi: org/10.1016/j.media. 2009.05.004. doi: org/10.1016/j.media. 2009.05.004。 0.31
Jia, Hesam Hesamian, Wenjing Mohammad J. Kennedy. Jia, Hesam Hesamian, Wenjing Mohammad J. Kennedy 0.78
He, and Paul learning image for medical Achievements Digit. 彼とPaulは、医学的成果のイメージを学ぶ。 0.68
J. challenges. 32(4):582–596, URL doi: doi.org/10.1007/s102 78-019-00227-x. J.挑戦。 32(4):582–596, URL doi: doi.org/10.1007/s102 78-019-00227-x 0.64
Assaf Hoogi, Arjun Subramaniam, Rishi Veerapaneni, and conof Adaptive Rubin. Assaf Hoogi, Arjun Subramaniam, Rishi Veerapaneni, and conof Adaptive Rubin 0.75
estimation L. Daniel active networks convolutional parameters tour using neural IEEE Trans. ニューラルネットワークを用いたl. daniel active networks convolutional parameters tourの推定 0.72
Med. Imaging, and analysis. 薬だ 画像化と分析です 0.57
texture 36(3): 2017. doi: 10.1109/TMI.2016.262 8084. テクスチャ36(3) 2017年: 10.1109/TMI.2016.262 8084 0.63
781–791, URL https://doi.org/10.1 109/TMI.2016.2628084 . 781–791, URL https://doi.org/10.1 109/TMI.2016.2628084 0.40
segventricle Automatic Wei-Yen Hsu. segventricle automatic wei-yen hsu 0.74
recognition, image and mentation tracking ultrasound cardiac IEEE sequences. 超音波心電図 IEEE シーケンスの認識, 画像, および メンテーション 0.74
7:140524–140533, 2019. doi: URL https: //doi.org/10.1109/AC CESS.2019.2920957. 7:140524–140533, 2019. doi: URL https: //doi.org/10.1109/AC CESS.2019.2920957 0.44
Shuhua Deng, Kai Hu, Qinghai Gan, Yuan Fen and Xieping Gao. Shuhua Deng, Kai Hu, Qinghai Gan, Yuan Fen, Xieping Gao 0.71
Xiao, Wei Huang, Xiao, Wei Huang, 0.85
Deep segmentation: Imaging, 10.1007/s10278-019-0 0227-x. ディープセグメンテーション:画像10.1007/s10278-019-0 0227-x。 0.29
Xiangjian techniques and 2019. https:// Xiangjianのテクニックと2019年。 0.64
10.1109/ACCESS.2019. 2920957. 10.1109/ACCESS.2019. 2920957 0.34
left in Access, Accessに残されている。 0.49
Zhang, Cao, Zhang, Cao, 0.85
Chunhong 16 2018. 忠興 16 2018. 0.73
doi: 10.1109/JBHI.2018.27 94552. Doi: 10.1109/JBHI.2018.27 94552 0.44
Paul image 2020. segmentation using multi-cascaded convoBrain tumor and conditional lutional neural networks random field. ポール2020年。 multi-cascaded convobrain tumor and conditional lutional neural networks random fieldを用いたセグメンテーション 0.75
IEEE Access, 7:92615–92629, 10.1109/ doi: 2019. IEEE Access, 7:92615–92629, 10.1109/ doi: 2019 0.75
URL https://doi.org/10. URL https://doi.org/10。 0.58
ACCESS.2019.2927433. ACCESS.2019.2927433 0.53
1109/ACCESS.2019.292 7433. 1109/ACCESS.2019.292 7433 0.41
Jiawei Jinhua Yu, Yuzhou Hu, Yi Guo, Yuanyuan Wang, tumor Automatic and Cai Chang. Jiawei Jinhua Yu, Yushu Hu, Yi Guo, Yuanyuan Wang, tumor Automatic, Cai Chang 0.73
Li, Shichong Zhou, using images ultrasound a diin segmentation breast with combined an lated network fully convolutional Physics, Medical 46, 10 2018. active contour model. Li, Shichong Zhou, using image audio a diin segmentation breast with a lated network fully convolutional Physics, Medical 46, 10. active contour model. 0.73
doi: 10.1002/mp.13268. 10.1002/mp.13268 0.57
URL https://doi.org/10. URL https://doi.org/10。 0.58
1002/mp.13268. 1002/mp.13268。 0.48
Jiang Liu, Jianjiang Feng, Lei Wang, Heng Yu, Jin, Cheng segmenand Jie Zhou. Jiang Liu, Jianjiang Feng, Lei Wang, Heng Yu, Jin, Cheng segmenand Jie Zhou 0.75
Jiwen Lu, appendage Left atrial tation networks and neural fully using convolutional random fields. Jiwen Lu, appendage left atrial tation network and Neural fully using convolutional random field。 0.72
modified three-dimensional conditional IEEE J. Biomedical and Health Informatics, 22(6):1906– 1916, URL https://doi.org/10.1 109/JBHI.2018.279455 2. IEEE J. Biomedical and Health Informatics, 22(6):1906– 1916, URL https://doi.org/10.1 109/JBHI.2018.279455 2 0.67
Honeine, Petitjean, Caroline Jurdi, Rosana El and Fahed Abdallah. Hoeine, Petitjean, Caroline Jurdi, Rosana El, Fahed Abdallah。 0.74
High-level Veronika Cheplygina, for medical functions loss prior-based segmenCoRR, abs/2011.08018, tation: A survey. Veronika Cheplygina, for medical function loss pre-based segmenCoRR, abs/2011.08018, tation: A survey 0.81
URL https://arxiv.org/ab s/2011.08018. URL https://arxiv.org/ab s/2011.08018 0.46
F. Ledig, Christian Konstantinos Kamnitsas, J. Kane, Simpson, Newcombe, Joanna P. Andrew and Ben Glocker. F. Ledig、Christian Konstantinos Kamnitsas、J. Kane、Simpson、Newcombe、Joanna P. Andrew、Ben Glocker。 0.89
David K. Menon, Daniel Rueckert, fully 3d CNN with Efficient multi-scale connected CRF Image for Analysis, 36:61–78, 2017. doi: 10.1016/j.media.2016 . David K. Menon, Daniel Rueckert, full 3d CNN with Efficient multi-scale connected CRF Image for Analysis, 36:61–78, 2017 doi: 10.1016/j.media.2016 0.74
10.004. URL https://doi.org/10.1 016/j.media. 10.004. URL https://doi.org/10.1 016/j.media 0.56
2016.10.004. 2016.10.004. 0.50
Davood Karimi, Golnoosh Samei, Claudia Kesch, Guy Nir, Septimiu E. and segmentation in convolutional neural network architecture MRI using a and shape modtraining strategy Int. Davood Karimi, Golnoosh Samei, Claudia Kesch, Guy Nir, Septimiu E., and segmentation in convolutional Neural Network Architecture MRI using a and shape modtraining strategy Int。 0.82
J. Comput. Assist. J.Comput アシスト。 0.69
Radiol. els. 13(8):1211– doi: 2018. ラジオル エルス 13(8)1211-ドイ:2018年。 0.56
1219, URL https://doi.org/10.1 007/s11548-018-1785- 8. 1219, URL https://doi.org/10.1 007/s11548-018-1785- 8。 0.37
Karimi, Davood Apeksha Qi Zeng, Prateek Ingrid Spadinger, Purang AbolAvinash, Sara Mahdavi, maesumi, Salcudean. Karimi, Davood Apeksha Qi Zeng, Prateek Ingrid Spadinger, Purang Abolavinash, Sara Mahdavi, maesumi, Salcudean 0.74
and E. Septimiu and Accurate deep robust learning-based segmentation prostate of the in ultrasound images. E. Septimiu and Accurate Deep robust learning-based segmentation prostate of the in Ultra image。 0.84
Medical Imclinical target volume age Anal., 10.1016/j.media. 医学Imclinical target volume age Anal., 10.1016/j.media 0.75
2019. 57:186–196, URL 2019.07.005. https://doi.org/10.1 016/j. 2019. 57:186–196, URL 2019.07.005. https://doi.org/10.1 016/j. 0.61
media.2019.07.005. メディア2019.07.005。 0.38
Gopi Kasinathan, Selvakumar Jayakumar, Amir H. Gandomi, Manikandan Ramachandran, Simon James Fong, lung Automated and 3-d Patan. Gopi Kasinathan, Selvakumar Jayakumar, Amir H. Gandomi, Manikandan Ramachandran, Simon James Fong, lung Automated and 3-d Patan 0.89
detumor contour model classification by active tection an Expert Syst. エキスパートシストのアクティブテクションによる腫瘍輪郭モデル分類 0.53
Appl., and CNN classifier. Appl.とCNN分類器。 0.71
134:112–119, 2019. 134:112–119, 2019. 0.65
10.1016/j.eswa.2019. 05.041. 10.1016/j.eswa.2019. 05.041 0.24
URL https: //doi.org/10.1016/j. eswa.2019.05.041. URL https: //doi.org/10.1016/j. eswa.2019.05.041 0.30
Michael Kass, Andrew P. Witkin, los. Michael Kass, Andrew P. Witkin, los. 0.94
Prostate on statistical Surg., accurate brain lesion segmentation. 専門は統計学。 正確な脳病変の分節 0.63
Medical and Demetri TerzopouInternationa l 医学 Demetri Terzopou International 0.75
Salcudean. based Salcudean ベース 0.49
10.1007/s11548-018-1 785-8. 10.1007/s11548-018-1 785-8。 0.24
Rizwan and doi: Rizwan and doi: 0.85
contour models. Virginia D. 輪郭モデル。 ヴァージニアD。 0.63
Mathur, doi: Mathur Doi: 0.51
Snakes: Active ヘビ: 活動 0.63
英語(論文から抽出)日本語訳スコア
A PREPRINT - JANUARY プレプリント - 年表 0.54
20, 2021 the 20, 2021 はあ? 0.68
1988. image 1988. image 0.85
Kersten for Kersten (複数形 Kerstens) 0.38
International June 28 - 2001. 6月28日 - 2001. 0.76
Chung Hai transformer Conditional segmenting and labeling sequence data. 忠海変圧器 条件付きセグメンテーションおよびラベリングシーケンスデータ。 0.70
of Journal of Computer Vision, 1(4):321–331, doi: 10.1007/BF00133570. ですから Journal of Computer Vision, 1(4):321–331, doi: 10.1007/BF00133570。 0.64
URL https://doi.org/10. URL https://doi.org/10。 0.58
1007/BF00133570. 1007/BF00133570。 0.55
Siwek, Krzysztof and Krawczyk, Kot, Estera Zuzanna and contour S. Piotr Czwarnowski. Siwek, Krzysztof, Krawczyk, Kot, Estera Zuzanna, contour S. Piotr Czwarnowski 0.76
U-net active visualizaand segmentation brain methods for tumour on NeuJoint Conference International 2020 In tion. U-net active visualizaand segmentation brain methods for tumour on NeuJoint Conference International 2020 In tion 0.83
IJCNN Networks, ral 2020, Glasgow, United Kingdom, July 19-24, 2020, pages 1–7. IJCNN Networks, ral 2020, Glasgow, UK, July 19-24, 2020, page 1–7。 0.93
IEEE, 2020. doi: 10.1109/IJCNN48605.2 020.9207572. IEEE, 2020. doi: 10.1109/IJCNN48605.2 020.9207572 0.55
URL https:// doi.org/10.1109/IJCN N48605.2020.9207572. URL https://doi.org/10.1 109/IJCNN48605.2020. 9207572 0.38
and Fernando C. N. John D. Lafferty, Andrew McCallum, Pereira. フェルナンド・C・N・ジョン・D・ラファティ、アンドリュー・マッカーラム、ペレイラ。 0.47
random fields: Probabilistic modIn Proels for ceedings Conference Eighteenth on Machine Learning (ICML 2001), Williams College, Williamstown, MA, USA, July 1, 2001, pages 282–289, Petersen, Nick Matthew Lee, TETRIS: Pawlowski, Ben Glocker, and Michiel Schaap. ランダムフィールド:確率的modIn Proels for ceedings Conference Eighteenth on Machine Learning (ICML 2001), Williams College, Williamstown, Williamstown, MA, USA, July 1, 2001, pages 282–289, Petersen, Nick Matthew Lee, TETRIS: Pawlowski, Ben Glocker, Michiel Schaap 0.84
networks segmentation Template imagIEEE transactions on medical with shape priors. ネットワークセグメンテーションテンプレート imagieee transactions on medical with shape priors。 0.71
ing, 2019. Tao Lei, Risheng Wang, Yong Wan, Xiaogang Du, Hongyand Asoke K. Nandi. 2019年。 Tao Lei, Risheng Wang, Yong Wan, Xiaogang Du, Hongyand Asoke K. Nandi 0.68
ing Meng, segCoRR, deep using learning: mentation 2020. ing Meng, segCoRR, Deep using Learning: mentation 2020。 0.78
URL abs/2009.13120, https://arxiv.org/ abs/2009.13120. URL abs/2009.13120, https://arxiv.org/ abs/2009.13120 0.50
and Xiahai Zhuang. そしてXiahai Zhuang。 0.72
Lei Li, Xin Weng, Julia A. Schnabel, segmentation quantification and atrial left scar Joint on atbased a DNN with spatial encoding and shape Anne tention. Lei Li, Xin Weng, Julia A. Schnabel, segmentation Quantification and atrial left scar Joint on atbased a DNN with space encoding and shape Anne tention。 0.81
In L. Martel, Purang Abolmaesumi, Diana Mateus, Danail Zuluaga, Maria Stoyanov, A. Racoceanu, Leo Daniel and S. Kevin Zhou, Joskoweditors, Medical Image Computing and Computer icz, Assisted Intervention - MICCAI 202023rd Interna2020, Peru, Lima, Conference, tional October 4-8, of Lecture Notes Proceedings, Part IV, 12264 volume in Computer Science, Springer, pages 118–127. L. Martel, Purang Abolmaesumi, Diana Mateus, Danail Zuluaga, Maria Stoyanov, A. Racoceanu, Leo Daniel and S. Kevin Zhou, Joskoweditors, Medical Image Computing and Computer icz, Assisted Intervention - MICCAI 202023rd Interna2020, Peru, Lima, Conference, tional October 4-8, of Lecture Notes Proceedings, Part IV, 12264 volume in Computer Science, Springer, page 118–127 0.92
2020. 10.1007/978-3-030-59 719-1\_12. 2020. 10.1007/978-3-030-59 719-1\_12. 0.53
doi: URL https: //doi.org/10.1007/97 8-3-030-59719-1_12. URL https: //doi.org/10.1007/97 8-3-030-59719-1_12 0.33
Stan computer in random field models Li. ランダム場モデルLiにおけるスタンコンピュータ。 0.69
Z. Vision Third ECCV’94, Eurovision. Z。 ビジョン3ECCV'94、ユーロビジョン。 0.73
In pean Conference on Computer Vision, Stockholm, Sweden, May Proceedings, Volume II, pages 361–370, URL 10.1007/BFb0028368. pean conference on computer vision, stockholm, sweden, may proceedings, volume ii, pages 361–370, url 10.1007/bfb0028368。 0.78
https://doi.org/10.1 007/BFb0028368. https://doi.org/10.1 007/BFb0028368。 0.36
Yuanwei Li, Chin Pang Ho, Matthieu Toulemonde, Navtej Chahal, Roxy Senior, and Meng-Xing Tang. Yuanwei Li, Chin Pang Ho, Matthieu Toulemonde, Navtej Chahal, Roxy Senior, Meng-Xing Tang 0.77
auFully of tomatic myocardial echocarsegmentation contrast by using sequence diography random forests guided IEEE Trans. sequence diography random forests guided ieee trans を用いた心エコー造影法の検討 0.61
Med. Imaging, 37(5):1081– shape model. 薬だ 画像, 37(5):1081 - 形状モデル。 0.68
1091, 2018. doi: 10.1109/TMI.2017.274 7081. 1091, 2018. doi: 10.1109/TMI.2017.274 7081 0.57
URL https://doi.org/10.1 109/TMI.2017.2747081 . URL https://doi.org/10.1 109/TMI.2017.2747081 0.35
Jinhua Yu, Zhifeng Shi, Yi Guo, Zeju Li, Yuanyuan Wang, Low-grade and Ying Mao. ジンホアユ、ジンフォンシ、イ・グオ、ゼジュ・リー、ユアン・ワン、ローグレード、イ・マオ。 0.40
Liang Chen, segmenJournal fully on cnn with tation based connected Liang Chen, segmenJournal fully on cnn with tation based connected 0.85
Markov Computer 2-6, 1994, doi: 1994. Markov Computer 2-6, 1994, doi: 1994 0.90
Medical A survey. glioma crf. 医学調査。 グリオーマcrf。 0.51
image - 17 image - 17 0.85
doi: 2017 Litjens, Doi: 2017 Litjens 0.63
doi: URL https://doi.org/10. URL https://doi.org/10。 0.67
of Healthcare Engineering, 2017:1–12, 06 2017a. of Healthcare Engineering, 2017:1-12, 06 2017a. 0.75
10.1155/2017/9283480 . 10.1155/2017/9283480 . 0.39
1155/2017/9283480. 1155/2017/9283480. 0.50
Junhao Wu. and Left Zewen Li, Adan Lin, Xuan Yang, segmentation by combining convolution neuventricle ral and contour model network with vottensor active International IEEE ing short-axis MRI. ユンハウ。 左Zewen Li, Adan Lin, Xuan Yang, segmentation by combine by convolution neuventricle ral and contour model network with vottensor active International IEEE ing short-axis MRI。 0.64
In in Conference on Bioinformatics and Biomedicine, BIBM 2017, Kansas City, MO, USA, November 13-16, 2017, pages 10.1109/BIBM.2017. in Conference on Bioinformatics and Biomedicine, BIBM 2017, Kansas City, MO, USA, November 13-16, 2017, page 10.1109/BIBM.2017 0.95
736–739, 2017b. 736-739, 2017年。 0.60
8217746. URL https://doi.org/10.1 109/BIBM. 8217746. URL https://doi.org/10.1 109/BIBM 0.66
2017.8217746. 2017.8217746. 0.71
Thijs Geert Ehteshami Bejnordi, Kooi, Babak Arnaud Arindra Francesco Ciompi, Adiyoso Setio, Mohsen Ghafoorian, Laak, van Jeroen A. W. M. der I. Sánchez. Thijs Geert Ehteshami Bejnordi, Kooi, Babak Arnaud Arindra Francesco Ciompi, Adiyoso Setio, Mohsen Ghafoorian, Laak, van Jeroen A. W. M. der I. Sánchez 0.92
and Clara Bram van Ginneken, on A survey Medical Imlearning in medical deep analysis. Clara Bram van Ginneken氏、A survey Medical Imlearning in Medical Deep Analysis。 0.63
image age Anal., 42:60–88, 2017. doi: 10.1016/j.media.2017 . image age Anal., 42:60–88, 2017 doi: 10.1016/j.media.2017 0.57
07.005. URL https://doi.org/10.1 016/j.media. 07.005. URL https://doi.org/10.1 016/j.media 0.56
2017.07.005. 2017.07.005. 0.50
Yashu Liu, Kuanquan Wang, Gongning Luo, and HengZhang. 李弥州、王元、龍光、平山。 0.38
framework A gui atrium left for segmentaon CT images with tion detection combined network Computing 46th Cardiin set level and In model. framework a gui atrium left for segmentaon ct images with tion detection combined network computing 46th cardiin set level and in model (情報ネットワーク) 0.82
ology, 8-11, September CinC 2019, 2019, Singapore, pages 2019. ology, 8-11, September CinC 2019, 2019, Singapore, pages 2019。 0.95
1–4. IEEE, doi: 10.23919/CinC49843. 1–4. IEEE, doi: 10.23919/CinC49843 0.71
2019.9005853. 2019.9005853. 0.71
URL https://doi.org/10.2 3919/ CinC49843.2019.90058 53. URL https://doi.org/10.2 3919/CinC49843.2019. 9005853 0.40
Song, Andi Li, Pengcheng Zhang, Qingche Yiming Liu, segmentation and Zhiguo Gui. Song, Andi Li, Pengcheng Zhang, Qingche Yiming Liu, segmentation, Zhiguo Gui 0.75
Automatic Peng Zhang, based and condia nuclei learning of cervical IEEE Access, 6:53709–53721, 2018. random field. Peng Zhang, based and condia nuclear learning of cervical IEEE Access, 6:53709–53721, 2018. random field. 0.89
tional doi: URL 10.1109/ACCESS.2018. 2871153. URL 10.1109/ACCESS.2018. 2871153 0.66
https: //doi.org/10.1109/AC CESS.2018.2871153. https: //doi.org/10.1109/AC CESS.2018.2871153 0.32
and Meng Yang. そして、Meng Yang。 0.72
segmenWenfeng Luo lesion fully convolutional network with residual artation via In 24th International Conference and CRF. segmenWenfeng Luo 病変は, In 24th International Conference および CRF を介して残存動脈と完全畳み込み網を形成した。 0.66
chitecture ICPR 2018, Beijing, China, Auon Pattern Recognition, gust 2018, 20-24, pages IEEE Computer 1438–1443. Chitecture ICPR 2018, Beijing, China, Auon Pattern Recognition, gust 2018, 20-24, page IEEE Computer 1438–1443。 0.95
Society, URL 2018. doi: 10.1109/ICPR.2018.85 45571. Society, URL 2018. doi: 10.1109/ICPR.2018.85 45571。 0.58
https://doi.org/10.1 109/ICPR.2018.854557 1. https://doi.org/10.1 109/ICPR.2018.854557 1 0.32
and Hong Cheng. とHong Cheng。 0.66
Yuansheng Luo, Lu Yang, Ling Wang, Efficient retinal image segmentaDewen tion. yuansheng luo, lu yang, ling wang, efficient retinal image segmentadewen tion(英語) 0.66
Liu, and Hu, In editors, Cognitive Systems and Signal Processing, pages 157–165, Singapore, 2017. Liu, and Hu, In editors, Cognitive Systems and Signal Processing, page 157–165, Singapore, 2017 0.86
Springer Singapore. ISBN 978-981-10-5230-9. and Marius Erdt. シンガポール出身。 ISBN 978-981-10-5230-9. and Marius Erdt 0.51
A Jingting Ma, Feng Lin, Stefan Wesarg, incorporating deep neural network novel bayesian model segmentation. A Jingting Ma, Feng Lin, Stefan Wesarg, Deep Neural Network novel Bayesian model segmentation が組み込まれている。 0.85
and Julia A. Schnabel, Christos DaIn Alejandro F. Frangi, and Gabor Fichtinger, vatzikos, Carlos Alberola-López, and Computer Aseditors, Medical Image Computing International 21st sisted Intervention - MICCAI 20182018, 16-20, September Conference, Granada, of Lecture Notes Proceedings, Part IV, 11073 in Computer Science, 480–487. Julia A. Schnabel, Christos DaIn Alejandro F. Frangi, Gabor Fichtinger, vatzikos, Carlos Alberola-López, Computer Aseditors, Medical Image Computing International 21st sisted Intervention - MICCAI 2018, 16-20, September Conference, Granada, of Lecture Notes Proceedings, Part IV, 11073 in Computer Science, 480-487 0.87
Springer, 2018. 2018年、スプリンガー。 0.51
Spain, volume pages for Huaping スペイン、巻頭。 Huaping (複数形 Huapings) 0.41
network Sun, ネットワークSun。 0.70
cnn-crf Fuchun cnn-crf 府中 0.51
shape model for pancreas statistical 形状モデル 膵臓に 統計 0.71
deep on Fast skin 深く オン 速く 肌 0.72
英語(論文から抽出)日本語訳スコア
Stankovic, Feldmann, Stankovic Feldmann 0.50
URL https: URL https: 0.85
Stefanie Speidel, ステファニー Speidel 0.46
10.1007/978-3-030-00 937-3\_55. 10.1007/978-3-030-00 937-3\_55. 0.21
Jannin, really the practice CoRR, Jannin、本当に実践のCoRRです。 0.82
doi: //doi.org/10.1007/97 8-3-030-00937-3_55. doi: //doi.org/10.1007/97 8-3-030-00937-3_55。 0.23
Jun Ma dental root CBCT Automatic and Xiaoping Yang. Jun Ma Dental root CBCT Automatic and Xiaoping Yang 0.68
image segmentation based on CNN and level set method. CNNとレベルセットメソッドに基づいたイメージセグメンテーション。 0.74
In Medical Image Processing, San Diego, Imaging 2019: California, United 16-21 February States, 2019, page 109492N, 10.1117/12.2512359. in Medical Image Processing, San Diego, Imaging 2019: California, United 16-21 February States, 2019, page 109492N, 10.1117/12.2512359 0.88
URL 2019. doi: https://doi.org/10.1 117/12.2512359. URL 2019.doi: https://doi.org/10.1 117/12.2512359 0.47
Lena Maier-Hein, Matthias Eisenmann, Annika Reinke, Patrick Sinan Onogur, Marko Tal Scholz, Arbel, Hrvoje Bogunovic, Andrew P. Bradley, Aaron F. Alejandro Carolin Carass, PeFrangi, Full, Bram van Ginneken, Allan Hanbury, Kater M. trin Honauer, Michal Kozubek, Bennett A. Landman, Keno März, Oskar Maier, Klaus H. Maier-Hein, Bjoern H. Menze, Henning Müller, Peter F. Neher, Wiro J. Niessen, Nasir M. Rajpoot, Gregory C. Sharp, Korsuk Sirinukunwattana, Stock, Christian Danail Stoyanov, Abdel Aziz Taha, Fons van der SomGuoyan men, Ching-Wei Wang, Marc-André Weber, and Annette Kopp-Schneider. Lena Maier-Hein, Matthias Eisenmann, Annika Reinke, Patrick Sinan Onogur, Marko Tal Scholz, Arbel, Hrvoje Bogunovic, Andrew P. Bradley, Aaron F. Alejandro Carolin Carass, PeFrangi, Full, Bram van Ginneken, Allan Hanbury, Kater M. trin Honauer, Michal Kozubek, Bennett A. Landman, Keno März, Oskar Maier, Klaus H. Maier-Hein, Bjoern H. Menze, Henning Müller, Peter F. Neher, Wiro J. Niessen, Nasir M. Rajpoot, Gregory C. Sharp, Korsuk Sirinukunwattana, Stock, Christian Danail Stoyanov, Abdel Aziz Taha, Fons van der SomGuoyan men, Ching-Wei Wang, Marc-André Weber, and Annette Kopp-Schneider. 0.99
Zheng, Pierre Is A critical the winner of combest? Zheng, Pierreはコンペストの勝者として重要なのか? 0.65
analysis biomedical mon research in analysis image competitions. 解析画像コンペティションにおける生物医学的モン研究 0.68
URL 2018. abs/1806.02051, http://arxiv.org/abs /1806.02051. url 2018. abs/1806.02051, http://arxiv.org/abs /1806.02051。 0.42
Vemuri. C. Sethian, A. James Ravi Malladi, Baba and set apfront propagation: A level Shape modeling with Pattern Trans. Vemuri C. Sethian, A. James Ravi Malladi, Baba and set apfront propagation: A Level Shape Modeling with Pattern Trans。 0.69
Intell., Anal. Intell., Anal 0.64
Mach. IEEE proach. Mach IEEEによる。 0.65
17 10.1109/34.368173. 17 10.1109/34.368173. 0.47
(2):158–175, 1995. doi: URL https://doi.org/10.1 109/34.368173. (2):158–175, 1995. doi: URL https://doi.org/10.1 109/34.368173 0.55
Tim McInerney Terzopoulos. tim mcinerney terzopoulos氏。 0.81
and Demetri Deformable Medimodels analysis: a image in medical survey. and Demetri Deformable Medimodels analysis: a image in Medical Survey 0.74
cal Anal., Image 1996. カル・アナル、1996年。 0.58
1(2):91–108, 10.1016/ doi: URL S1361-8415(96)80007- 7. https://doi.org/ 10.1016/S1361-8415(9 6)80007-7. 1(2):91–108, 10.1016/ doi: url s1361-8415(96)80007- 7 https://doi.org/ 10.1016/s1361-8415(9 6)80007-7 0.57
Daniela O. Medley, Carlos Santiago, and Jacinto C. Nascirobust Deep mento. Daniela O. Medley、Carlos Santiago、Jacinto C. Nascirobust Deep Mento。 0.77
for model active object Trans. アクティブオブジェクト変換をモデル化する。 0.65
Process., IEEE fitting. Process.、IEEE対応。 0.63
29:2380–2394, 10.1109/TIP.2019.294 8728. 29:2380–2394, 10.1109/TIP.2019.294 8728 0.36
2020. doi: URL https: //doi.org/10.1109/TI P.2019.2948728. 2020.doi: URL https: //doi.org/10.1109/TI P.2019.2948728 0.43
Conand Steven Mills. コナン・スティーブン・ミルズ 0.43
Russel Mesbah, Brendan McCane, convolutional neuincorporate ditional segmeneye ral sclera semantic Joint Conference International tation. Russel Mesbah, Brendan McCane, convolutional neuincorporate ditional segmeneye ral sclera semantic Conference International tation 0.69
CO, Denver, on OcUSA, 2017, tober 768–773. co, denver, on ocusa, 2017 tober 768–773。 0.56
IEEE, doi: 2017. IEEE、2017年。 0.65
10.1109/BTAS.2017.82 72768. 10.1109/BTAS.2017.82 72768 0.35
URL https://doi. URL https://doi.com 0.68
org/10.1109/BTAS.201 7.8272768. org/10.1109/BTAS.201 7.8272768 0.29
Segmentation Damper. セグメンテーションダンパー。 0.54
Ian Middleton combination using a magnetic models. 磁気モデルを用いたian middletonの組み合わせ。 0.71
contour neural cal 26:71–86, 02 2004. contour neural cal 26:71–86, 02 2004。 0.74
10.1016/S1350-4533(0 3)00137-1. org/10.1016/S1350-45 33(03)00137-1. 10.1016/s1350-4533(0 3)00137-1. org/10.1016/s1350-45 33(03)00137-1 0.42
Foruzan. Saeed Mohagheghi porating prior data-driven Foruzan Saeed Mohagheghi氏がデータ駆動を前に調査 0.51
of of Medidoi: URL https://doi. メディドー語: URL https://doi.com 0.63
random fields for networks human 2017 IEEE In IJCB Biometrics, 1-4, 2017, pages ネットワークのためのランダムフィールド : 2017 IEEE In IJCB Biometrics, 1-4, 2017 ページ 0.89
images active engineering & physics, images active engineering & physics(英語) 0.75
and Robert resonance networks and ロバート共振ネットワークと 0.62
Amir knowledge Hossein via アミールの知識 Hossein (複数形 Hosseins) 0.43
and shape shape Image Incorloss 形や 形状画像 インコロロス 0.62
18 A PREPRINT - 18 プレプリント - 0.72
JANUARY 20, 2021 年表 20, 2021 0.67
3d Assist. liver Radiol. 3dアシスト。 肝臓ラジオル 0.74
random fields imaging URL random field imaging URL 0.84
Conditional for 3d medical 2018. 2018年3dメディカルデビュー。 0.52
in deep cnns. 15(2):249–257, URL https: 深層cnnで 15(2):249–257, url https: 0.65
to improve segmentation Comput. セグメンテーション計算を改善する。 0.62
Surg., 10.1007/s11548-019-0 2085-y. 10.1007/s11548-019-0 2085-y。 0.35
doi: model Int. Doi: モデルint。 0.60
J. 2020. //doi.org/10.1007/s1 1548-019-02085-y. J。 2020. //doi.org/10.1007/s1 1548-019-02085-y 0.60
and Arlindo L. Miguel Monteiro, Mário A. T. Figueiredo, Oliveira. そしてArlindo L. Miguel Monteiro, Mário A. T. Figueiredo, Oliveira。 0.91
neural as recurrent CoRR, networks segmentation. neural as recurrent corr、ネットワークセグメンテーション。 0.67
abs/1807.07464, http://arxiv.org/ abs/1807.07464. abs/1807.07464, http://arxiv.org/ abs/1807.07464 0.46
Philippe Maeder, Ann Pica, Huu-Giao Nguyen, Alessia Jan Hrbacek, Damien C. Schalenbourg, Marta Peroni, Raphael Bach Meritxell Cuadra, Weber, and SznitOcular man. Philippe Maeder, Ann Pica, Huu-Giao Nguyen, Alessia Jan Hrbacek, Damien C. Schalenbourg, Marta Peroni, Raphael Bach Meritxell Cuadra, Weber, SznitOcular man 0.82
structures segmentation multifrom sequences MRI using 3d unet with connected fully Taylor, Zeike Stoyanov, Danail crfs. structure segmentation multi from sequences mri using 3d unet with connected full taylor, zeike stoyanov, danail crfs。 0.70
Francesco In Ciompi, Yanwu Xu, Anne L. Martel, Lena Maier-Hein, Nasir M. Rajpoot, Jeroen van der Laak, Mitko Veta, Stephen Emanuele J. McKenna, David R. J. Snead, and Jan Garvin, Trucco, Chen, Xin Kathryn Mona editors, Computational Pathology Hrvoje Bogunovic, - First Image Analysis and Ophthalmic Medical International Workshop, COMPAY Internaand 5th 2018, tional OMIA 2018, in Conjunction Workshop, Held 16September Granada, 2018, with MICCAI Spain, 20, 2018, Proceedings, volume 11039 of Lecture Notes in Computer Science, Springer, 167–175. Francesco In Ciompi, Yanwu Xu, Anne L. Martel, Lena Maier-Hein, Nasir M. Rajpoot, Jeroen van der Laak, Mitko Veta, Stephen Emanuele J. McKenna, David R. J. Snead, and Jan Garvin, Trucco, Chen, Xin Kathryn Mona editors, Computational Pathology Hrvoje Bogunovic, - First Image Analysis and Ophthalmic Medical International Workshop, COMPAY Internaand 5th 2018, tional OMIA 2018, in Conjunction Workshop, Held 16September Granada, 2018, with MICCAI Spain, 20, 2018, Proceedings, volume 11039 of Lecture Notes in Computer Science, Springer, 167–175. 0.94
pages 2018. 10.1007/978-3-030-00 949-6\_20. 2018年。 10.1007/978-3-030-00 949-6\_20. 0.35
doi: URL https: //doi.org/10.1007/97 8-3-030-00949-6_20. URL https: //doi.org/10.1007/97 8-3-030-00949-6_20 0.33
Huu-Giao Nguyen, Alessia Pica, Jan Hrbacek, Damien C. Weber, Francesco La Rosa, Ann Schalenbourg, Raphael Sznitman, Bach Cuadra. Huu-Giao Nguyen, Alessia Pica, Jan Hrbacek, Damien C. Weber, Francesco La Rosa, Ann Schalenbourg, Raphael Sznitman, Bach Cuadra 0.88
segA novel and Meritxell mentation framework for uveal melanoma in magnetic resonance class on activation maps. 活性化マップ上の磁気共鳴クラスにおけるぶどう膜黒色腫に対する segA novel および Meritxell mentation framework 0.77
In imaging based Jorge Cardoso, Aasa Feragen, Ben Glocker, Ender M. Konukoglu, and Tom VerIpek Oguz, Gozde B. Unal, on Medical International Conference cauteren, editors, July 2019, Learning, MIDL Imaging with Deep 8-10 London, United 2019, ProKingdom, 102 volume of Learning ceedings of Machine Research, pages 370– 379. Jorge Cardoso, Aasa Feragen, Ben Glocker, Ender M. Konukoglu, Tom VerIpek Oguz, Gozde B. Unal, on Medical International Conference cauteren, editors, July 2019, Learning, MIDL Imaging with Deep 8-10 London, United 2019, ProKingdom, 102 volume of Learning ceedings of Machine Research, page 370–379 0.81
PMLR, 2019. 2019年、PMLR。 0.72
URL http://proceedings.m lr. URL http://proceedings.m lr 0.77
press/v102/nguyen19a .html. press/v102/nguyen19a .html 0.30
Roth, Xiaosong Wang, Holger Lu, Isabella Nogues, Le Yohannes Shi, Lay, Jianbo Bertasius, Gedas Nathan lymph Summers. Roth, Xiaosong Wang, Holger Lu, Isabella Nogues, Le Yohannes Shi, Lay, Jianbo Bertasius, Gedas Nathan lymph Summers。 0.82
Automatic Tsehay, and Ronald M. using segmentation cluster node neuholistically-nest ed CT in optimization ral structured imnetworks and Computing Image In Medical Computerand ages. セグメンテーションクラスタノードneuholistical-nested ctを用いたral構造化imネットワークの最適化と医用コンピュータと年齢時代の画像計算における自動tsehayとronald m. 0.72
Assisted 201619th InterInterventionMIC CAI national Conference, Athens, Greece, October 17-21, 2016, Proceedings, Part II, pages 388–397, 2016. doi: 10.1007/978-3-319-46 723-8\_45. 201619th InterinterventionMIC CAI National Conference, Athens, Greece, October 17-21, 2016 Proceedings, Part II, pages 388–397, 2016 doi: 10.1007/978-3-319-46 723-8\_45 0.70
URL https://doi. URL https://doi.com 0.68
org/10.1007/978-3-31 9-46723-8_45. org/10.1007/978-3-31 9-46723-8_45。 0.17
Ghassan Masoud Hamarneh. ghassan masoud hamarneh氏。 0.74
rating in image abs/1607.01092, tion: http://arxiv.org/abs /1607.01092. 画像 abs/1607.01092, tion: http://arxiv.org/abs /1607.01092 0.43
S. Nosrati and knowledge prior CoRR, a survey. S. NosratiとCoRR以前の知識、調査。 0.73
Incorposegmenta2016. URL 2016年設立。 URL 0.68
medical 医療 0.76
英語(論文から抽出)日本語訳スコア
A PREPRINT - JANUARY プレプリント - 年表 0.54
20, 2021 Lei Zhang, theoretical Recognit., 20, 2021 Lei Zhang 理論的認識。 0.79
Virgínia Xavier Nunes, Aldísio Gonçalves Medeiros, Franand Pedro P. R. cisco H. S. Silva, Gabriel M. Bezerra, via with Adaptive Filho. Virgínia Xavier Nunes, Aldísio Gonçalves Medeiros, Franand Pedro P. R. cisco H. S. Silva, Gabriel M. Bezerra, via Adaptive Filho 0.93
level set region analysis A R-CNN: comparison against mask classical meth2020 International Joint Conference on NeuIn ods. レベルセット領域分析 r-cnn: comparison against mask classical meth2020 international joint conference on neuin ods 0.78
ral Networks, IJCNN 2020, Glasgow, United Kingdom, 2020, 19-24, July doi: 2020. ral Networks, IJCNN 2020, Glasgow, UK, 2020, 19-24, July doi: 2020 0.82
IEEE, 1–8. pages 10.1109/IJCNN48605.2 020.9206664. IEEE 1-8。 10.1109/IJCNN48605.2 020.9206664 0.57
URL https:// doi.org/10.1109/IJCN N48605.2020.9206664. URL https://doi.org/10.1 109/IJCNN48605.2020. 9206664 0.38
and David Zhang. そしてdavid zhang。 0.56
A of Bo Peng, survey graph segmentation. Bo Peng, Survey graph segmentation の略。 0.70
approaches image to Pattern doi: 46(3):1020–1038, 2013. パターン doi へのアプローチ: 46(3):1020–1038, 2013 0.80
10. 1016/j.patcog.2012.0 9.015. 10. 1016/j.patcog.2012.0 9.015 0.57
URL https://doi.org/ 10.1016/j.patcog.201 2.09.015. URL https://doi.org/ 10.1016/j.patcog.201 2.09.015 0.35
Talha Qaiser, Korsuk Sirinukunwattana, Kazuaki Nakane, Perand Nasir Rajpoot. Talha Qaiser, Korsuk Sirinukunwattana, Kazuaki Nakane, Perand Nasir Rajpoot 0.72
Yee-Wah Tsang, David Epstein, sistent homology for fast segmentation in whole tumor Science, Procedia Computer images. Yee-Wah Tsang, David Epstein, sistent homology for fast segmentation in entire tumor Science, Procedia Computer images 0.86
slide 90: histology 119–124, 2016. スライド 90: Histology 119-124, 2016 0.78
Chunxia Qin, Troccaz. Chunxia Qin, Troccaz 0.62
and Chen, Xiaojun Jocelyne A for weakly framework supervised registration-based prostate the segmentation via combination of statistical CoRR, shape model and CNN. and Chen, Xiaojun Jocelyne A for weakly framework structed registration-based prostate by the segmentation by combination of statistics CoRR, shape model and CNN。 0.86
abs/2007.11726, 2020. Abs/2007.11726, 2020 0.66
URL https://arxiv.org/ab s/2007.11726. URL https://arxiv.org/ab s/2007.11726 0.46
Yuming Qiu, Ju and Jingyong Cai, Xiaolin Qin, Zhang. Yuming Qiu, Ju and Jingyong Cai, Xiaolin Qin, Zhang 0.73
fully connected skin Inferring lesion segmentation with convolutional crfs based on multiple neural netdeep Access, IEEE works. IEEEは、複数のニューラルネットディープアクセスに基づいて、畳み込みcrfで病変のセグメンテーションを推論する。 0.61
doi: 2020. doi: 2020年。 0.92
8:144246–144258, URL https://doi. 8:144246–144258, URL https://doi。 0.64
10.1109/ACCESS.2020. 3014787. 10.1109/ACCESS.2020. 3014787 0.34
org/10.1109/ACCESS.2 020.3014787. org/10.1109/ACCESS.2 020.3014787 0.29
Lee, Martin Ozan Rajchl, Matthew C. Oktay, KonH. Lee, Martin Ozan Rajchl, Matthew C. Oktay, KonH 0.84
Jonathan Passerat-Palmbach, Wenstantinos Kamnitsas, Rutherford, A. Bai, jia Mary Mellisa Damodaram, and Daniel RueckJoseph V. Hajnal, Bernhard Kainz, Object Deepcut: ert. Jonathan Passerat-Palmbach, Wenstantinos Kamnitsas, Rutherford, A. Bai, jia Mary Mellisa Damodaram, Daniel RueckJoseph V. Hajnal, Bernhard Kainz, Object Deepcut: ert 0.87
segmentation from bounding box convolutional neural networks. 境界ボックス畳み込みニューラルネットワークからのセグメンテーション 0.66
annotations using IEEE Trans. IEEE Trans を使用したアノテーション。 0.67
Med. Imaging, 36(2):674–683, 2017. doi: 10.1109/TMI.2016.262 1185. 薬だ 画像, 36(2):674–683, 2017 doi: 10.1109/TMI.2016.262 1185。 0.53
URL https://doi.org/ 10.1109/TMI.2016.262 1185. URL https://doi.org/ 10.1109/TMI.2016.262 1185 0.43
and Ahmad Zaib. そしてAhmad Zaib。 0.71
Muhammad Imran Razzak, Saeeda Naz, Deep processing: Overview, for medical learning 2017. abs/1704.06825, and challenges future. Muhammad Imran Razzak, Saeeda Naz, Deep Processing: Overview, for medical learning 2017 abs/1704.06825, and challenges challenges future。 0.90
URL http://arxiv.org/abs /1704.06825. URL http://arxiv.org/abs /1704.06825 0.46
Bastian Rieck, Matteo Togninalli, Christian Bock, Michael and Karsten BorgMoor, Max Horn, Thomas Gumbsch, A complexity measure wardt. Bastian Rieck, Matteo Togninalli, Christian Bock, Michael and Karsten BorgMoor, Max Horn, Thomas Gumbsch, A complexity measure wardt. 0.85
persistence: for arXiv algebraic networks deep topology. 永続性: arXiv代数ネットワークの深部トポロジー。 0.80
using preprint arXiv:1812.09764, 2018. arXiv:1812.09764, 2018. 0.74
Neubert. Deep Intisar and Jeremiah Rizwan I Haque biomedical to approaches learning segmentation. Neubert Deep Intisar と Jeremiah Rizwan I Haque Biomedical to approach learning segmentation。 0.64
image in Medicine Unlocked, Informatics 18:100297, 2020. https://doi.org/10.1 016/j.imu. image in medicine unlocked, informatics 18:100297, 2020. https://doi.org/10.1 016/j.imu。 0.54
ISSN 2352-9148. doi: URL 2020.100297. http://www.sciencedi rect. ISSN 2352-9148. doi: URL 2020.100297. http://www.sciencedi rect. 0.62
com/science/article/ pii/S235291481930214 X. S23529148 1930214X。 0.22
Christian Rupprecht, Elizabeth Huaroc, Maximilian Baust, CoRR, and Christian Rupprecht, Elizabeth Huaroc, Maximilian Baust, CoRR 0.70
Neural neural ニューラルニューラル 0.58
image CoRR, contours. イメージcorr。 輪郭 0.44
Navab. Nassir Navab ナッシル 0.46
active Deep 19 アクティブ 深く 19 0.75
2016. URL volume pages 2016. URL volume page 0.84
Shape ShapeMI Benjamin Agthe, 形状 ベンジャミン・アグテ 0.48
http://arxiv.org/ http://arxiv.org/ 0.52
abs/1607.05074, abs/1607.05074. abs/1607.05074, abs/1607.05074 0.46
Mohammad Pourmina, Ali Salimi, Ahad and Mohamautomatic Fully Shahram Moin. Mohammad Pourmina, Ali Salimi, Ahad, Mohamautomatic Fully Shahram Moin 0.72
mad prostate segusing images mentation in MR new a hybrid active Signal, and Image Video contour-based approach. mad prostate segusing image mentation in mr new a hybrid active signal, and image video contour-based approach(英語) 0.79
Processing, 12(8):1629–1637, 2018. doi: 10.1007/ s11760-018-1320-y. Processing, 12(8):1629–1637, 2018. doi: 10.1007/ s11760-018-1320-y 0.62
URL https://doi.org/10. URL https://doi.org/10。 0.58
1007/s11760-018-1320 -y. 1007/s11760-018-1320 -y。 0.28
Justus Schock, Marcin Kopaczka, Jie Huang, Paul Kruse, Daniel Truhn, Stefan Conrad, Gerand Dorit ald Antoch, Christiane Kuhl, Sven Nebelung, Merhof. Justus Schock, Marcin Kopaczka, Jie Huang, Paul Kruse, Daniel Truhn, Stefan Conrad, Gerand Dorit ald Antoch, Christiane Kuhl, Sven Nebelung, Merhof 0.80
A method for and cartilage semantic knee bone segmentation with using data from deep 3d shape fitting In Martin Reuter, Christian initiative. キリシタン・イニシアチブ In Martin Reuter による深部3次元形状データを用いた人工膝関節意味骨分割法
訳抜け防止モード: 関節意味性膝骨分節法と軟骨用骨切り法 martin reuter 氏の deep 3d shape fit のデータを使って,christian initiative が作成した。
0.70
the osteoarthritis Wachinger, Hervé Lombaert, Beatriz Paniagua, Orcun in Medical and Goksel, Islem Rekik, editors, Imaging 2020, Held International Workshop,in Conjunction with MICCAI 2020, Lima, Peru, October of Lecture Notes 2020, Proceedings, 4, 12474 in Computer Science, Springer, 85–94. Thearthartharthritis Wachinger, Hervé Lombaert, Beatriz Paniagua, Orcun in Medical and Goksel, Islem Rekik, editors, Imaging 2020, Held International Workshop, in Conjunction with MICCAI 2020, Lima, Peru, October of Lecture Notes 2020, Proceedings, 4, 12474 in Computer Science, Springer, 85–94。 0.85
2020. 10.1007/978-3-030-61 056-2\_7. 2020. 10.1007/978-3-030-61 056-2\_7. 0.53
doi: URL https: //doi.org/10.1007/97 8-3-030-61056-2_7. URL https: //doi.org/10.1007/97 8-3-030-61056-2_7 0.32
Sarah Ferrante, Enzo Tsogkas, Mahsa Shakeri, Stavros and Lippé, Paragios, Iasonas Samuel Kadoury, Nikos segmentation structure brain Sub-cortical Kokkinos. Sarah Ferrante, Enzo Tsogkas, Mahsa Shakeri, Stavros and Lippé, Paragios, Iasonas Samuel Kadoury, Nikos segmentation structure brain-cortical Kokkinos 0.82
usInternational Symposium IEEE 13th ing f-cnn’s. usInternational Symposium IEEE 13th ing f-cnn’s 0.91
In ISBI on Imaging, 2016, Prague, Czech Biomedical Republic, 2016, 13-16, April pages 2016. isbi on imaging, 2016, czech biomedical republic, 2016 13-16, april pages 2016年4月1日閲覧。 0.82
269–272, 10.1109/ISBI.2016.74 93261. 269–272, 10.1109/ISBI.2016.74 93261 0.41
doi: URL https://doi. doi: url https://doi。 0.88
org/10.1109/ISBI.201 6.7493261. org/10.1109/ISBI.201 6.7493261。 0.26
and Yi Tian Guangyu Lan, Shen, Ding, Hao Chen, segmentation Zhiguang Qin. そしてYi Tian Guangyu Lan, Shen, Ding, Hao Chen, segmentation Zhiguang Qin。 0.76
concurusing tumor Brain convolutional fully ranconditional networks and rent the 3rd International ConIn Proceedings of dom fields. concurusing tumor brain convolutional full ranconditional networks and rent the 3rd international conin proceedings of dom fields (英語) 0.84
ference on Multimedia and ICMIP Image Processing, 2018, Guiyang, China, March 2018, 16-18, 24– pages 10.1145/3195588.3195 590. 参照 on Multimedia and ICMIP Image Processing, 2018, Guiyang, China, March 2018, 16-18, 24-page 10.1145/3 195588.3 195590. 0.77
URL doi: 2018. url doi: 2018年。 0.80
30. ACM, https://doi.org/10.1 145/3195588.3195590. 30. ACM, https://doi.org/10.1 145/3 195588.3 195590。 0.61
and Shen Haocheng connected data-driven crf with brain tumor doi: 2017. segmentation. shen haocheng氏は、データ駆動型crfと脳腫瘍 doi: 2017 を接続した。 0.67
10.1109/ICIP.2017.82 96577. 10.1109/ICIP.2017.82 96577 0.34
URL https://doi.org/ 10.1109/ICIP.2017.82 96577. URL https://doi.org/ 10.1109/ICIP.2017.82 96577 0.43
Pooneh Awais Mansoor, R. Tabrizi, Cerrolaza, and Marius George Linguraru. Pooneh Awais Mansoor、R. Tabrizi、Cerrrolaza、Marius George Linguraru。 0.65
Automatic Jago, James pediatric ultrasound images in 3d segmentation kidney weighted fuzzy deep using neural acnetworks and International 15th IEEE Symtive shape model. 神経網工法と国際第15回IEEEシンボリック形状モデルを用いた3次元分節腎重み付けファジィ深部におけるJago, James pediatric 超音波自動画像 0.76
In ISBI posium on Biomedical Imaging, 2018, Washington, April USA, DC, 2018, 4-7, 1170–1173. ISBI posium on Biomedical Imaging, 2018, Washington, April USA, DC, 2018, 4-7, 1170–1173。 0.91
pages IEEE, 2018. doi: URL 10.1109/ISBI.2018.83 63779. IEEE, 2018. doi: URL 10.1109/ISBI.2018.83 63779 0.67
https://doi.org/10.1 109/ISBI.2018.836377 9. https://doi.org/10.1 109/ISBI.2018.836377 9 0.32
Alexander Tack, Anirban Mukhopadhyay, and Stefan Zasegmentation using convolutional chow. Alexander Tack, Anirban Mukhopadhyay, Stefan Zasegmentation using convolutional chow。 0.69
Knee menisci the initianeural networks: Data and Cartilage, Osteoarthritis tive. 膝半月板 初期ネットワーク:データと軟骨、変形性関節症。 0.71
doi: Zhang. Doi: Zhang 0.54
for 1727–1731, 1727-1731年。 0.58
Fully multi-class 09 osteoarthritis 26, 2018. 完全多クラス09 2018年6月26日 変形性関節症 0.60
Jianguo prior pages Jianguo 以前のページ 0.86
Juan J. from フアン J。 from ~ 0.67
03 03 0.85
英語(論文から抽出)日本語訳スコア
2017, September doi: 2017, 9月土居 0.62
URL https://doi.org/ URL https://doi.org/ 0.59
Cohen-Adad, segmentation CoRR, Cohen-Adad, segmentation CoRR 0.96
Frederik Maes. フレデリック・マエズ。 0.47
and Joseph Paul Hamarneh. そして Joseph Paul Hamarneh 0.67
and medical imURL 2019. そしてmedical imurl 2019です 0.67
10.1016/j.joca.2018. 02.907. 10.1016/j.joca.2018. 02.907 0.25
10.1016/j.joca.2018. 02.907. 10.1016/j.joca.2018. 02.907 0.25
Saeid Asgari Taghanaki, Kumar Abhishek, Cohen, and Julien Ghassan Deep of natural semantic ages: abs/1910.07655, A review. Saeid Asgari Taghanaki, Kumar Abhishek, Cohen, Julien Ghassan Deep of natural semantic ages: abs/1910.07655, A review 0.87
http://arxiv.org/abs /1910.07655. http://arxiv.org/abs /1910.07655。 0.38
Min Tang, Sepehr Valipour, Zichen Vincent Zhang, Dana A Jägersand. Min Tang, Sepehr Valipour, Zichen Vincent Zhang, Dana A Jägersand 0.74
Cobzas, set and Martin level deep Deep Learning In segmentation. Cobzas、set、MartinレベルのDeep Learning Inセグメンテーション。 0.68
image method for and Multimodal Image Analysis in Medical Learning Third Supportfor Clinical Decision International International Workand Workshop, DLMIA 2017, 7th shop, ML-CDS 2017, Held in Conjunction with MICCAI 14, Canada, QC, City, Québec 2017, Proceedings, pages 126–134, 10.1007/ 2017. image method for and multimodal image analysis in medical learning third support for clinical decision international workand workshop, dlmia 2017, 7th shop, ml-cds 2017 - miccai 14 canada, qc, city, québec 2017 proceedings, pages 126–134, 10.1007/2017 0.76
978-3-319-67558-9\_1 5. 978-3-319-67558-9\_1 5. 0.27
URL https://doi.org/10. URL https://doi.org/10。 0.58
1007/978-3-319-67558 -9_15. 1007/978-3-319-67558 -9_15. 0.24
Jan Bogaert, Sofie Tilborghs, Tom Dresselaers, Piet Claus, constrained CNN for carShape and diac MR segmentation with simultaneous prediction of CoRR, abs/2010.08952, shape parameters. Jan Bogaert, Sofie Tilborghs, Tom Dresselaers, Piet Claus, CNN for carShape and diac MR segmentation with simultaneously prediction of CoRR, abs/2010.08952, shape parameters。 0.85
2020. URL https://arxiv.org/ab s/2010.08952. 2020. URL https://arxiv.org/ab s/2010.08952 0.66
Christian Tassilo and Wachinger, Martin Reuter, Deepnat: Klein. Christian Tassilo and Wachinger, Martin Reuter, Deepnat: Klein 0.74
netneural convolutional Deep NeuroImage, for work segmenting neuroanatomy. Netneural convolutional Deep NeuroImage, for work segmenting Neuroanatomy. 0.84
170:434–445, 2018. 170:434–445, 2018. 0.65
10.1016/j.neuroimage . 10.1016/j.neuroimage 0.41
doi: 2017.02.035. 2017年02.035 0.52
URL https://doi.org/10.1 016/j. URL https://doi.org/10.1 016/j 0.46
neuroimage.2017.02.0 35. 神経画像 2017年02.035 0.33
and Joachim HornegAndreas Wimmer, Grzegorz Soza, active shape for model A ger. Joachim HornegAndreas Wimmer, Grzegorz Soza, active shape for model A ger。 0.72
probabilistic generic and Image Computing In Medical organ segmentation. 確率的総合と画像コンピューティング 医療臓器のセグメンテーション。 0.72
- MICCAI Intervention 2009, 12th Computer-Assisted International Conference, London, UK, September 202009, 24, Part II, pages 26–33, 2009. doi: URL 10.1007/978-3-642-04 271-3\_4. -MICCAI Intervention 2009 第12回Computer-Assisted International Conference, London, 2009, September 202009, 24 Part II, pages 26–33, 2009 doi: URL 10.1007/978-3-642-04 271-3\_4 0.70
https: //doi.org/10.1007/97 8-3-642-04271-3_4. https: //doi.org/10.1007/97 8-3-642-04271-3_4 0.24
and Yu-Dong Zhang. そしてYu-Dong Zhang。 0.73
Deep Kaijian Xia, Hongsheng Yin, kidney and space-occupying semantic segmentation of combined lesion area based on SCNN and resnet models J. SCNNとresnetモデルJに基づく深海原Xia,Hongsheng Yin,腎臓および空間占有性病変領域のセマンティックセマンティックセグメンテーション 0.67
Medical Systems, with sift-flow algorithm. sift-flowアルゴリズムを用いた医療システム 0.80
43(1):2:1– URL 2:12, 2019. https://doi.org/10.1 007/s10916-018-1116- 1. 43(1):2:1– URL 2:12, 2019.https://doi.org /10.1007/s10916-018- 1116-1 0.42
and Xie, Song, Yi Automatic Chen. そして、Xie、Song、Yi Automatic Chen。 0.80
Qiang Lipeng in segmentation ventricle left short-axis MRI using and convolutional neural networks deep central-line Comput. Qiang Lipeng in segmentation ventricle left short-axis MRI using and convolutional neural network Deep Central-line Comput。 0.87
Biol. Medicine, level set approach. Biol 医学、レベルセットアプローチ。 0.60
guided 2020. doi: 122:103877, 10.1016/j.compbiomed . 2020年 ガイド: 122:103877 10.1016/j 0.63
2020.103877. 2020.103877. 0.71
URL https://doi.org/10.1 016/j. URL https://doi.org/10.1 016/j 0.46
compbiomed.2020.1038 77. 2020. 103877 0.52
autoAn Yuanpu Xing, Fuyong Xie, and segnucleus learning-based matic framework Trans. autoAn Yuanpu Xing, Fuyong Xie, and segnucleus learning-based matic framework Trans。 0.86
IEEE Med. IEEE Med所属。 0.88
mentation. 35(2):550– 10.1109/TMI.2015.248 1436. メンテーション 35(2):550–10.1109/TMI.2015.248 1436 0.50
566, 2016. 566, 2016. 0.85
URL doi: https://doi.org/10.1 109/TMI.2015.2481436 . URL doi: https://doi.org/10.1 109/TMI.2015.2481436 0.44
10.1007/s10916-018-1 116-1. 10.1007/s10916-018-1 116-1。 0.24
Yang. Lin robust for Imaging, Yang イメージングのためのLinの堅牢性 0.56
Proceedings, pose doi: 手続、 ポーズ Doi: 0.56
A PREPRINT - JANUARY プレプリント - 年表 0.54
20, 2021 Lei 20, 2021 レイ 0.74
bladAutomatic CNN using deep Comput. ディープコンピュートを用いたbladAutomatic CNN。 0.79
Int. J. doi: 2018. Int j. doi: 2018年。 0.62
10. https://doi.org/ 10. https://doi.org/ 0.53
Cheng Lu, HanGong, Jun Xu, Guanhao Wang, and Anant Madabhushi. Cheng Lu, Hangong, Jun Xu, Guanhao Wang, Anant Madabhushi。 0.68
nah Gilmore, Shaoting Zhang, contour initialized neural Convolutional network active ellipse fitting for nuclear model with adaptive segmenJournal of histopathological on images. nah Gilmore, Shaoting Zhang, contour initialized neural Convolutional network active ellipse fit for nuclear model with adapt segmenJournal of histopathological on image。 0.79
tation breast Medical Imaging, 6:1, 02 10.1117/1.JMI.6. tation breast Medical Imaging, 6:1, 02 10.1117/1.JMI.6。 0.59
2019. doi: 1.017501. 2019年。 doi: 1.017501。 0.64
URL https://doi.org/10.1 117/1.JMI. URL https://doi.org/10.1 117/1.JMI 0.40
6.1.017501. and Bo Liu. 6.1.017501およびBo Liu。 0.63
Xuanang Xu, Fugen Zhou, segmentation CT der from images CRF-RNN. Xuanang Xu, Fugen Zhou, segmentation CT by image CRF-RNN。 0.84
and connected fully 3d Assist. 完全に3dアシストをつなげました 0.61
Radiol. Surg., 13(7):967–975, 1007/s11548-018-1733 -7. ラジオル Surg., 13(7):967-975, 1007/s11548-018-1733 -7。 0.54
URL 10.1007/s11548-018-1 733-7. URL 10.1007/s11548-018-1 733-7 0.33
and Tanizawa, Atsushi Yaguchi, Kota Aoyagi, Akiyuki convolutional network-based 3d fully Yoshiharu Ohno. そして谷沢、八口篤、青柳小太、秋之コンボリューションネットワークベースの3d完全大野義春。 0.56
images lung segmentation CT in with a nodules of In Medisynthesis data clinically inspired method. 臨床的にインスパイアされたインメディシンセグメンテーションデータのノジュールで肺分画CTを画像化する。 0.78
Computer-Aided 2019: cal Imaging Diagnosis, San Diego, California, United States, 16-21 February 2019, doi: page 109503G, 2019. Computer-Aided 2019: cal Imaging Diagnosis, San Diego, California, United States, 16-21 February 2019, doi: page 109503G, 2019 0.96
10.1117/12.2511438. 10.1117/12.2511438. 0.39
URL https://doi.org/10.1 117/12.2511438. URL https://doi.org/10.1 117/12.2511438 0.41
Yunyun Yang, Ruicheng Xie, Wenjing Jia, Zhaoyang Chen, AccuJiang. Yunyun Yang, Ruicheng Xie, Wenjing Jia, Zhaoyang Chen, AccuJiang 0.73
and BenXiang Yunna Yang, Lipeng Xie, model automatic rate and segmentation image tooth and networks neural convolutional deep with level set Neurocomputing, 419:108 – 125, 2021. method. BenXiang Yunna Yang, Lipeng Xie, model auto rate and segmentation image teeth and network neural convolutional deep with level set Neurocomputing, 419:108 – 125, 2021. method. 0.88
ISSN 0925-2312. doi: https://doi.org/10.1 016/j.neucom.2020. ISSN 0925-2312. doi: https://doi.org/10.1 016/j.neucom.2020 0.41
07.110. URL http://www.sciencedi rect.com/ science/article/pii/ S0925231220313084. 07.110. URL http://www.sciencedi rect.com/ science/article/pii/ S09252320313084 0.56
convolufull Li. convolufull (複数形 convolufulls) 0.27
improved Huiqi Jiemin random fields tional network combined with conditional for brain MR image segmentation algorithm and its 3d J. 改良されたHuiqi Jieminランダムフィールドオプショナルネットワークと条件付き脳MR画像分割アルゴリズムと3次元J。 0.78
Medical Systems, visualization 43(9):292:1– analysis. 医療システム 43(9):292:1 分析。 0.74
10.1007/s10916-019-1 424-0. 10.1007/s10916-019-1 424-0。 0.23
URL 292:10, 2019. doi: https://doi.org/10.1 007/s10916-019-1424- 0. URL 292:10, 2019. doi: https://doi.org/10.1 007/s10916-019-1424- 0. 0.42
Zhang, QiWang, Zhang, Hang Jinwei Spincemaille, Gauthier, Susan Zhang, hao A. Thanh D. Nguyen, and Yi Wang. Zhang, QiWang, Zhang, Hang Jinwei Spincemaille, Gauthier, Susan Zhang, hao A. Thanh D. Nguyen, Yi Wang 0.80
loss for CoRR, lesion sclerosis multiple deep abs/2009.13755, 2020a. corr, lesion sclerosis multiple deep abs/2009.13755, 2020aの1例 0.64
URL https://arxiv.org/ abs/2009.13755. URL https://arxiv.org/ abs/2009.13755 0.54
Huaqi Zhang, Guanglei Wang, Yan Li, Faster partial and contour model IV-OCT for in Image 14(3):509–517, 10.1007/s11760-019-0 1578-2. Huaqi Zhang, Guanglei Wang, Yan Li, Faster partial and contour model IV-OCT for in Image 14(3):509–517, 10.1007/s11760-019-0 1578-2 0.73
URL org/10.1007/s11760-0 19-01578-2. URL org/10.1007/s11760-0 19-01578-2 0.28
active Deep Bin Dong, Mo Li. アクティブなDeep Bin Dong, Mo Li。 0.85
and Quanzheng Zhang, for medical contour network In segmentation. Quanzheng Zhang, for medical contour network In segmentation。 0.70
image Purang Abolmaesumi, L. Martel, StoyAnne Danail anov, Diana Mateus, Maria A. Zuluaga, S. Kevin Zhou, editors, Medand Daniel Racoceanu, Leo Joskowicz, Computer and ical InterAssisted Computing - MICCAI 2020 23rdvention ConferInternational ence, Lima, Peru, October 4-8, 2020, Proceedings, Part Image Purang Abolmaesumi, L. Martel, StoyAnne Danail anov, Diana Mateus, Maria A. Zuluaga, S. Kevin Zhou, editors, Medand Daniel Racoceanu, Leo Joskowicz, Computer and ical InterAssisted Computing - MICCAI 2020 23rdvention ConferInternational ence, Lima, Peru, October 4-8, 2020, Proceedings, Part 0.94
and Hongrui Wang. とHongrui Wang。 0.74
differential equation (FPDE-GLACM) Signal image. 微分方程式 (FPDE-GLACM) 信号像。 0.70
doi: 2020b. https://doi. ドイ:2020年。 https://doi.com。 0.58
Rongguang Pascal Geometric segmentation. Rongguang Pascal Geometric segmentation 0.65
fourth-order active segmentation Process., 4階アクティブセグメンテーションプロセス 0.61
r-cnn, global-local plaque Video r-cnn, Global-local plaque Video 0.70
Image Zhai and An 画像 張 そして 安 0.62
20 20 0.85
英語(論文から抽出)日本語訳スコア
and CoRR, at そしてCoRR。 に 0.71
risk in Computer リスク コンピュータで 0.73
doi: volume pages Doi: volume page 0.68
12264 of 321–331. 12264, 321-331。 0.75
Lecture Notes IV, Science, 10.1007/ 2020c. 講演ノート IV, Science, 10.1007/2020c 0.70
Springer, 978-3-030-59719-1\_3 2. 978-3-030-59719-1\_3 2。 0.33
URL https://doi.org/10. URL https://doi.org/10。 0.58
1007/978-3-030-59719 -1_32. 1007/978-3-030-59719 -1_32. 0.24
Zhuangzhuang Zhang, Tianyu Zhao, Hiram Gay, Weixiong and Baozhou Sun. Zhuangzhuang Zhang, Tianyu Zhao,hiram Gay, Weixiong, Baozhou Sun 0.68
Arpm-net: A novel cnn-based Zhang, adversarial method with markov random field enhancement organs for prostate segmentation in abs/2008.04488, 2020d. arpm-net:新しいcnnベースのzhang, adversarial method with markov random field enhancement organ for prostate segmentation in abs/2008.04488, 2020d 0.81
URL pelvic CT images. url pelvic ct画像。 0.66
https://arxiv.org/ab s/2008.04488. https://arxiv.org/ab s/2008.04488 0.39
Zengchang and Feng, Hongxiang Tao Wan, Zhao, Lei segmentation nuclear Improved histopatholQin. Zengchang and Feng, Hongxiang Tao Wan, Zhao, Lei segmentation nuclear Improved histopatholQin 0.73
on of deep combination using a images learning ogy and In Neural Information Processcontour model. 画像学習用ogyとIn Neural Information Processcontourモデルによる深い組み合わせについて検討した。 0.80
active 2018, ICONIP Conference, International ing 25thSiem 13-16, December Reap, Cambodia, Pro2018, ceedings, Part VI, pages 307–317, 2018a. 2018年、ICONIP Conference, International ing 25thSiem 13-16, December Reap, Cambodia, Pro2018, ceedings, Part VI, page 307–317, 2018a。 0.83
doi: 10.1007/ 978-3-030-04224-0\_2 6. doi: 10.1007/978-3-030-04 224-0\_26。 0.27
URL https://doi.org/10. URL https://doi.org/10。 0.58
1007/978-3-030-04224 -0_26. 1007/978-3-030-04224 -0_26. 0.24
Xiaomei Zhao, Yihong Wu, Guidong Yong Fan, Brain tion using a Xiaomei Zhao, Yihong Wu, Guidong Yong Fan, Brain tion using a 0.85
Zhenye Li, and Yazhuo Zhang. Zhenye LiとYazhuo Zhang。 0.65
segmentafully convolutional neural network with con- con-を用いた分節畳み込みニューラルネットワーク 0.68
Song, tumor A PREPRINT 歌、腫瘍 プレプリント 0.59
- JANUARY 20, 2021 - 年表 20, 2021 0.72
10.1007/978-3-319-55 524-9\_8. 10.1007/978-3-319-55 524-9\_8. 0.21
random fields. ランダムフィールド。 0.70
Stroke on BRATS, Stroke on BRATS, 0.85
In Brainlesion: Glioma, Multiple ditional SecondInjuries and Traumatic Brain Sclerosis, International Workshop, BrainLes 2016, with the Chaland mTOP 2016, Held ISLES lenges in Con2016, Athens, Greece, October junction with MICCAI 17, 2016, Revised Selected Papers, pages 75–87, 2016. doi: URL https: //doi.org/10.1007/97 8-3-319-55524-9_8. Brainlesion: Glioma, multiple ditional Second Injuries and Traumatic Brain Sclerosis, International Workshop, BrainLes 2016 with the Chaland mTOP 2016, Held ISLES lenges in Con 2016, Athens, Greece, October junction with MICCAI 17, 2016 Revised Selected Papers, pages 75–87, 2016 doi: URL https: //doi.org/10.1007/97 8-319-55524-9_8 0.87
Li, Song, Xiaomei Zhenye Zhao, Yihong Wu, Guidong learning model Yazhuo Zhang, and Yong Fan. Li、Song、Xiaomei Zhenye Zhao、Yihong Wu、Guidongの学習モデルYazhuo Zhang、Yong Fan。 0.67
A deep integrating segmenbrain crfs and fcnns tumor for Medical Image Analysis, tation. 医用画像解析のためのsegmenbrain crfsとfcnns腫瘍を深く統合したtation。 0.83
2018b. 43:98–111, 10.1016/j.media.2017 .10.002. 2018年。 43:98–111, 10.1016/j.media.2017 .10.002 0.42
URL https://doi. URL https://doi.com 0.68
doi: org/10.1016/j.media. 2017.10.002. doi: org/10.1016/j.media. 2017.10.002。 0.31
Jayasumana, Shuai Sadeep Zheng, Su, Vineet, Zhizhong Dalong Vibhav Paredes, and Philip H. S. Torr. Jayasumana、Shuai Sadeep Zheng、Su、Vinet、Zhizhong Dalong Vibhav Paredes、Philip H.S. Torr。
訳抜け防止モード: Jayasumana, Shuai Sadeep Zheng, Su, Vineet, Zhizhong Dalong Vibhav Paredes そしてPhilip H. S. Torr。
0.85
Conditional Chang Huang, In 2015 recurrent networks. Conditional Chang Huang, 2015年、リカレントネットワーク。 0.78
dom fields as Conference Computer Vision, International 2015, Chile, 2015, 7-13, Santiago, doi: 1529–1537, 2015. https://doi.org/10.1 109/ICCV.2015.179. Conference Computer Vision, International 2015, Chile, 2015 7-13, Santiago, doi: 1529–1537, 2015 https://doi.org/10.1 109/ICCV.2015.179 0.77
Bernardino RomeraDu, ranIEEE neural ICCV on December pages 10.1109/ICCV.2015.17 9. Bernardino RomeraDu, ranIEEE neural ICCV on December pages 10.1109/ICCV.2015.17 9 0.73
URL 21 URL 21 0.85
                                           ページの最初に戻る

翻訳にはFugu-Machine Translatorを利用しています。