論文の概要: Brain segmentation based on multi-atlas guided 3D fully convolutional
network ensembles
- arxiv url: http://arxiv.org/abs/1901.01381v2
- Date: Wed, 9 Aug 2023 21:05:56 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-11 17:01:40.497309
- Title: Brain segmentation based on multi-atlas guided 3D fully convolutional
network ensembles
- Title（参考訳）: マルチアトラス誘導3次元完全畳み込みネットワークアンサンブルによる脳分割
- Authors: Jiong Wu and Xiaoying Tang
- Abstract要約: 構造磁気共鳴画像(MRI)から関心領域(ROI)を抽出するためのマルチアトラスガイド3次元完全畳み込みネットワーク(FCN)アンサンブルモデル(M-FCN)を提案し,検証した。
我々は、各ROIの3次元FCNモデルを、適応サイズのパッチとデコンボリューション層内の畳み込み層の組込み出力を用いて訓練し、局所的およびグローバルなコンテキストパターンをさらに捉えた。
その結果,提案手法はセグメンテーション性能に優れていた。
- 参考スコア（独自算出の注目度）: 1.52292571922932
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this study, we proposed and validated a multi-atlas guided 3D fully
convolutional network (FCN) ensemble model (M-FCN) for segmenting brain regions
of interest (ROIs) from structural magnetic resonance images (MRIs). One major
limitation of existing state-of-the-art 3D FCN segmentation models is that they
often apply image patches of fixed size throughout training and testing, which
may miss some complex tissue appearance patterns of different brain ROIs. To
address this limitation, we trained a 3D FCN model for each ROI using patches
of adaptive size and embedded outputs of the convolutional layers in the
deconvolutional layers to further capture the local and global context
patterns. In addition, with an introduction of multi-atlas based guidance in
M-FCN, our segmentation was generated by combining the information of images
and labels, which is highly robust. To reduce over-fitting of the FCN model on
the training data, we adopted an ensemble strategy in the learning procedure.
Evaluation was performed on two brain MRI datasets, aiming respectively at
segmenting 14 subcortical and ventricular structures and 54 brain ROIs. The
segmentation results of the proposed method were compared with those of a
state-of-the-art multi-atlas based segmentation method and an existing 3D FCN
segmentation model. Our results suggested that the proposed method had a
superior segmentation performance.
- Abstract（参考訳）: 本研究では,構造磁気共鳴画像(mri)から脳の関心領域(rois)を分割するためのマルチアトラス誘導型3次元完全畳み込みネットワーク(fcn)モデル(m-fcn)を提案し,検証した。
既存の最先端の3D FCNセグメンテーションモデルの1つの大きな制限は、トレーニングとテストの間、しばしば一定の大きさのイメージパッチを適用し、異なる脳ROIの複雑な組織の外観パターンを見逃すことである。
この制限に対処するため、我々は各ROIの3次元FCNモデルを適応サイズのパッチとデコンボリューション層内の畳み込み層の組込み出力を用いて訓練し、局所的およびグローバルなコンテキストパターンをさらに捉えた。
さらに,M-FCNにおけるマルチアトラスに基づくガイダンスの導入により,画像とラベルの情報を組み合わせたセグメンテーションが実現された。
学習データに対するfcnモデルの過剰フィッティングを低減するために,学習手順においてアンサンブル戦略を採用した。
2つの脳MRIデータセットを用いて、それぞれ14の皮質下および心室構造と54の脳ROIのセグメンテーションを目的とした評価を行った。
提案手法のセグメンテーション結果と最先端のマルチアトラスベースセグメンテーション法と既存の3次元fcnセグメンテーションモデルとの比較を行った。
その結果,提案手法はセグメンテーション性能に優れていた。
関連論文リスト
- ShapeMamba-EM: Fine-Tuning Foundation Model with Local Shape Descriptors and Mamba Blocks for 3D EM Image Segmentation [49.42525661521625]
本稿では3次元EMセグメンテーションのための特殊微調整法であるShapeMamba-EMを提案する。
5つのセグメンテーションタスクと10のデータセットをカバーする、幅広いEMイメージでテストされている。
論文 参考訳（メタデータ） (2024-08-26T08:59:22Z) - SDR-Former: A Siamese Dual-Resolution Transformer for Liver Lesion
Classification Using 3D Multi-Phase Imaging [59.78761085714715]
本研究は肝病変分類のための新しいSDR-Formerフレームワークを提案する。
提案フレームワークは2つの臨床データセットに関する総合的な実験を通じて検証された。
科学コミュニティを支援するため,肝病変解析のための多段階MRデータセットを公開しています。
論文 参考訳（メタデータ） (2024-02-27T06:32:56Z) - A Comparative Study on 1.5T-3T MRI Conversion through Deep Neural
Network Models [0.0]
1.5T MRIから脳の3TライクなMR画像を生成するための、多くのディープニューラルネットワークモデルの能力について検討する。
本研究は,脳内MRI変換のための複数の深層学習ソリューションを評価するための最初の研究である。
論文 参考訳（メタデータ） (2022-10-12T16:14:42Z) - Med-DANet: Dynamic Architecture Network for Efficient Medical Volumetric
Segmentation [13.158995287578316]
我々は,Med-DANetという動的アーキテクチャネットワークを提案し,効率的な精度と効率のトレードオフを実現する。
入力された3次元MRIボリュームのスライス毎に,提案手法は決定ネットワークによってスライス固有の決定を学習する。
提案手法は, 従来の3次元MRI脳腫瘍セグメント化法と比較して, 同等あるいは良好な結果が得られる。
論文 参考訳（メタデータ） (2022-06-14T03:25:58Z) - CORPS: Cost-free Rigorous Pseudo-labeling based on Similarity-ranking
for Brain MRI Segmentation [3.1657395760137406]
本稿では,新しいアトラスを用いた擬似ラベル法と3次元脳MRI分割のための3次元深部畳み込みニューラルネットワーク(DCNN)に基づく半教師付きセグメンテーションフレームワークを提案する。
実験により, 定性的, 定量的に比較して, 提案手法の優位性を示した。
論文 参考訳（メタデータ） (2022-05-19T14:42:49Z) - Two-Stream Graph Convolutional Network for Intra-oral Scanner Image
Segmentation [133.02190910009384]
本稿では,2ストリームグラフ畳み込みネットワーク(TSGCN)を提案する。
TSGCNは3次元歯(表面)セグメンテーションにおいて最先端の方法よりも優れています。
論文 参考訳（メタデータ） (2022-04-19T10:41:09Z) - Multi-organ Segmentation Network with Adversarial Performance Validator [10.775440368500416]
本稿では,2次元から3次元のセグメンテーションフレームワークに対向的な性能検証ネットワークを導入する。
提案したネットワークは, 2次元粗い結果から3次元高品質なセグメンテーションマスクへの変換を行い, 共同最適化によりセグメンテーション精度が向上する。
NIH膵分節データセットの実験では、提案したネットワークが小臓器分節の最先端の精度を達成し、過去の最高性能を上回った。
論文 参考訳（メタデータ） (2022-04-16T18:00:29Z) - Cross-Modality Brain Tumor Segmentation via Bidirectional
Global-to-Local Unsupervised Domain Adaptation [61.01704175938995]
本論文では,UDAスキームに基づくBiGL(Bidirectional Global-to-Local)適応フレームワークを提案する。
具体的には、脳腫瘍をセグメント化するために、双方向画像合成およびセグメンテーションモジュールを提案する。
提案手法は, 最先端の非教師なし領域適応法を大きなマージンで上回っている。
論文 参考訳（メタデータ） (2021-05-17T10:11:45Z) - Deep Residual 3D U-Net for Joint Segmentation and Texture Classification
of Nodules in Lung [91.3755431537592]
肺結節の分類法, そのテクスチャ分類, 肺CT像による後続の推奨について検討した。
提案手法は, 一般的なU-Netアーキテクチャファミリに基づくニューラルネットワークモデルと, 共同結節分割とそのテクスチャ分類タスクと, フォローアップレコメンデーションのためのアンサンブルベースモデルから構成される。
論文 参考訳（メタデータ） (2020-06-25T07:20:41Z) - DDU-Nets: Distributed Dense Model for 3D MRI Brain Tumor Segmentation [27.547646527286886]
分散高密度接続(DDC)の3つのパターンが提案され,CNNの機能再利用と伝播が促進される。
DDC(DDU-Nets)を組み込んだCNNベースのモデルでは,3次元MR画像から脳腫瘍をよりよく検出し,セグメンテーションするために,ピクセルからピクセルへの効率よくトレーニングを行う。
提案手法はBraTS 2019データセットで評価され,DDU-Netsの有効性が示された。
論文 参考訳（メタデータ） (2020-03-03T05:08:34Z) - Unpaired Multi-modal Segmentation via Knowledge Distillation [77.39798870702174]
本稿では,不対向画像分割のための新しい学習手法を提案する。
提案手法では,CTおよびMRI間での畳み込みカーネルの共有により,ネットワークパラメータを多用する。
我々は2つの多クラスセグメンテーション問題に対するアプローチを広範囲に検証した。
論文 参考訳（メタデータ） (2020-01-06T20:03:17Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。