論文の概要: Deep Attentive Features for Prostate Segmentation in 3D Transrectal Ultrasound

• arxiv url: http://arxiv.org/abs/1907.01743v2
• Date: Sun, 3 Mar 2024 11:57:48 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-08 18:40:57.907859
• Title: Deep Attentive Features for Prostate Segmentation in 3D Transrectal Ultrasound
• Title（参考訳）: 3次元経直腸超音波における前立腺切開の深部的特徴
• Authors: Yi Wang, Haoran Dou, Xiaowei Hu, Lei Zhu, Xin Yang, Ming Xu, Jing Qin, Pheng-Ann Heng, Tianfu Wang, and Dong Ni
• Abstract要約: 本稿では,経直腸超音波(TRUS)画像における前立腺のセグメンテーションを改善するために,アテンションモジュールを備えた新しい3次元ディープニューラルネットワークを開発した。 我々のアテンションモジュールは、アテンション機構を利用して、異なるレイヤから統合されたマルチレベル特徴を選択的に活用する。 3次元TRUSボリュームに挑戦する実験結果から,本手法は良好なセグメンテーション性能が得られることが示された。
• 参考スコア（独自算出の注目度）: 59.105304755899034
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Automatic prostate segmentation in transrectal ultrasound (TRUS) images is of essential importance for image-guided prostate interventions and treatment planning. However, developing such automatic solutions remains very challenging due to the missing/ambiguous boundary and inhomogeneous intensity distribution of the prostate in TRUS, as well as the large variability in prostate shapes. This paper develops a novel 3D deep neural network equipped with attention modules for better prostate segmentation in TRUS by fully exploiting the complementary information encoded in different layers of the convolutional neural network (CNN). Our attention module utilizes the attention mechanism to selectively leverage the multilevel features integrated from different layers to refine the features at each individual layer, suppressing the non-prostate noise at shallow layers of the CNN and increasing more prostate details into features at deep layers. Experimental results on challenging 3D TRUS volumes show that our method attains satisfactory segmentation performance. The proposed attention mechanism is a general strategy to aggregate multi-level deep features and has the potential to be used for other medical image segmentation tasks. The code is publicly available at https://github.com/wulalago/DAF3D.
• Abstract（参考訳）: 経直腸超音波(TRUS)画像の自動前立腺分画は、画像誘導前立腺介入と治療計画において重要である。 しかし、TRUSにおける前立腺の境界の欠如や不均一な強度分布、および前立腺形態の大きな変動により、そのような自動解の開発は非常に困難である。 本稿では,畳み込みニューラルネットワーク(CNN)の異なる層に符号化された補完情報を完全に活用することにより,TRUSにおける前立腺のセグメンテーションを改善するための注意モジュールを備えた新しい3次元ディープニューラルネットワークを開発する。 我々の注目モジュールは、注目機構を利用して、異なる層から統合された多層的特徴を選択的に活用し、各層における特徴を洗練させ、CNNの浅い層における非前立腺ノイズを抑制し、深い層における特徴により多くの前立腺の詳細を増大させる。 3次元TRUSボリュームに対する実験結果から,本手法は良好なセグメンテーション性能が得られることが示された。 提案するアテンションメカニズムは,多段階の深い特徴を集約する一般的な戦略であり,他の医用画像セグメンテーションタスクに使用することができる。 コードはhttps://github.com/wulalago/DAF3Dで公開されている。

関連論文リスト

• Enhancing Weakly Supervised 3D Medical Image Segmentation through Probabilistic-aware Learning [52.249748801637196]
  3次元医用画像のセグメンテーションは、疾患の診断と治療計画に重要な意味を持つ課題である。 近年の深層学習の進歩は、完全に教師付き医療画像のセグメンテーションを著しく強化している。 本稿では,3次元医用画像に特化して設計された,確率的適応型弱教師付き学習パイプラインを提案する。
  論文  参考訳（メタデータ） (2024-03-05T00:46:53Z)
• 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)
• 3D EAGAN: 3D edge-aware attention generative adversarial network for prostate segmentation in transrectal ultrasound images [1.2728267483418159]
  本稿では,3次元エッジ認識による対向性ネットワーク(3D EAGAN)に基づく前立腺分割法を提案する。 EASNetは、エンコーダデコーダベースのU-Netバックボーンネットワーク、細部補償モジュール、4つの3次元空間およびチャネルアテンションモジュール、エッジエンハンスメントモジュール、グローバル機能抽出モジュールで構成されている。
  論文  参考訳（メタデータ） (2023-11-07T15:03:17Z)
• Full-scale Deeply Supervised Attention Network for Segmenting COVID-19 Lesions [0.24366811507669117]
  我々は,CT画像におけるコロナ感染領域の効率的なセグメンテーションのためのフルスケールDeeply Supervised Attention Network(FuDSA-Net)を紹介した。 モデルは、ネットワークの異なるレベルで取得されたマルチスカラー機能を含む、エンコーディングパスの全レベルからのアクティベーション応答を考察する。 マルチスカラー特性の全領域を新しいアテンション機構に組み込むことで、アクティベーション応答と有用な情報を含む位置の選択が優先される。
  論文  参考訳（メタデータ） (2022-10-27T16:05:47Z)
• 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)
• A unified 3D framework for Organs at Risk Localization and Segmentation for Radiation Therapy Planning [56.52933974838905]
  現在の医療ワークフローは、OAR(Organs-at-risk)のマニュアル記述を必要とする 本研究は,OARローカライゼーション・セグメンテーションのための統合された3Dパイプラインの導入を目的とする。 提案手法は医用画像に固有の3Dコンテキスト情報の活用を可能にする。
  論文  参考訳（メタデータ） (2022-03-01T17:08:41Z)
• PAANet: Progressive Alternating Attention for Automatic Medical Image Segmentation [11.392283602422442]
  病気の位置を知ることは、治療と意思決定において重要な役割を果たす。 CNNベースのエンコーダ・デコーダ技術は、自動化された医用画像分割システムの性能を向上した。 本稿では,PAANet(Progressive alternating attention network)を提案する。
  論文  参考訳（メタデータ） (2021-11-20T15:49:42Z)
• Automatic Segmentation of the Prostate on 3D Trans-rectal Ultrasound Images using Statistical Shape Models and Convolutional Neural Networks [3.9121134770873733]
  本稿では,畳み込みニューラルネットワーク(CNN)と統計的形状モデル(SSM)を用いて,経直腸超音波(TRUS)画像のデータセット上に前立腺を分割することを提案する。 TRUSは軟組織コントラストが限られており、前立腺のセグメンテーションが困難である。
  論文  参考訳（メタデータ） (2021-06-17T17:11:53Z)
• Deep Q-Network-Driven Catheter Segmentation in 3D US by Hybrid Constrained Semi-Supervised Learning and Dual-UNet [74.22397862400177]
  本稿では,教師付き学習手法よりも少ないアノテーションを要求できる新しいカテーテルセグメンテーション手法を提案する。 提案手法では,Voxelレベルのアノテーションを避けるために,深層Q学習を事前局所化ステップとみなす。 検出されたカテーテルでは、パッチベースのDual-UNetを使用してカテーテルを3Dボリュームデータに分割する。
  論文  参考訳（メタデータ） (2020-06-25T21:10:04Z)

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。