論文の概要: Residual Block-based Multi-Label Classification and Localization Network
with Integral Regression for Vertebrae Labeling
- arxiv url: http://arxiv.org/abs/2001.00170v1
- Date: Wed, 1 Jan 2020 09:16:10 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-16 09:37:55.723185
- Title: Residual Block-based Multi-Label Classification and Localization Network
with Integral Regression for Vertebrae Labeling
- Title（参考訳）: Vertebrae Labeling のための積分回帰を用いた残差ブロック型マルチラベル分類と局所化ネットワーク
- Authors: Chunli Qin, Demin Yao, Han Zhuang, Hui Wang, Yonghong Shi, and Zhijian
Song
- Abstract要約: 既存の方法は、主に複数のニューラルネットワークの統合に基づいており、そのほとんどは、ガウス熱マップを用いて椎骨のセンチロイドを探索している。
本研究では,CTスキャンにおける脊椎座標のエンドツーエンド差分訓練について,頑健かつ高精度な自動椎体ラベル付けアルゴリズムを提案する。
提案手法は挑戦的なデータセット上で評価され,その結果は最先端の手法よりもはるかに優れている。
- 参考スコア（独自算出の注目度）: 4.867669606257232
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Accurate identification and localization of the vertebrae in CT scans is a
critical and standard preprocessing step for clinical spinal diagnosis and
treatment. Existing methods are mainly based on the integration of multiple
neural networks, and most of them use the Gaussian heat map to locate the
vertebrae's centroid. However, the process of obtaining the vertebrae's
centroid coordinates using heat maps is non-differentiable, so it is impossible
to train the network to label the vertebrae directly. Therefore, for end-to-end
differential training of vertebra coordinates on CT scans, a robust and
accurate automatic vertebral labeling algorithm is proposed in this study.
Firstly, a novel residual-based multi-label classification and localization
network is developed, which can capture multi-scale features, but also utilize
the residual module and skip connection to fuse the multi-level features.
Secondly, to solve the problem that the process of finding coordinates is
non-differentiable and the spatial structure is not destructible, integral
regression module is used in the localization network. It combines the
advantages of heat map representation and direct regression coordinates to
achieve end-to-end training, and can be compatible with any key point detection
methods of medical image based on heat map. Finally, multi-label classification
of vertebrae is carried out, which use bidirectional long short term memory
(Bi-LSTM) to enhance the learning of long contextual information to improve the
classification performance. The proposed method is evaluated on a challenging
dataset and the results are significantly better than the state-of-the-art
methods (mean localization error <3mm).
- Abstract（参考訳）: CTスキャンにおける脊椎の正確な同定と局在化は、臨床脊椎診断および治療のための重要かつ標準的な前処理ステップである。
既存の手法は主に複数のニューラルネットワークの統合に基づいており、その多くはガウス熱マップを使用して椎骨の遠心部を同定している。
しかし、熱地図を用いて椎骨のセントロイド座標を得る過程は区別できないため、脊椎を直接分類するネットワークを訓練することは不可能である。
そこで本研究では,CTスキャンにおける椎骨座標のエンドツーエンド差分訓練のために,頑健で正確な自動椎骨ラベル付けアルゴリズムを提案する。
まず,マルチスケールな特徴を捉えつつ,残差モジュールとスキップ接続を利用してマルチレベル特徴を融合させる,新しい残差ベースマルチラベル分類・ローカライズネットワークを開発した。
第二に、座標を見つける過程が微分不可能であり、空間構造が破壊不可能な問題を解くために、局所化ネットワークにおいて積分回帰モジュールを用いる。
熱マップ表現と直接回帰座標の利点を組み合わせることでエンドツーエンドのトレーニングを実現し、熱マップに基づいた医用画像のどのキーポイント検出方法とも互換性がある。
最後に、双方向長期記憶(Bi-LSTM)を用いて、長い文脈情報の学習を強化し、分類性能を向上させる脊椎の多ラベル分類を行う。
提案手法は難解なデータセット上で評価され,その結果は最先端の手法(局所化誤差<3mm)よりも有意に優れている。
関連論文リスト
- Deep Homography Estimation for Visual Place Recognition [49.235432979736395]
本稿では,変換器を用いたディープホモグラフィー推定(DHE)ネットワークを提案する。
バックボーンネットワークによって抽出された濃密な特徴写像を入力とし、高速で学習可能な幾何的検証のためにホモグラフィーに適合する。
ベンチマークデータセットを用いた実験により,本手法はいくつかの最先端手法より優れていることが示された。
論文 参考訳（メタデータ） (2024-02-25T13:22:17Z) - Shape Matters: Detecting Vertebral Fractures Using Differentiable
Point-Based Shape Decoding [51.38395069380457]
変性性脊椎疾患は高齢者に多い。
骨粗しょう性骨折やその他の変性変形性骨折のタイムリーな診断は、重度の腰痛や障害のリスクを軽減するための前向きな処置を促進する。
本研究では,脊椎動物に対する形状自動エンコーダの使用について検討する。
論文 参考訳（メタデータ） (2023-12-08T18:11:22Z) - Domain Adaptive Synapse Detection with Weak Point Annotations [63.97144211520869]
弱点アノテーションを用いたドメイン適応型シナプス検出のためのフレームワークであるAdaSynを提案する。
I SBI 2023のWASPSYNチャレンジでは、我々の手法が第1位にランクインした。
論文 参考訳（メタデータ） (2023-08-31T05:05:53Z) - Multilayer Multiset Neuronal Networks -- MMNNs [55.2480439325792]
本研究は,2層以上の類似性ニューロンを組み込んだ多層神経回路網について述べる。
また,回避すべき画像領域に割り当てられる反プロトタイプ点の利用についても検討した。
論文 参考訳（メタデータ） (2023-08-28T12:55:13Z) - Robust vertebra identification using simultaneous node and edge
predicting Graph Neural Networks [0.0]
U-Netで標準的な予測を取り入れた単純なパイプラインを導入し、続いて1つのグラフニューラルネットワークで脊椎を完全な向きで関連付け、分類する。
我々の方法は、正しい体とペダルのランドマークを正確に関連付けることができ、偽陽性を無視し、脊椎を単純で完全に訓練可能なパイプラインで分類することができる。
論文 参考訳（メタデータ） (2023-07-27T09:10:27Z) - Localized Perturbations For Weakly-Supervised Segmentation of Glioma
Brain Tumours [0.5801621787540266]
本研究は,脳腫瘍のセグメンテーションマスクを事前訓練した3次元分類モデルから抽出するための,局所摂動を弱教師付きソリューションとして用いることを提案する。
また,U-netアーキテクチャを用いて,任意の分類において最も関連性の高い領域を見つけるために,3次元スーパーピクセルを利用する新しい摂動法を提案する。
論文 参考訳（メタデータ） (2021-11-29T21:01:20Z) - Feature Aggregation and Refinement Network for 2D AnatomicalLandmark
Detection [0.0]
本稿では,解剖学的ランドマークの自動検出のための,特徴集約・改善ネットワーク(FARNet)を提案する。
我々のネットワークは3つの公開解剖学的ランドマーク検出データセットで評価されている。
論文 参考訳（メタデータ） (2021-11-01T02:16:13Z) - Dense Regression Activation Maps For Lesion Segmentation in CT scans of
COVID-19 patients [9.313053265087262]
重回帰アクティベーションマップ(dRAM)に基づく弱教師付きセグメンテーション手法を提案する。
提案手法は,CAMに基づく弱教師付きセグメンテーション方式の0.335から0.495への結合を著しく改善する。
論文 参考訳（メタデータ） (2021-05-25T08:29:35Z) - Learn Fine-grained Adaptive Loss for Multiple Anatomical Landmark
Detection in Medical Images [15.7026400415269]
本稿ではランドマーク検出のための新しい学習学習フレームワークを提案する。
提案手法は汎用的であり,解剖学的ランドマーク検出の効率向上の可能性を示す。
論文 参考訳（メタデータ） (2021-05-19T13:39:18Z) - 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) - VerSe: A Vertebrae Labelling and Segmentation Benchmark for
Multi-detector CT Images [121.31355003451152]
大規模Vertebrae Challenge(VerSe)は、2019年と2020年に開催されたMICCAI(International Conference on Medical Image Computing and Computer Assisted Intervention)と共同で設立された。
本評価の結果を報告するとともに,脊椎レベル,スキャンレベル,および異なる視野での性能変化について検討した。
論文 参考訳（メタデータ） (2020-01-24T21:09:18Z)
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。