論文の概要: Abdominal multi-organ segmentation with cascaded convolutional and
adversarial deep networks
- arxiv url: http://arxiv.org/abs/2001.09521v1
- Date: Sun, 26 Jan 2020 21:28:04 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-06 19:26:08.491967
- Title: Abdominal multi-organ segmentation with cascaded convolutional and
adversarial deep networks
- Title（参考訳）: カスケード畳み込みおよび逆向きディープネットワークを用いた腹部マルチオルガンセグメンテーション
- Authors: Pierre-Henri Conze, Ali Emre Kavur, Emilie Cornec-Le Gall, Naciye
Sinem Gezer, Yannick Le Meur, M. Alper Selver and Fran\c{c}ois Rousseau
- Abstract要約: 深層学習を用いた腹部CTおよびMR画像からの完全自動多臓器分画について検討した。
我々のパイプラインは、最先端のエンコーダデコーダスキームよりも優れた結果をもたらす。
- 参考スコア（独自算出の注目度）: 0.36944296923226316
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Objective : Abdominal anatomy segmentation is crucial for numerous
applications from computer-assisted diagnosis to image-guided surgery. In this
context, we address fully-automated multi-organ segmentation from abdominal CT
and MR images using deep learning. Methods: The proposed model extends standard
conditional generative adversarial networks. Additionally to the discriminator
which enforces the model to create realistic organ delineations, it embeds
cascaded partially pre-trained convolutional encoder-decoders as generator.
Encoder fine-tuning from a large amount of non-medical images alleviates data
scarcity limitations. The network is trained end-to-end to benefit from
simultaneous multi-level segmentation refinements using auto-context. Results :
Employed for healthy liver, kidneys and spleen segmentation, our pipeline
provides promising results by outperforming state-of-the-art encoder-decoder
schemes. Followed for the Combined Healthy Abdominal Organ Segmentation (CHAOS)
challenge organized in conjunction with the IEEE International Symposium on
Biomedical Imaging 2019, it gave us the first rank for three competition
categories: liver CT, liver MR and multi-organ MR segmentation. Conclusion :
Combining cascaded convolutional and adversarial networks strengthens the
ability of deep learning pipelines to automatically delineate multiple
abdominal organs, with good generalization capability. Significance : The
comprehensive evaluation provided suggests that better guidance could be
achieved to help clinicians in abdominal image interpretation and clinical
decision making.
- Abstract（参考訳）: 目的 : 腹部解剖検査はコンピュータ診断から画像ガイド下手術まで多くの応用に不可欠である。
本稿では,深層学習を用いた腹部CTおよびMR画像からの完全自動多臓器分割について述べる。
方法: 提案モデルでは, 標準条件生成型逆ネットワークを拡張する。
現実的な臓器記述を生成するためにモデルを強制する判別器に加えて、部分的に事前訓練された畳み込みエンコーダ-デコーダをジェネレータとして組み込む。
大量の非医療画像からのエンコーダの微調整により、データの不足が軽減される。
ネットワークはエンドツーエンドでトレーニングされ、auto-contextを使って同時にマルチレベルセグメンテーションが改善される。
結果: 健常な肝臓, 腎臓, 脾臓の分節化にともなうパイプラインは, 最先端のエンコーダデコーダ・デコーダ・スキームより優れた結果が得られた。
続いて,ieee international symposium on biomedical imaging 2019(ieee international symposium on biomedical imaging 2019)と共同で開催された健康的腹部臓器分画(chaos)チャレンジにおいて,肝ct,肝mr,多臓器mr分画の3つのコンペティションカテゴリーの1位となった。
結語: 逐次畳み込みと逆向きのネットワークを組み合わせることで, 深層学習パイプラインの複数の腹部臓器の自動配置能力が向上し, 汎化能力も向上した。
意義 : 包括的評価は, 腹部画像の解釈と臨床的意思決定を支援するために, より良い指導が可能であることを示唆している。
関連論文リスト
- HALOS: Hallucination-free Organ Segmentation after Organ Resection
Surgery [3.079885946230076]
最先端のセグメンテーションモデルはしばしば臓器の幻覚、すなわち臓器の偽陽性予測を引き起こす。
臓器切除術後の症例を治療するMR画像における腹部臓器分割のためのHALOSを提案する。
論文 参考訳（メタデータ） (2023-03-14T09:05:19Z) - Self-Supervised Correction Learning for Semi-Supervised Biomedical Image
Segmentation [84.58210297703714]
半教師付きバイオメディカルイメージセグメンテーションのための自己教師付き補正学習パラダイムを提案する。
共有エンコーダと2つの独立デコーダを含むデュアルタスクネットワークを設計する。
異なるタスクのための3つの医用画像分割データセットの実験により,本手法の優れた性能が示された。
論文 参考訳（メタデータ） (2023-01-12T08:19:46Z) - Reliable Joint Segmentation of Retinal Edema Lesions in OCT Images [55.83984261827332]
本稿では,信頼性の高いマルチスケールウェーブレットエンハンストランスネットワークを提案する。
本研究では,ウェーブレット型特徴抽出器ネットワークとマルチスケール変圧器モジュールを統合したセグメンテーションバックボーンを開発した。
提案手法は,他の最先端セグメンテーション手法と比較して信頼性の高いセグメンテーション精度を実現する。
論文 参考訳（メタデータ） (2022-12-01T07:32:56Z) - Learning from partially labeled data for multi-organ and tumor
segmentation [102.55303521877933]
本稿では,トランスフォーマーに基づく動的オンデマンドネットワーク(TransDoDNet)を提案する。
動的ヘッドにより、ネットワークは複数のセグメンテーションタスクを柔軟に達成することができる。
我々はMOTSと呼ばれる大規模にラベル付けされたMulti-Organ and tumorベンチマークを作成し、他の競合相手よりもTransDoDNetの方が優れた性能を示す。
論文 参考訳（メタデータ） (2022-11-13T13:03:09Z) - Improved Abdominal Multi-Organ Segmentation via 3D Boundary-Constrained
Deep Neural Networks [9.416108287575915]
我々は3Dエンコーダ・デコーダネットワークを訓練し,腹部臓器とそれに対応する境界をCTスキャンで同時に分割する。
腹腔内多臓器分節の改善における相補的境界予測タスクの有用性について検討した。
論文 参考訳（メタデータ） (2022-10-09T15:31:19Z) - Boundary-Aware Network for Abdominal Multi-Organ Segmentation [21.079667938055668]
腹部臓器をCTとMRIに分割する境界認識ネットワーク(BA-Net)を提案する。
その結果,両セグメンテーションタスクにおいて,BA-NetはnnUNetよりも優れていることがわかった。
論文 参考訳（メタデータ） (2022-08-29T02:24:02Z) - BCS-Net: Boundary, Context and Semantic for Automatic COVID-19 Lung
Infection Segmentation from CT Images [83.82141604007899]
BCS-Netは、CT画像から自動的に新型コロナウイルスの肺感染症を分離するための新しいネットワークである。
BCS-Netはエンコーダ-デコーダアーキテクチャに従っており、多くの設計はデコーダのステージに焦点を当てている。
BCSRブロックでは、アテンション誘導グローバルコンテキスト(AGGC)モジュールがデコーダの最も価値のあるエンコーダ機能を学ぶように設計されている。
論文 参考訳（メタデータ） (2022-07-17T08:54:07Z) - Recurrent Feature Propagation and Edge Skip-Connections for Automatic
Abdominal Organ Segmentation [13.544665065396373]
本稿では,エンコーダ,エッジ検出器,エッジスキップ接続付きデコーダ,繰り返し特徴伝搬ヘッドを含む,エンドツーエンドの4つの主要コンポーネントを訓練した3Dネットワークを提案する。
実験の結果,提案したネットワークはいくつかの最先端モデルよりも優れていた。
論文 参考訳（メタデータ） (2022-01-02T08:33:19Z) - Anatomy-guided Multimodal Registration by Learning Segmentation without
Ground Truth: Application to Intraprocedural CBCT/MR Liver Segmentation and
Registration [12.861503169117208]
マルチモーダル画像登録は、診断医療画像と画像誘導介入に多くの応用がある。
周術期獲得診断画像を周術期内環境に登録する能力は、周術期内腫瘍ターゲティングを改善する可能性がある。
対象のモダリティ基礎真理を含まないセグメンテーション学習のためのセグメンテーションネットワーク(APA2Seg-Net)に対する解剖学的保護ドメイン適応を提案する。
論文 参考訳（メタデータ） (2021-04-14T18:07:03Z) - Generalized Organ Segmentation by Imitating One-shot Reasoning using
Anatomical Correlation [55.1248480381153]
そこで我々は,アノテーション付きオルガンクラスから一般化されたオルガン概念を学習し,その概念を未知のクラスに転送するOrganNetを提案する。
そこで,OrganNetは臓器形態の幅広い変化に効果的に抵抗でき,一発分節タスクで最先端の結果が得られることを示す。
論文 参考訳（メタデータ） (2021-03-30T13:41:12Z) - Few-shot Medical Image Segmentation using a Global Correlation Network
with Discriminative Embedding [60.89561661441736]
医療画像分割のための新しい手法を提案する。
深層畳み込みネットワークを用いた数ショット画像セグメンタを構築します。
深層埋め込みの識別性を高め,同一クラスの特徴領域のクラスタリングを促進する。
論文 参考訳（メタデータ） (2020-12-10T04:01:07Z)
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。