論文の概要: Deep Learning in Multi-organ Segmentation

• arxiv url: http://arxiv.org/abs/2001.10619v1
• Date: Tue, 28 Jan 2020 22:11:44 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-06 02:58:33.664389
• Title: Deep Learning in Multi-organ Segmentation
• Title（参考訳）: マルチ組織セグメンテーションにおける深層学習
• Authors: Yang Lei, Yabo Fu, Tonghe Wang, Richard L.J. Qiu, Walter J. Curran, Tian Liu, Xiaofeng Yang
• Abstract要約: 医学的画像分割と応用のための最新のDLベースの手法を要約した。 各カテゴリについて、調査対象の作品をリストアップし、重要なコントリビューションを強調し、特定の課題を特定しました。 ベンチマークデータを用いた胸部・頭頸部の多臓器分割法について,総括的比較を行った。
• 参考スコア（独自算出の注目度）: 2.3467691785656557
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper presents a review of deep learning (DL) in multi-organ segmentation. We summarized the latest DL-based methods for medical image segmentation and applications. These methods were classified into six categories according to their network design. For each category, we listed the surveyed works, highlighted important contributions and identified specific challenges. Following the detailed review of each category, we briefly discussed its achievements, shortcomings and future potentials. We provided a comprehensive comparison among DL-based methods for thoracic and head & neck multiorgan segmentation using benchmark datasets, including the 2017 AAPM Thoracic Auto-segmentation Challenge datasets and 2015 MICCAI Head Neck Auto-Segmentation Challenge datasets.
• Abstract（参考訳）: 本稿では,マルチオーガンセグメンテーションにおけるディープラーニング(dl)について概観する。 医学的画像分割と応用のための最新のDLベースの手法を要約した。 これらの手法はネットワーク設計により6つのカテゴリに分類された。 各カテゴリについて、調査対象の作品をリストアップし、重要なコントリビューションを強調し、特定の課題を特定しました。 各カテゴリの詳細なレビューに続いて,その成果,欠点,将来の可能性について概説した。 我々は,2017 AAPM Thoracic Auto-Segmentation Challengeデータセットと2015 MICCAI Head Neck Auto-Segmentation Challengeデータセットを含むベンチマークデータセットを用いた,胸部・頭頸部の多臓器分割のためのDLベース手法の包括的な比較を行った。

関連論文リスト

• SegHeD: Segmentation of Heterogeneous Data for Multiple Sclerosis Lesions with Anatomical Constraints [1.498084483844508]
  機械学習モデルは、自動MS病変セグメンテーションの大きな可能性を実証している。 SegHeDは、異種データを入力として組み込むことができる、新しいマルチデータセットマルチタスクセグメンテーションモデルである。 SegHeDは5つのMSデータセットで評価され、すべての、新しい、消滅するセグメンテーションで高いパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2024-10-02T17:21:43Z)
• Image Segmentation in Foundation Model Era: A Survey [99.19456390358211]
  イメージセグメンテーションにおける現在の研究は、これらの進歩に関連する特徴、課題、解決策の詳細な分析を欠いている。 本調査は、FM駆動画像セグメンテーションを中心とした最先端の研究を徹底的にレビューすることで、このギャップを埋めようとしている。 現在の研究成果の広さを包括する,300以上のセグメンテーションアプローチの概要を概観する。
  論文  参考訳（メタデータ） (2024-08-23T10:07:59Z)
• AnatoMix: Anatomy-aware Data Augmentation for Multi-organ Segmentation [6.471203541258319]
  本稿では,多臓器セグメンテーションデータセットの一般化性を高めるための新しいデータ拡張戦略を提案する。 オブジェクトレベルのマッチングと操作により,本手法は解剖学的に正しい画像を生成することができる。 拡張法は, ベースライン法74.8と比較して76.1ディスとなる。
  論文  参考訳（メタデータ） (2024-03-05T21:07:50Z)
• Multi-task Explainable Skin Lesion Classification [54.76511683427566]
  少ないラベル付きデータでよく一般化する皮膚病変に対する数発のショットベースアプローチを提案する。 提案手法は,アテンションモジュールや分類ネットワークとして機能するセグメンテーションネットワークの融合を含む。
  論文  参考訳（メタデータ） (2023-10-11T05:49:47Z)
• BHSD: A 3D Multi-Class Brain Hemorrhage Segmentation Dataset [24.094836682245006]
  頭蓋内出血 (ICH) は頭蓋内出血や脳内出血を特徴とする病態である。 深層学習技術は医用画像のセグメンテーションに広く使われており、ICHセグメンテーションタスクにも応用されている。 既存の公開ICHデータセットは、マルチクラスセグメンテーション問題をサポートしない。
  論文  参考訳（メタデータ） (2023-08-22T09:20:55Z)
• AIMS: All-Inclusive Multi-Level Segmentation [93.5041381700744]
  視覚領域を3つのレベル(パート、エンティティ、リレーション)に分割するタスクであるAll-Inclusive Multi-Level(AIMS)を提案する。 また、アノテーションの不整合とタスク相関の2つの大きな課題に対処するために、マルチデータセットのマルチタスクトレーニングを通じて統合されたAIMSモデルを構築します。
  論文  参考訳（メタデータ） (2023-05-28T16:28:49Z)
• Towards more precise automatic analysis: a comprehensive survey of deep learning-based multi-organ segmentation [9.673055783655906]
  本論は, この分野における最新の研究を体系的にまとめたものである。 完全かつ不完全なアノテーションの観点から,深層学習に基づく多臓器セグメンテーションに関する161の研究をコンパイルした。
  論文  参考訳（メタデータ） (2023-03-01T04:52:49Z)
• CvS: Classification via Segmentation For Small Datasets [52.821178654631254]
  本稿では,分類ラベルをセグメントマップの予測から導出する小型データセットのコスト効率の高い分類器であるCvSを提案する。 我々は,CvSが従来の手法よりもはるかに高い分類結果が得られることを示す多種多様な問題に対して,本フレームワークの有効性を評価する。
  論文  参考訳（メタデータ） (2021-10-29T18:41:15Z)
• Towards Robust Partially Supervised Multi-Structure Medical Image Segmentation on Small-Scale Data [123.03252888189546]
  データ不足下における部分教師付き学習(PSL)における方法論的ギャップを埋めるために,不確実性下でのビシナルラベル(VLUU)を提案する。 マルチタスク学習とヴィジナルリスク最小化によって動機づけられたVLUUは、ビジナルラベルを生成することによって、部分的に教師付き問題を完全な教師付き問題に変換する。 本研究は,ラベル効率の高い深層学習における新たな研究の方向性を示唆するものである。
  論文  参考訳（メタデータ） (2020-11-28T16:31:00Z)
• 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。