論文の概要: ACEnet: Anatomical Context-Encoding Network for Neuroanatomy Segmentation

• arxiv url: http://arxiv.org/abs/2002.05773v3
• Date: Sat, 2 Jan 2021 22:30:59 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-01 13:39:54.492784
• Title: ACEnet: Anatomical Context-Encoding Network for Neuroanatomy Segmentation
• Title（参考訳）: acenet:神経解剖学セグメンテーションのための解剖学的コンテキストエンコーディングネットワーク
• Authors: Yuemeng Li, Hongming Li, Yong Fan
• Abstract要約: 2次元深層学習法はその計算効率に好適である。 既存の2次元深層学習法では、3次元空間的情報を効果的に捉えることができない。 我々は2次元畳み込みニューラルネットワーク(CNN)に3次元空間および解剖コンテキストを組み込む解剖コンテキストネットワーク(ACEnet)を開発した。 提案手法は,脳構造セグメンテーションにおける最先端の代替手法と比較して,有望な性能を実現する。
• 参考スコア（独自算出の注目度）: 1.7080853582489066
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Segmentation of brain structures from magnetic resonance (MR) scans plays an important role in the quantification of brain morphology. Since 3D deep learning models suffer from high computational cost, 2D deep learning methods are favored for their computational efficiency. However, existing 2D deep learning methods are not equipped to effectively capture 3D spatial contextual information that is needed to achieve accurate brain structure segmentation. In order to overcome this limitation, we develop an Anatomical Context-Encoding Network (ACEnet) to incorporate 3D spatial and anatomical contexts in 2D convolutional neural networks (CNNs) for efficient and accurate segmentation of brain structures from MR scans, consisting of 1) an anatomical context encoding module to incorporate anatomical information in 2D CNNs and 2) a spatial context encoding module to integrate 3D image information in 2D CNNs. In addition, a skull stripping module is adopted to guide the 2D CNNs to attend to the brain. Extensive experiments on three benchmark datasets have demonstrated that our method achieves promising performance compared with state-of-the-art alternative methods for brain structure segmentation in terms of both computational efficiency and segmentation accuracy.
• Abstract（参考訳）: 磁気共鳴(MR)スキャンによる脳構造の分離は、脳形態の定量化において重要な役割を果たす。 3次元深層学習モデルは計算コストが高いため、2次元深層学習法はその計算効率に好適である。 しかし、既存の2次元深層学習法では、正確な脳構造セグメンテーションを実現するために必要な3次元空間文脈情報を効果的に捉えることができない。 この制限を克服するために、MRスキャンから脳構造の効率的かつ正確なセグメンテーションを行うために、2次元畳み込みニューラルネットワーク(CNN)に3次元空間的および解剖学的コンテキストを組み込む、ACEnet(Anatomical Context-Encoding Network)を開発した。 1)2次元CNNに解剖情報を組み込む解剖学的文脈符号化モジュール及び 2)2次元CNNに3次元画像情報を統合する空間コンテキスト符号化モジュール。 さらに、脳への2D CNNを誘導するために頭蓋骨剥離モジュールが採用されている。 3つのベンチマークデータセットの大規模な実験により、計算効率とセグメンテーション精度の両面から、脳構造セグメンテーションの最先端の代替手法と比較して有望な性能が得られることを示した。

関連論文リスト

• Contextual Embedding Learning to Enhance 2D Networks for Volumetric Image Segmentation [5.995633685952995]
  2次元畳み込みニューラルネットワーク(CNN)は、体積データの空間的相関をほとんど利用できない。 本研究では,空間情報を適切にキャプチャする2次元CNNを実現するためのコンテキスト埋め込み学習手法を提案する。 提案手法では,学習した埋め込みとスライスワイズマッチングをソフトキューとして活用し,ネットワークを誘導する。
  論文  参考訳（メタデータ） (2024-04-02T08:17:39Z)
• ALSTER: A Local Spatio-Temporal Expert for Online 3D Semantic Reconstruction [62.599588577671796]
  本稿では,RGB-Dフレームのストリームから3次元セマンティックマップを段階的に再構成するオンライン3次元セマンティックセマンティックセマンティクス手法を提案する。 オフラインの手法とは異なり、ロボット工学や混合現実のようなリアルタイムな制約のあるシナリオに直接適用できます。
  論文  参考訳（メタデータ） (2023-11-29T20:30:18Z)
• Spatiotemporal Modeling Encounters 3D Medical Image Analysis: Slice-Shift UNet with Multi-View Fusion [0.0]
  本稿では,2次元CNNにおける3次元特徴をエンコードする2次元モデルSlice SHift UNetを提案する。 より正確にマルチビュー機能は、ボリュームの3次元平面に沿って2次元の畳み込みを実行することで協調的に学習される。 提案手法の有効性は,多モード腹部多臓器軸 (AMOS) と Cranial Vault (BTCV) データセットを越えたマルチアトラスラベリング (Multi-Atlas Labeling Beyond the Cranial Vault) で検証した。
  論文  参考訳（メタデータ） (2023-07-24T14:53:23Z)
• Self-supervised learning via inter-modal reconstruction and feature projection networks for label-efficient 3D-to-2D segmentation [4.5206601127476445]
  ラベル効率のよい3D-to-2Dセグメンテーションのための新しい畳み込みニューラルネットワーク(CNN)と自己教師付き学習(SSL)手法を提案する。 異なるデータセットの結果から、提案されたCNNは、ラベル付きデータに制限のあるシナリオにおいて、Diceスコアの最大8%まで、アートの状態を著しく改善することが示された。
  論文  参考訳（メタデータ） (2023-07-06T14:16:25Z)
• Geometry-Aware Attenuation Learning for Sparse-View CBCT Reconstruction [53.93674177236367]
  Cone Beam Computed Tomography (CBCT) は臨床画像撮影において重要な役割を担っている。 従来の方法では、高品質な3D CBCT画像の再構成には数百の2次元X線投影が必要である。 これにより、放射線線量を減らすため、スパースビューCBCT再構成への関心が高まっている。 本稿では,この問題を解決するために,新しい幾何対応エンコーダデコーダフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-03-26T14:38:42Z)
• 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)
• 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 Deep Feature Learning for Brain Tumor Segmentation [158.8192041981564]
  本稿では, マルチモーダルMRIデータから脳腫瘍を抽出するクロスモーダルディープ・フィーチャーラーニング・フレームワークを提案する。 中心となる考え方は、不十分なデータスケールを補うために、マルチモダリティデータにまたがる豊富なパターンをマイニングすることだ。 on the BraTS benchmarks, this proposed cross-modality deep feature learning framework could effective improve the brain tumor segmentation performance。
  論文  参考訳（メタデータ） (2022-01-07T07:46:01Z)
• 3-Dimensional Deep Learning with Spatial Erasing for Unsupervised Anomaly Segmentation in Brain MRI [55.97060983868787]
  我々は,MRIボリュームと空間消去を組み合わせた空間文脈の増大が,教師なしの異常セグメンテーション性能の向上に繋がるかどうかを検討する。 本稿では,2次元変分オートエンコーダ(VAE)と3次元の相違点を比較し,3次元入力消去を提案し,データセットサイズが性能に与える影響を体系的に検討する。 入力消去による最高の3D VAEは、平均DICEスコアが31.40%となり、2D VAEは25.76%となった。
  論文  参考訳（メタデータ） (2021-09-14T09:17:27Z)
• TSGCNet: Discriminative Geometric Feature Learning with Two-Stream GraphConvolutional Network for 3D Dental Model Segmentation [141.2690520327948]
  2流グラフ畳み込みネットワーク(TSGCNet)を提案し、異なる幾何学的特性から多視点情報を学ぶ。 3次元口腔内スキャナーで得られた歯科モデルのリアルタイムデータセットを用いてTSGCNetの評価を行った。
  論文  参考訳（メタデータ） (2020-12-26T08:02:56Z)
• 2.75D: Boosting learning by representing 3D Medical imaging to 2D features for small data [54.223614679807994]
  3D畳み込みニューラルネットワーク(CNN)は、多くのディープラーニングタスクにおいて、2D CNNよりも優れたパフォーマンスを示し始めている。 3D CNNにトランスファー学習を適用することは、パブリックにトレーニング済みの3Dモデルがないために困難である。 本研究では,ボリュームデータの2次元戦略的表現,すなわち2.75Dを提案する。 その結果,2次元CNNネットワークをボリューム情報学習に用いることが可能となった。
  論文  参考訳（メタデータ） (2020-02-11T08:24:19Z)

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。