論文の概要: Deep Learning in Medical Ultrasound Image Segmentation: a Review

• arxiv url: http://arxiv.org/abs/2002.07703v3
• Date: Fri, 5 Mar 2021 00:05:17 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-30 19:07:17.348835
• Title: Deep Learning in Medical Ultrasound Image Segmentation: a Review
• Title（参考訳）: 医用超音波画像分割における深層学習
• Authors: Ziyang Wang
• Abstract要約: これは、ヒトの組織を3Dで再構成するなど、臨床診断のための信頼性の高い基盤を提供するための重要なステップである。 深層学習に基づく超音波画像セグメンテーション法は,6つの主要群に分類される。 最後に,医療用超音波画像セグメンテーションの課題と今後の研究の方向性について論じる。
• 参考スコア（独自算出の注目度）: 9.992387025633805
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Applying machine learning technologies, especially deep learning, into medical image segmentation is being widely studied because of its state-of-the-art performance and results. It can be a key step to provide a reliable basis for clinical diagnosis, such as 3D reconstruction of human tissues, image-guided interventions, image analyzing and visualization. In this review article, deep-learning-based methods for ultrasound image segmentation are categorized into six main groups according to their architectures and training at first. Secondly, for each group, several current representative algorithms are selected, introduced, analyzed and summarized in detail. In addition, common evaluation methods for image segmentation and ultrasound image segmentation datasets are summarized. Further, the performance of the current methods and their evaluations are reviewed. In the end, the challenges and potential research directions for medical ultrasound image segmentation are discussed.
• Abstract（参考訳）: 機械学習技術、特にディープラーニングを医療画像セグメンテーションに適用することは、最先端のパフォーマンスと結果から広く研究されている。 これは、ヒト組織の3d再構築、画像誘導介入、画像解析、可視化など、臨床診断の信頼できる基盤を提供するための重要なステップである。 本稿では, 超音波画像分割のための深層学習に基づく手法を, そのアーキテクチャとトレーニングに基づいて6つのグループに分類する。 次に、各グループに対して、いくつかの現在の代表アルゴリズムを選択し、導入し、分析し、詳細を要約する。 さらに,画像分割と超音波画像分割データセットの共通評価手法について述べる。 さらに、現在の手法の性能とその評価について検討する。 最後に,医療用超音波画像セグメンテーションの課題と今後の研究の方向性について論じる。

関連論文リスト

• Biomedical Image Segmentation: A Systematic Literature Review of Deep Learning Based Object Detection Methods [1.0043008463279772]
  深層学習に基づく物体検出法は、バイオメディカルイメージセグメンテーションに一般的に用いられている。 既存の調査では、標準化されたアプローチやより広範なセグメンテーション技術に重点を置いていないことが多い。 これらの手法を批判的に分析し,課題を特定し,今後の方向性について考察した。 このSLRは、研究コミュニティにこれらのセグメンテーションモデルについて素早く深く理解することを目的としています。
  論文  参考訳（メタデータ） (2024-08-06T18:38:55Z)
• MIST: A Simple and Scalable End-To-End 3D Medical Imaging Segmentation Framework [1.1608974088441382]
  医用イメージングツールキット(MIST)は、深層学習に基づく医用イメージングセグメンテーション手法の一貫性のあるトレーニング、テスト、評価を容易にするように設計されている。 MISTはデータ分析、前処理、評価パイプラインを標準化し、複数のアーキテクチャと損失関数を収容する。
  論文  参考訳（メタデータ） (2024-07-31T05:17:31Z)
• Content-Based Image Retrieval for Multi-Class Volumetric Radiology Images: A Benchmark Study [0.6249768559720122]
  非医用画像上の事前訓練された教師なしモデルからの埋め込みに対して、医用画像上の事前訓練された教師なしモデルからの埋め込みをベンチマークした。 ボリューム画像の検索には,テキストマッチングにインスパイアされた遅延インタラクションのランク付け手法を採用する。
  論文  参考訳（メタデータ） (2024-05-15T13:34:07Z)
• 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)
• Semantic segmentation of multispectral photoacoustic images using deep learning [53.65837038435433]
  光音響イメージングは医療に革命をもたらす可能性がある。 この技術の臨床的翻訳には、高次元取得したデータを臨床的に関連性があり解釈可能な情報に変換する必要がある。 本稿では,多スペクトル光音響画像のセマンティックセグメンテーションに対する深層学習に基づくアプローチを提案する。
  論文  参考訳（メタデータ） (2021-05-20T09:33:55Z)
• Explaining Clinical Decision Support Systems in Medical Imaging using Cycle-Consistent Activation Maximization [112.2628296775395]
  ディープニューラルネットワークを用いた臨床意思決定支援は、着実に関心が高まりつつあるトピックとなっている。 臨床医は、その根底にある意思決定プロセスが不透明で理解しにくいため、この技術の採用をためらうことが多い。 そこで我々は,より小さなデータセットであっても,分類器決定の高品質な可視化を生成するCycleGANアクティベーションに基づく,新たな意思決定手法を提案する。
  論文  参考訳（メタデータ） (2020-10-09T14:39:27Z)
• Pathological Retinal Region Segmentation From OCT Images Using Geometric Relation Based Augmentation [84.7571086566595]
  本稿では,幾何学と形状の内在的関係を共同で符号化することで,従来のGANベースの医用画像合成法よりも優れた手法を提案する。 提案手法は,取得手順の異なる画像を有する公開RETOUCHデータセット上で,最先端のセグメンテーション手法より優れている。
  論文  参考訳（メタデータ） (2020-03-31T11:50:43Z)
• Robust Medical Instrument Segmentation Challenge 2019 [56.148440125599905]
  腹腔鏡装置の術中追跡は、しばしばコンピュータとロボットによる介入の必要条件である。 本研究の課題は,30の手術症例から取得した10,040枚の注釈画像からなる外科的データセットに基づいていた。 結果は、初期仮説、すなわち、アルゴリズムの性能がドメインギャップの増大とともに低下することを確認する。
  論文  参考訳（メタデータ） (2020-03-23T14:35:08Z)
• 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)
• Deep Semantic Segmentation of Natural and Medical Images: A Review [17.620924936500725]
  セマンティックイメージセグメンテーションタスクは、画像の各ピクセルをインスタンスに分類し、各インスタンスがクラスに対応する。 医用画像分析領域において、画像分割は、画像誘導的介入、放射線治療、または改善された放射線診断に使用できる。 本稿では,深層学習に基づく医用・非医療用イメージセグメンテーションソリューションを,深層アーキテクチャ,データ合成,損失関数に基づくシーケンスモデル,弱教師付き手法,マルチタスク方式の6つの主要なグループに分類する。
  論文  参考訳（メタデータ） (2019-10-16T06:35:50Z)

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。