論文の概要: MCMC Guided CNN Training and Segmentation for Pancreas Extraction

• arxiv url: http://arxiv.org/abs/2003.03938v1
• Date: Mon, 9 Mar 2020 06:27:08 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-25 09:02:22.881047
• Title: MCMC Guided CNN Training and Segmentation for Pancreas Extraction
• Title（参考訳）: 膵臓抽出のためのmcmc誘導cnn訓練とセグメンテーション
• Authors: Jinchan He, Xiaxia Yu, Chudong Cai, Yi Gao
• Abstract要約: 膵臓は、形状、大きさ、位置の解剖学的多様性が高い。 提案手法は,Markov Chain Monte Carlo (MCMC) サンプリング誘導畳み込みニューラルネットワーク (CNN) を用いた。 本法は, 腹部造影CT82巻を含むNIH膵データセットを用いて評価した。
• 参考スコア（独自算出の注目度）: 13.264181188509266
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Efficient organ segmentation is the precondition of various quantitative analysis. Segmenting the pancreas from abdominal CT images is a challenging task because of its high anatomical variability in shape, size and location. What's more, the pancreas only occupies a small portion in abdomen, and the organ border is very fuzzy. All these factors make the segmentation methods of other organs less suitable for the pancreas segmentation. In this report, we propose a Markov Chain Monte Carlo (MCMC) sampling guided convolutional neural network (CNN) approach, in order to handle such difficulties in morphological and photometric variabilities. Specifically, the proposed method mainly contains three steps: First, registration is carried out to mitigate the body weight and location variability. Then, an MCMC sampling is employed to guide the sampling of 3D patches, which are fed to the CNN for training. At the same time, the pancreas distribution is also learned for the subsequent segmentation. Third, sampled from the learned distribution, an MCMC process guides the segmentation process. Lastly, the patches based segmentation is fused using a Bayesian voting scheme. This method is evaluated on the NIH pancreatic datasets which contains 82 abdominal contrast-enhanced CT volumes. Finally, we achieved a competitive result of 78.13% Dice Similarity Coefficient value and 82.65% Recall value in testing data.
• Abstract（参考訳）: 効率的な臓器分割は様々な定量的分析の前提条件である。 腹部CT像から膵を分離することは, 形状, サイズ, 位置の解剖学的多様性が高いため, 課題である。 さらに、膵臓は腹部のごく一部しか占めておらず、臓器の境界は非常に曖昧です。 これらの因子は膵の分節に適さない他の臓器の分節法である。 本稿では,マルコフ連鎖モンテカルロ(MCMC)サンプリング誘導畳み込みニューラルネットワーク(CNN)アプローチを提案する。 具体的には,まず,身体の重量と位置の変動を緩和するために登録を行う。 次に、訓練のためにcnnに供給される3dパッチのサンプリングをガイドするためにmcmcサンプリングを用いる。 同時に、膵臓分布もその後のセグメンテーションで学習される。 第3に、MCMCプロセスは、学習された分布からサンプリングされ、セグメンテーションプロセスのガイドとなる。 最後に、パッチベースのセグメンテーションはベイズ投票方式で融合される。 本法は腹部造影CT82巻を含むNIH膵データセットを用いて評価した。 最後に、テストデータの78.13%のDice similarity Coefficient値と82.65%のリコール値の競合結果を得た。

関連論文リスト

• Weakly-Supervised Detection of Bone Lesions in CT [48.34559062736031]
  骨格領域は乳腺と前立腺に転移性癌が拡がる一般的な部位の1つである。 代用セグメンテーションタスクによりCTボリュームの骨病変を検出するパイプラインを開発した。 不完全および部分的トレーニングデータを用いたにもかかわらず,CTでは96.7%,47.3%の精度で骨病変が検出された。
  論文  参考訳（メタデータ） (2024-01-31T21:05:34Z)
• M3BUNet: Mobile Mean Max UNet for Pancreas Segmentation on CT-Scans [25.636974007788986]
  我々は,M3BUNetを提案する。M3BUNetはMobileNetとU-Netニューラルネットワークの融合で,2段階に分けて膵CT像を段階的に分割する,新しい平均値(MM)アテンションを備える。 細かなセグメンテーションの段階では、ウェーブレット分解フィルタを用いてマルチインプット画像を作成することにより、膵のセグメンテーション性能が向上することがわかった。 提案手法は,最大89.53%のDice similarity Coefficient(DSC)値と最大81.16のIntersection Over Union(IOU)スコアをNIH pancreasデータセットで達成する。
  論文  参考訳（メタデータ） (2024-01-18T23:10:08Z)
• SCPMan: Shape Context and Prior Constrained Multi-scale Attention Network for Pancreatic Segmentation [39.70422146937986]
  本稿では,頑健な膵分断のための形状コンテキストと事前制約を備えたマルチスケールアテンションネットワークを提案する。 我々のアーキテクチャは、ぼやけた境界に対する堅牢なセグメンテーション性能と、スケールと膵の形状の変化を提供する。
  論文  参考訳（メタデータ） (2023-12-26T03:00:25Z)
• Accurate Fine-Grained Segmentation of Human Anatomy in Radiographs via Volumetric Pseudo-Labeling [66.75096111651062]
  我々は,10,021個の胸部CTと157個のラベルの大規模データセットを作成した。 解剖学的擬似ラベル抽出のために3次元解剖分類モデルのアンサンブルを適用した。 得られたセグメンテーションモデルはCXRで顕著な性能を示した。
  論文  参考訳（メタデータ） (2023-06-06T18:01:08Z)
• 3D PETCT Tumor Lesion Segmentation via GCN Refinement [4.929126432666667]
  グラフ畳み込みニューラルネットワーク(GCN)に基づく後処理手法を提案する。 MICCIA2022 autoPET ChallengeにおいてPET/CTデータセットの腫瘍分画実験を行った。 実験結果から, nnUNet-GCNの改良により偽陽性率が効果的に減少することが示唆された。
  論文  参考訳（メタデータ） (2023-02-24T10:52:08Z)
• Efficient liver segmentation with 3D CNN using computed tomography scans [0.0]
  肝腫瘍による肝疾患は、世界で最も一般的な理由の1つである。 多くの画像モダリティは、肝腫瘍を検出するための補助ツールとして使用できる。 腹部CTから肝を検出・分画する効率的な自動肝分画フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-08-28T19:02:39Z)
• Inconsistency-aware Uncertainty Estimation for Semi-supervised Medical Image Segmentation [92.9634065964963]
  我々は、不確実性推定と個別の自己学習戦略に基づいて、新しい半教師付きセグメンテーションモデル、すなわち保守的ラディカルネットワーク(CoraNet)を提案する。 現在の技術と比較すると、ColaNetは優れたパフォーマンスを示しています。
  論文  参考訳（メタデータ） (2021-10-17T08:49:33Z)
• Automatic size and pose homogenization with spatial transformer network to improve and accelerate pediatric segmentation [51.916106055115755]
  空間変換器ネットワーク(STN)を利用することにより、ポーズとスケール不変の新たなCNNアーキテクチャを提案する。 私たちのアーキテクチャは、トレーニング中に一緒に見積もられる3つのシーケンシャルモジュールで構成されています。 腹部CTスキャナーを用いた腎および腎腫瘍の分節法について検討した。
  論文  参考訳（メタデータ） (2021-07-06T14:50:03Z)
• 3D Graph Anatomy Geometry-Integrated Network for Pancreatic Mass Segmentation, Diagnosis, and Quantitative Patient Management [21.788423806147378]
  膵管腺癌(PDAC)と他の9つの非PDAC腫とを多相CT画像で区別する。 患者レベルの診断を行うための総合的セグメンテーション・メシュ分類網(SMCN)を提案する。
  論文  参考訳（メタデータ） (2020-12-08T19:38:01Z)
• Segmentation of the Myocardium on Late-Gadolinium Enhanced MRI based on 2.5 D Residual Squeeze and Excitation Deep Learning Model [55.09533240649176]
  本研究の目的は,LGE-MRIを用いた心筋境界領域の深部学習モデルに基づく正確な自動セグメンテーション法を開発することである。 合計320回の試験(平均6回の試験)と28回の試験が行われた。 ベーススライスとミドルスライスにおけるアンサンブルモデルの性能解析は, サーバ内調査と同等であり, アトピーススライスではわずかに低かった。
  論文  参考訳（メタデータ） (2020-05-27T20:44:38Z)

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。