Fugu-MT 論文翻訳(概要): Automatic segmentation of spinal multiple sclerosis lesions: How to generalize across MRI contrasts?

論文の概要: Automatic segmentation of spinal multiple sclerosis lesions: How to generalize across MRI contrasts?

arxiv url: http://arxiv.org/abs/2003.04377v3
Date: Wed, 3 Jun 2020 18:33:24 GMT
ステータス: 処理完了
システム内更新日: 2022-12-25 08:41:54.988564
Title: Automatic segmentation of spinal multiple sclerosis lesions: How to generalize across MRI contrasts?
Title（参考訳）: 脊髄多発性硬化症病変の自動分節法 : MRIのコントラストをどう一般化するか
Authors: Olivier Vincent, Charley Gros, Joseph Paul Cohen, Julien Cohen-Adad
Abstract要約: セグメンテーションモデルにおける物理知識を活用するために,特徴量線形変調を実装した。最適化されたU-Netは、マルチコントラストデータセット上でのFiLMed-Unetと同じパフォーマンスに達した。
参考スコア（独自算出の注目度）: 4.478789600295492
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Despite recent improvements in medical image segmentation, the ability to generalize across imaging contrasts remains an open issue. To tackle this challenge, we implement Feature-wise Linear Modulation (FiLM) to leverage physics knowledge within the segmentation model and learn the characteristics of each contrast. Interestingly, a well-optimised U-Net reached the same performance as our FiLMed-Unet on a multi-contrast dataset (0.72 of Dice score), which suggests that there is a bottleneck in spinal MS lesion segmentation different from the generalization across varying contrasts. This bottleneck likely stems from inter-rater variability, which is estimated at 0.61 of Dice score in our dataset.
Abstract（参考訳）: 近年の医用画像セグメンテーションの改善にもかかわらず、画像コントラストをまたいで一般化する能力は未解決のままである。この課題に対処するため、我々は特徴量線形変調(FiLM)を実装し、セグメント化モデル内の物理知識を活用し、各コントラストの特性を学習する。興味深いことに、高度に最適化されたu-netは、マルチコントラストデータセット (diceスコア0.72) 上で撮影されたものと同等の性能に達しており、異なるコントラストの一般化とは異なる脊髄ms病変のセグメンテーションにボトルネックがあることを示唆している。このボトルネックは、我々のデータセットのDiceスコアの0.61と推定される、ラター間変動に起因する可能性が高い。

関連論文リスト

TotalSegmentator MRI: Sequence-Independent Segmentation of 59 Anatomical Structures in MR images [62.53931644063323]
本研究では,TotalSegmentatorをMR画像に拡張した。このデータセットに基づいてnnU-Netセグメンテーションアルゴリズムを訓練し、類似度係数(Dice)を計算し、モデルの性能を評価した。このモデルは、他の2つの公開セグメンテーションモデル(Dice score 0.824 vs 0.762; p0.001 and 0.762 versus 0.542; p)を大きく上回った。
論文参考訳（メタデータ） (2024-05-29T20:15:54Z)
Dual-scale Enhanced and Cross-generative Consistency Learning for Semi-supervised Medical Image Segmentation [49.57907601086494]
医用画像のセグメンテーションはコンピュータ支援診断において重要な役割を担っている。半教師型医用画像(DEC-Seg)のための新しいDual-scale Enhanced and Cross-generative consistency learning frameworkを提案する。
論文参考訳（メタデータ） (2023-12-26T12:56:31Z)
Towards an accurate and generalizable multiple sclerosis lesion segmentation model using self-ensembled lesion fusion [4.024932070294212]
そこで我々は,よく知られたU-Netアーキテクチャを用いて,精度よく一般化可能なMS病変分割モデルを構築した。新たな自己アンサンブル型病変融合戦略が提案され, 最高の性能を達成できただけでなく, 様々な自己アンサンブルパラメータの選択に対して頑健性を示した。
論文参考訳（メタデータ） (2023-12-03T17:08:10Z)
Towards contrast-agnostic soft segmentation of the spinal cord [0.27029650498548424]
本稿では,脊髄のソフトセグメンテーションを生成する深層学習法を提案する。我々のモデルは、目に見えないデータセット、ベンダー、コントラスト、病理の最先端の手法よりも良く一般化する。
論文参考訳（メタデータ） (2023-10-23T23:15:28Z)
AMIGO: Sparse Multi-Modal Graph Transformer with Shared-Context Processing for Representation Learning of Giga-pixel Images [53.29794593104923]
本稿では,スライド病理像全体に対する共有コンテキスト処理の新たな概念を提案する。 AMIGOは、組織内のセルラーグラフを使用して、患者に単一の表現を提供する。我々のモデルは、データの20%以下で同じ性能を達成できる程度に、欠落した情報に対して強い堅牢性を示す。
論文参考訳（メタデータ） (2023-03-01T23:37:45Z)
Rethinking Semi-Supervised Medical Image Segmentation: A Variance-Reduction Perspective [51.70661197256033]
医用画像セグメンテーションのための階層化グループ理論を用いた半教師付きコントラスト学習フレームワークARCOを提案する。まず、分散還元推定の概念を用いてARCOを構築することを提案し、特定の分散還元技術が画素/ボクセルレベルのセグメンテーションタスクにおいて特に有用であることを示す。 5つの2D/3D医療データセットと3つのセマンティックセグメンテーションデータセットのラベル設定が異なる8つのベンチマークで、我々のアプローチを実験的に検証する。
論文参考訳（メタデータ） (2023-02-03T13:50:25Z)
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)
Variational Inference for Quantifying Inter-observer Variability in Segmentation of Anatomical Structures [12.138198227748353]
ほとんどのセグメンテーション法は、単純にイメージからその単一セグメンテーションマップへのマッピングをモデル化し、アノテータの不一致を考慮に入れない。特定のMR画像から得られる可視分割写像の分布をモデル化する新しい変分推論フレームワークを提案する。
論文参考訳（メタデータ） (2022-01-18T16:33:33Z)
Segmentation-Renormalized Deep Feature Modulation for Unpaired Image Harmonization [0.43012765978447565]
サイクル一貫性のある生成共役ネットワークは、ソースとターゲットドメイン間のイメージセットの調和に使われてきた。これらの手法は、不安定性、コントラストの逆転、病理の難治性操作、および実際の医用画像における信頼性を制限したステガノグラフィーマッピングの傾向が強い。解剖学的レイアウトを維持しながらスキャナ間の調和を低減するセグメンテーション正規化画像翻訳フレームワークを提案する。
論文参考訳（メタデータ） (2021-02-11T23:53:51Z)
DONet: Dual Objective Networks for Skin Lesion Segmentation [77.9806410198298]
本稿では,皮膚病変のセグメンテーションを改善するために,Dual Objective Networks (DONet) という,シンプルで効果的なフレームワークを提案する。我々のDONetは2つの対称デコーダを採用し、異なる目標に近づくための異なる予測を生成する。皮膚内視鏡画像における多種多様な病変のスケールと形状の課題に対処するために,再帰的コンテキスト符号化モジュール(RCEM)を提案する。
論文参考訳（メタデータ） (2020-08-19T06:02:46Z)
Bone Segmentation in Contrast Enhanced Whole-Body Computed Tomography [2.752817022620644]
本稿では,低線量造影による全身CTスキャンから骨骨髄領域を分離する新しい前処理技術を用いたU-netアーキテクチャについて概説する。骨とコントラスト染料の差別化には, 適切な前処理が重要であること, 限られたデータで優れた結果が得られることを実証した。
論文参考訳（メタデータ） (2020-08-12T10:48:38Z)

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。