論文の概要: CPR-GCN: Conditional Partial-Residual Graph Convolutional Network in
Automated Anatomical Labeling of Coronary Arteries
- arxiv url: http://arxiv.org/abs/2003.08560v4
- Date: Sat, 18 Apr 2020 03:07:03 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-22 04:53:52.787969
- Title: CPR-GCN: Conditional Partial-Residual Graph Convolutional Network in
Automated Anatomical Labeling of Coronary Arteries
- Title（参考訳）: CPR-GCN : 冠動脈の解剖学的自動表示における条件付き部分残留グラフ畳み込みネットワーク
- Authors: Han Yang, Xingjian Zhen, Ying Chi, Lei Zhang, and Xian-Sheng Hua
- Abstract要約: 位置とCT画像の両方を考慮した条件付き部分残差グラフ畳み込みネットワーク(CPR-GCN)を提案する。
5倍のクロスバリデーションによると、我々のCPR-GCNは95.8%平均リコール、95.4%平均Precision、0.955平均F1で、最先端のアプローチより優れている。
- 参考スコア（独自算出の注目度）: 34.47036303404335
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Automated anatomical labeling plays a vital role in coronary artery disease
diagnosing procedure. The main challenge in this problem is the large
individual variability inherited in human anatomy. Existing methods usually
rely on the position information and the prior knowledge of the topology of the
coronary artery tree, which may lead to unsatisfactory performance when the
main branches are confusing. Motivated by the wide application of the graph
neural network in structured data, in this paper, we propose a conditional
partial-residual graph convolutional network (CPR-GCN), which takes both
position and CT image into consideration, since CT image contains abundant
information such as branch size and spanning direction. Two majority parts, a
Partial-Residual GCN and a conditions extractor, are included in CPR-GCN. The
conditions extractor is a hybrid model containing the 3D CNN and the LSTM,
which can extract 3D spatial image features along the branches. On the
technical side, the Partial-Residual GCN takes the position features of the
branches, with the 3D spatial image features as conditions, to predict the
label for each branches. While on the mathematical side, our approach twists
the partial differential equation (PDE) into the graph modeling. A dataset with
511 subjects is collected from the clinic and annotated by two experts with a
two-phase annotation process. According to the five-fold cross-validation, our
CPR-GCN yields 95.8% meanRecall, 95.4% meanPrecision and 0.955 meanF1, which
outperforms state-of-the-art approaches.
- Abstract（参考訳）: 冠動脈疾患の診断には自動解剖学的ラベリングが重要な役割を担っている。
この問題の主な課題は、ヒト解剖学で受け継がれた大きな個体変動である。
既存の方法は通常、位置情報と冠状動脈木のトポロジーに関する事前知識に依存しており、主枝が混乱している場合、不十分な性能をもたらす可能性がある。
本稿では, グラフニューラルネットワークの構造化データへの広範な適用を動機として, CT画像は枝の大きさや幅方向などの豊富な情報を含むため, 位置とCT像の両方を考慮した条件付き部分残差グラフ畳み込みネットワーク(CPR-GCN)を提案する。
部分残留GCNと条件抽出器の2つの多数部分がCPR-GCNに含まれる。
条件抽出器は、3次元CNNとLSTMを含むハイブリッドモデルであり、枝に沿って3次元空間像の特徴を抽出することができる。
技術面では、部分残留GCNは、各ブランチのラベルを予測するために、3次元空間像の特徴を条件として、枝の位置特徴を抽出する。
数学的側面において、我々のアプローチは偏微分方程式(PDE)をグラフモデリングにツイストする。
511名の被験者からなるデータセットを診療所から収集し、2段階のアノテーション処理を行う2人の専門家によって注釈付けされる。
5倍のクロスバリデーションによると、我々のCPR-GCNは95.8%平均リコール、95.4%平均Precision、0.955平均F1で、最先端のアプローチより優れている。
関連論文リスト
- 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) - Segmentation of Aortic Vessel Tree in CT Scans with Deep Fully
Convolutional Networks [4.062948258086793]
大動脈疾患の早期発見,診断,予後には,CTスキャンによる大動脈血管木の自動的,正確な分画が不可欠である。
我々は2段階の完全畳み込みネットワーク(FCN)を用いて、複数のセンターからスキャン中のAVTを自動的に分割する。
論文 参考訳（メタデータ） (2023-05-16T22:24:01Z) - Semantic segmentation of surgical hyperspectral images under geometric
domain shifts [69.91792194237212]
本稿では、幾何学的アウト・オブ・ディストリビューション(OOD)データの存在下で、最先端のセマンティックセグメンテーションネットワークを初めて分析する。
有機移植(Organ transplantation)と呼ばれる専用の拡張技術により、一般化可能性にも対処する。
提案手法は,SOA DSCの最大67 % (RGB) と90% (HSI) を改善し,実際のOODテストデータ上での分配内性能と同等の性能を示す。
論文 参考訳（メタデータ） (2023-03-20T09:50:07Z) - Two-Stream Graph Convolutional Network for Intra-oral Scanner Image
Segmentation [133.02190910009384]
本稿では,2ストリームグラフ畳み込みネットワーク(TSGCN)を提案する。
TSGCNは3次元歯(表面)セグメンテーションにおいて最先端の方法よりも優れています。
論文 参考訳（メタデータ） (2022-04-19T10:41:09Z) - 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) - Improving anatomical plausibility in medical image segmentation via
hybrid graph neural networks: applications to chest x-ray analysis [3.3382651833270587]
我々は、画像特徴符号化とグラフ畳み込みニューラルネットワーク(GCNN)の標準畳み込みを利用して、解剖学的構造の可塑性表現を復号するエンコーダデコーダニューラルアーキテクチャであるHybridGNetを紹介する。
新たなイメージ・ツー・グラフ・スキップ接続層により、標準的な畳み込みブロックからGCNNブロックへローカライズされた機能が流れ、セグメンテーションの精度が向上することを示す。
論文 参考訳（メタデータ） (2022-03-21T13:37:23Z) - Symmetry-Enhanced Attention Network for Acute Ischemic Infarct
Segmentation with Non-Contrast CT Images [50.55978219682419]
急性虚血性梗塞セグメンテーションのための対称性増強型注意ネットワーク(SEAN)を提案する。
提案するネットワークは、入力されたCT画像を、脳組織が左右対称な標準空間に自動的に変換する。
提案したSEANは、ダイス係数と梗塞局所化の両方の観点から、対称性に基づく最先端の手法より優れている。
論文 参考訳（メタデータ） (2021-10-11T07:13:26Z) - PSGR: Pixel-wise Sparse Graph Reasoning for COVID-19 Pneumonia
Segmentation in CT Images [83.26057031236965]
画像中の新型コロナウイルス感染領域セグメンテーションの長距離依存性のモデリングを強化するために,PSGRモジュールを提案する。
PSGRモジュールは不正確なピクセルからノードへの投影を回避し、グローバルな推論のために各ピクセル固有の情報を保存する。
このソリューションは、3つの公開データセット上の4つの広く使われているセグメンテーションモデルに対して評価されている。
論文 参考訳（メタデータ） (2021-08-09T04:58:23Z) - An Uncertainty-Driven GCN Refinement Strategy for Organ Segmentation [53.425900196763756]
本研究では,不確実性解析とグラフ畳み込みネットワークに基づくセグメンテーション改善手法を提案する。
半教師付きグラフ学習問題を定式化するために、特定の入力ボリュームにおける畳み込みネットワークの不確実性レベルを用いる。
本手法は膵臓で1%,脾臓で2%向上し,最先端のCRF改善法よりも優れていた。
論文 参考訳（メタデータ） (2020-12-06T18:55:07Z) - Gastric histopathology image segmentation using a hierarchical
conditional random field [16.920864110707747]
新たな条件付ランダムフィールド(HCRF)に基づく胃組織像(GHIS)法を提案する。
HCRFモデルは高いセグメンテーション性能を示し、GHIS分野におけるその有効性と将来の可能性を示す。
論文 参考訳（メタデータ） (2020-03-03T02:44:31Z)
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。