Fugu-MT 論文翻訳(概要): Microvasculature Segmentation and Inter-capillary Area Quantification of the Deep Vascular Complex using Transfer Learning

論文の概要: Microvasculature Segmentation and Inter-capillary Area Quantification of the Deep Vascular Complex using Transfer Learning

arxiv url: http://arxiv.org/abs/2003.09033v1
Date: Thu, 19 Mar 2020 22:27:02 GMT
ステータス: 処理完了
システム内更新日: 2022-12-22 04:05:20.140068
Title: Microvasculature Segmentation and Inter-capillary Area Quantification of the Deep Vascular Complex using Transfer Learning
Title（参考訳）: トランスファーラーニングを用いた深部血管複合体の微小血管分割と毛細血管間領域定量
Authors: Julian Lo (1), Morgan Heisler (1), Vinicius Vanzan (2), Sonja Karst (2 and 3), Ivana Zadro Matovinovic (4), Sven Loncaric (4), Eduardo V. Navajas (2), Mirza Faisal Beg (1), Marinko V. Sarunic (1) ((1) School of Engineering Science, Simon Fraser University, Canada, (2) Department of Ophthalmology and Visual Sciences, University of British Columbia, Canada, (3) Department of Ophthalmology and Optometry, Medical University of Vienna, Austria, (4) Faculty of Electrical Engineering and Computing, University of Zagreb, Croatia)
Abstract要約: 畳み込みニューラルネットワーク(CNN)を用いて表面表層血管複合体と深部血管叢の正確なセグメンテーションを定量的に検討した。異なる OCT システムを用いて取得した SCP の小さい FOV から 76 個の画像で訓練した CNN からの移動学習を応用した。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: Purpose: Optical Coherence Tomography Angiography (OCT-A) permits visualization of the changes to the retinal circulation due to diabetic retinopathy (DR), a microvascular complication of diabetes. We demonstrate accurate segmentation of the vascular morphology for the superficial capillary plexus and deep vascular complex (SCP and DVC) using a convolutional neural network (CNN) for quantitative analysis. Methods: Retinal OCT-A with a 6x6mm field of view (FOV) were acquired using a Zeiss PlexElite. Multiple-volume acquisition and averaging enhanced the vessel network contrast used for training the CNN. We used transfer learning from a CNN trained on 76 images from smaller FOVs of the SCP acquired using different OCT systems. Quantitative analysis of perfusion was performed on the automated vessel segmentations in representative patients with DR. Results: The automated segmentations of the OCT-A images maintained the hierarchical branching and lobular morphologies of the SCP and DVC, respectively. The network segmented the SCP with an accuracy of 0.8599, and a Dice index of 0.8618. For the DVC, the accuracy was 0.7986, and the Dice index was 0.8139. The inter-rater comparisons for the SCP had an accuracy and Dice index of 0.8300 and 0.6700, respectively, and 0.6874 and 0.7416 for the DVC. Conclusions: Transfer learning reduces the amount of manually-annotated images required, while producing high quality automatic segmentations of the SCP and DVC. Using high quality training data preserves the characteristic appearance of the capillary networks in each layer. Translational Relevance: Accurate retinal microvasculature segmentation with the CNN results in improved perfusion analysis in diabetic retinopathy.
Abstract（参考訳）: 目的: optic coherence tomography angiography (oct-a) は糖尿病の微小血管合併症である糖尿病網膜症(dr)による網膜循環の変化の可視化を可能にする。表在性毛細血管叢および深部血管複合体(SCP, DVC)に対する, 畳み込みニューラルネットワーク(CNN)による定量的解析により, 血管形態の正確なセグメンテーションを実証した。方法: zeiss plexeliteを用いて6×6mm視野(fov)の網膜oct-aを得た。多量獲得と平均化により、cnnの訓練に使用される血管網のコントラストが向上した。異なる OCT システムを用いて取得した SCP の小さい FOV から 76 個の画像で訓練した CNN からの移動学習を用いた。結果: OCT-A画像の自動分画はSCPおよびDVCの階層的分岐と葉状形態をそれぞれ維持した。ネットワークはSCPを0.8599、Dice indexは0.8618で分割した。 dvcの精度は 0.7986 であり, dice 指数は 0.8139 であった。 scpのレート間比較では、それぞれ0.8300と0.6700で、dvcでは 0.6874 と 0.7416 であった。結論: 転送学習は,SCPとDVCの高品質な自動セグメンテーションを生成しながら,手動で注釈付けした画像の量を減少させる。高品質なトレーニングデータを使用することで、各層におけるキャピラリーネットワークの特徴的外観が保たれる。翻訳関連性:CNNによる正確な網膜微小血管分画は糖尿病網膜症における灌流解析の改善をもたらす。

関連論文リスト

KaLDeX: Kalman Filter based Linear Deformable Cross Attention for Retina Vessel Segmentation [46.57880203321858]
カルマンフィルタを用いた線形変形型クロスアテンション(LDCA)モジュールを用いた血管セグメンテーションのための新しいネットワーク(KaLDeX)を提案する。我々のアプローチは、カルマンフィルタ(KF)ベースの線形変形可能な畳み込み(LD)とクロスアテンション(CA)モジュールの2つの重要なコンポーネントに基づいている。提案手法は,網膜基底画像データセット(DRIVE,CHASE_BD1,STARE)とOCTA-500データセットの3mm,6mmを用いて評価した。
論文参考訳（メタデータ） (2024-10-28T16:00:42Z)
Multi-Layer Feature Fusion with Cross-Channel Attention-Based U-Net for Kidney Tumor Segmentation [0.0]
U-Netベースのディープラーニング技術は、自動化された医用画像セグメンテーションのための有望なアプローチとして登場しつつある。腎腫瘍の診断のためのCTスキャン画像のエンドツーエンド自動セマンティックセマンティックセグメンテーションのための改良されたU-Netモデルを提案する。
論文参考訳（メタデータ） (2024-10-20T19:02:41Z)
OCTolyzer: Fully automatic analysis toolkit for segmentation and feature extracting in optical coherence tomography (OCT) and scanning laser ophthalmoscopy (SLO) data [3.8485899972356337]
OCTolyzerは光学コヒーレンストモグラフィー(OCT)および走査型レーザー眼鏡(SLO)画像における網膜脈絡膜解析のためのオープンソースツールキットである。
論文参考訳（メタデータ） (2024-07-19T08:56:12Z)
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)
Automatic Segmentation of the Kidneys and Cystic Renal Lesions on Non-Contrast CT Using a Convolutional Neural Network [0.1398098625978622]
従来の自動セグメンテーションモデルでは、非コントラストCT画像がほとんど無視されていた。この研究は、非コントラストCTスキャンから腎臓と嚢胞性腎病変(CRL)を分離するために、ディープラーニング(DL)モデルを実装し、訓練することを目的としている。
論文参考訳（メタデータ） (2024-05-14T02:34:56Z)
Kidney and Kidney Tumour Segmentation in CT Images [0.0]
本研究は,造影CT画像における腎および腎腫瘍の自動分画法の開発に焦点をあてる。 3D U-Netセグメンテーションモデルを開発した。試験では、腎臓のDiceスコアが0.8034、腎臓のDiceスコアが0.4713、平均のDiceスコアが0.6374であった。
論文参考訳（メタデータ） (2022-12-26T08:08:44Z)
Affinity Feature Strengthening for Accurate, Complete and Robust Vessel Segmentation [48.638327652506284]
血管セグメンテーションは、冠動脈狭窄、網膜血管疾患、脳動脈瘤などの多くの医学的応用において重要である。コントラストに敏感なマルチスケールアフィニティアプローチを用いて,幾何学的手法と画素単位のセグメンテーション特徴を連成的にモデル化する新しいアプローチであるAFNを提案する。
論文参考訳（メタデータ） (2022-11-12T05:39:17Z)
Data-Efficient Vision Transformers for Multi-Label Disease Classification on Chest Radiographs [55.78588835407174]
視覚変換器(ViT)は一般的な画像の分類性能が高いにもかかわらず、このタスクには適用されていない。 ViTは、畳み込みではなくパッチベースの自己アテンションに依存しており、CNNとは対照的に、ローカル接続に関する事前の知識は存在しない。以上の結果から,ViTとCNNのパフォーマンスはViTの利点に匹敵するものの,DeiTsはトレーニング用に適度に大規模なデータセットが利用可能であれば,前者よりも優れることがわかった。
論文参考訳（メタデータ） (2022-08-17T09:07:45Z)
3D Structural Analysis of the Optic Nerve Head to Robustly Discriminate Between Papilledema and Optic Disc Drusen [44.754910718620295]
我々は3次元光コヒーレンストモグラフィー(OCT)スキャンで視神経頭部(ONH)の組織構造を同定する深層学習アルゴリズムを開発した。 1: ODD, 2: papilledema, 3: healthy) の分類を150 OCTボリュームで行うように設計した。われわれのAIアプローチは,1本のCTスキャンを用いて,パピレデマからODDを正確に識別する。
論文参考訳（メタデータ） (2021-12-18T17:05:53Z)
Multi-Task Neural Networks with Spatial Activation for Retinal Vessel Segmentation and Artery/Vein Classification [49.64863177155927]
本稿では,網膜血管,動脈,静脈を同時に分割する空間活性化機構を備えたマルチタスクディープニューラルネットワークを提案する。提案するネットワークは,容器分割における画素ワイド精度95.70%,A/V分類精度94.50%を実現している。
論文参考訳（メタデータ） (2020-07-18T05:46:47Z)
Automated segmentation of retinal fluid volumes from structural and angiographic optical coherence tomography using deep learning [2.041049231600541]
我々は,光コヒーレンストモグラフィー(OCT)ボリュームで網膜液を分画するための,網膜流体ネットワーク(ReF-Net)と呼ばれる深部畳み込みニューラルネットワーク(CNN)を提案した。 ReF-Netの訓練と試験には断面CTと血管造影(OCTA)スキャンが用いられた。 ReF-Netは網膜液分画において高い精度(F1 = 0.864 +/-0.084)を示す。
論文参考訳（メタデータ） (2020-06-03T22:55:47Z)

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。