論文の概要: Kidney segmentation using 3D U-Net localized with Expectation Maximization

• arxiv url: http://arxiv.org/abs/2003.09075v1
• Date: Fri, 20 Mar 2020 02:38:32 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-21 22:27:02.394567
• Title: Kidney segmentation using 3D U-Net localized with Expectation Maximization
• Title（参考訳）: 期待最大化を伴う3次元u-netを用いた腎分画
• Authors: Omid Bazgir, Kai Barck, Richard A.D. Carano, Robby M. Weimer, Luke Xie
• Abstract要約: 畳み込みニューラルネットワークは、大きなバイオメディカルな3D画像から臓器を分割するために使われてきた。 本稿では,3次元MRIのセグメンテーションにおける課題に対処する新しい枠組みを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Kidney volume is greatly affected in several renal diseases. Precise and automatic segmentation of the kidney can help determine kidney size and evaluate renal function. Fully convolutional neural networks have been used to segment organs from large biomedical 3D images. While these networks demonstrate state-of-the-art segmentation performances, they do not immediately translate to small foreground objects, small sample sizes, and anisotropic resolution in MRI datasets. In this paper we propose a new framework to address some of the challenges for segmenting 3D MRI. These methods were implemented on preclinical MRI for segmenting kidneys in an animal model of lupus nephritis. Our implementation strategy is twofold: 1) to utilize additional MRI diffusion images to detect the general kidney area, and 2) to reduce the 3D U-Net kernels to handle small sample sizes. Using this approach, a Dice similarity coefficient of 0.88 was achieved with a limited dataset of n=196. This segmentation strategy with careful optimization can be applied to various renal injuries or other organ systems.
• Abstract（参考訳）: 腎臓の体積はいくつかの腎疾患に大きな影響を及ぼす。 腎臓の精密かつ自動セグメンテーションは、腎臓の大きさを決定し、腎機能を評価するのに役立つ。 完全な畳み込みニューラルネットワークは、臓器を大きな生体医学的3d画像から切り離すのに使われてきた。 これらのネットワークは最先端のセグメンテーション性能を示すが、MRIデータセットの小さな前景オブジェクト、小さなサンプルサイズ、異方性分解能に即座に変換するわけではない。 本稿では,3次元MRIのセグメント化における課題に対処する新しい枠組みを提案する。 これらの手法はループス腎炎動物モデルにおける腎分画のための術前mriを用いて実施した。 実装戦略は2つあります 1)mri拡散画像を追加して一般腎臓領域を検出すること、及び 2)小さなサンプルサイズを扱う3d u-netカーネルを減らす。 このアプローチを用いて、0.88のDice類似度係数をn=196の限られたデータセットで達成した。 注意深い最適化を伴うこのセグメンテーション戦略は、様々な腎障害または他の臓器系に適用することができる。

関連論文リスト

• Leveraging Frequency Domain Learning in 3D Vessel Segmentation [50.54833091336862]
  本研究では,Fourier領域学習を3次元階層分割モデルにおけるマルチスケール畳み込みカーネルの代用として活用する。 管状血管分割作業において,新しいネットワークは顕著なサイス性能(ASACA500が84.37%,ImageCASが80.32%)を示した。
  論文  参考訳（メタデータ） (2024-01-11T19:07:58Z)
• Multi-scale Multi-site Renal Microvascular Structures Segmentation for Whole Slide Imaging in Renal Pathology [4.743463035587953]
  Omni-Segは,マルチサイト,マルチスケールのトレーニングデータを活用する新しい動的ネットワーク手法である。 我々は、HuBMAPとNEPTUNEという2つのデータセットの画像を用いて、特異なディープネットワークを訓練する。 提案手法は,腎微小血管構造の定量的解析のための強力な計算ツールを腎病理医に提供する。
  論文  参考訳（メタデータ） (2023-08-10T16:26:03Z)
• MEDIMP: 3D Medical Images with clinical Prompts from limited tabular data for renal transplantation [4.377239465814404]
  腎移植における動的造影MRI(Dynamic Contrast-Enhanced Magnetic Resonance Imaging, DCE MRI)の有意義なマルチモーダル表現の学習モデルであるMEDIMPを提案する。 本稿では,Large Language Models (LLMs) から自動テキストデータ拡張を用いて医療用プロンプトを生成するフレームワークを提案する。 本研究の目的は,移植後2,3,4年後の腎移植DCE MRIの有意義な表現を学習し,最も効率のよいマルチモーダルデータを十分に活用することである。
  論文  参考訳（メタデータ） (2023-03-22T10:30:43Z)
• Boundary-Aware Network for Kidney Parsing [18.75582522299797]
  血管造影(CTA)スキャンで腎臓を分節する境界認識ネットワーク(BA-Net)を提案する。 モデルは共有エンコーダ、境界デコーダ、セグメンテーションデコーダを含む。 その結果,BA-Netの有効性が示された。
  論文  参考訳（メタデータ） (2022-08-29T02:19:30Z)
• CANet: Channel Extending and Axial Attention Catching Network for Multi-structure Kidney Segmentation [0.9115927248875568]
  マルチ構造腎セグメンテーションのためのチャネル延長および軸方向注意捕捉ネットワーク(CANet)を提案する。 腎, 腫瘍, 動脈, 静脈の95.8%, 89.1%, 87.5%, 84.9%のダイススコアを得た。
  論文  参考訳（メタデータ） (2022-08-10T09:49:19Z)
• CNN-based fully automatic wrist cartilage volume quantification in MR Image [55.41644538483948]
  追加の注意層を持つU-net畳み込みニューラルネットワークは、最高の手首軟骨分割性能を提供する。 非MRI法を用いて軟骨体積測定の誤差を独立に評価すべきである。
  論文  参考訳（メタデータ） (2022-06-22T14:19:06Z)
• A unified 3D framework for Organs at Risk Localization and Segmentation for Radiation Therapy Planning [56.52933974838905]
  現在の医療ワークフローは、OAR(Organs-at-risk)のマニュアル記述を必要とする 本研究は,OARローカライゼーション・セグメンテーションのための統合された3Dパイプラインの導入を目的とする。 提案手法は医用画像に固有の3Dコンテキスト情報の活用を可能にする。
  論文  参考訳（メタデータ） (2022-03-01T17:08:41Z)
• Learning Hybrid Representations for Automatic 3D Vessel Centerline Extraction [57.74609918453932]
  3次元医用画像からの血管の自動抽出は血管疾患の診断に不可欠である。 既存の方法では、3次元画像からそのような細い管状構造を分割する際に、抽出された容器の不連続に悩まされることがある。 抽出された船舶の連続性を維持するためには、地球的幾何学を考慮に入れる必要があると論じる。 この課題を解決するためのハイブリッド表現学習手法を提案します。
  論文  参考訳（メタデータ） (2020-12-14T05:22:49Z)
• Volumetric Medical Image Segmentation: A 3D Deep Coarse-to-fine Framework and Its Adversarial Examples [74.92488215859991]
  本稿では,これらの課題に効果的に取り組むために,新しい3Dベースの粗粒度フレームワークを提案する。 提案した3Dベースのフレームワークは、3つの軸すべてに沿ってリッチな空間情報を活用できるため、2Dよりも大きなマージンで優れている。 我々は,3つのデータセット,NIH膵データセット,JHMI膵データセット,JHMI病理嚢胞データセットについて実験を行った。
  論文  参考訳（メタデータ） (2020-10-29T15:39:19Z)
• Rethinking the Extraction and Interaction of Multi-Scale Features for Vessel Segmentation [53.187152856583396]
  網膜血管と主要動脈を2次元基底画像と3次元CTアンギオグラフィー(CTA)スキャンで分割する,PC-Netと呼ばれる新しいディープラーニングモデルを提案する。 PC-Netでは、ピラミッド圧縮励起(PSE)モジュールが各畳み込みブロックに空間情報を導入し、より効果的なマルチスケール特徴を抽出する能力を高めている。
  論文  参考訳（メタデータ） (2020-10-09T08:22:54Z)
• Multi-Scale Supervised 3D U-Net for Kidneys and Kidney Tumor Segmentation [0.8397730500554047]
  腎腫瘍と腎腫瘍をCT画像から自動的に分離するマルチスケール3D U-Net(MSS U-Net)を提案する。 我々のアーキテクチャは、3次元U-Netトレーニング効率を高めるために、深い監視と指数対数損失を組み合わせる。 このアーキテクチャは、KiTS19パブリックデータセットのデータを使用した最先端の作業と比較して、優れたパフォーマンスを示している。
  論文  参考訳（メタデータ） (2020-04-17T08:25:43Z)

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。