論文の概要: Crossover-Net: Leveraging the Vertical-Horizontal Crossover Relation for Robust Segmentation

• arxiv url: http://arxiv.org/abs/2004.01397v1
• Date: Fri, 3 Apr 2020 06:49:31 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-17 05:05:02.987315
• Title: Crossover-Net: Leveraging the Vertical-Horizontal Crossover Relation for Robust Segmentation
• Title（参考訳）: クロスオーバーネット:ロバストセグメンテーションのための垂直-水平クロスオーバー関係の活用
• Authors: Qian Yu, Yinghuan Shi, Yefeng Zheng, Yang Gao, Jianbing Zhu, Yakang Dai
• Abstract要約: 医用画像の堅牢なセグメンテーションのために,クロスオーバーネットと呼ばれるエンドツーエンドのトレーニング可能なディープセグメンテーションモデルを提案する。 われわれはCT腎腫瘍, MR心, 胸部X線量分割術について検討した。
• 参考スコア（独自算出の注目度）: 40.77817380921259
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Robust segmentation for non-elongated tissues in medical images is hard to realize due to the large variation of the shape, size, and appearance of these tissues in different patients. In this paper, we present an end-to-end trainable deep segmentation model termed Crossover-Net for robust segmentation in medical images. Our proposed model is inspired by an insightful observation: during segmentation, the representation from the horizontal and vertical directions can provide different local appearance and orthogonality context information, which helps enhance the discrimination between different tissues by simultaneously learning from these two directions. Specifically, by converting the segmentation task to a pixel/voxel-wise prediction problem, firstly, we originally propose a cross-shaped patch, namely crossover-patch, which consists of a pair of (orthogonal and overlapped) vertical and horizontal patches, to capture the orthogonal vertical and horizontal relation. Then, we develop the Crossover-Net to learn the vertical-horizontal crossover relation captured by our crossover-patches. To achieve this goal, for learning the representation on a typical crossover-patch, we design a novel loss function to (1) impose the consistency on the overlap region of the vertical and horizontal patches and (2) preserve the diversity on their non-overlap regions. We have extensively evaluated our method on CT kidney tumor, MR cardiac, and X-ray breast mass segmentation tasks. Promising results are achieved according to our extensive evaluation and comparison with the state-of-the-art segmentation models.
• Abstract（参考訳）: 医療画像中の非伸長組織に対するロバストなセグメンテーションは、異なる患者におけるこれらの組織の形状、大きさ、外観のばらつきが大きいため、実現が困難である。 本稿では,医療画像におけるロバストセグメンテーションのためのクロスオーバーネットと呼ばれるエンドツーエンドの訓練可能なディープセグメンテーションモデルを提案する。 本モデルでは, 水平方向, 垂直方向からの表現は, 異なる局所的な外観と直交状況の情報を提供することができ, 同時にこれら2つの方向から学習することで, 異なる組織間の識別を高めるのに役立つ。 具体的には、セグメンテーションタスクを画素/ボクセル方向の予測問題に変換することにより、まず、垂直および水平の2つの(直交および重ね合わせ)パッチからなるクロスオーバーパッチ(crossover-patch)というクロス型パッチを提案し、直交垂直および水平関係を捉える。 そこで我々は,クロスオーバー・ネットを開発し,クロスオーバー・パッチが捉えた垂直-水平交叉関係を学習する。 この目的を達成するために、典型的なクロスオーバーパッチの表現を学習するために、(1)垂直および水平のパッチの重なり合う領域に一貫性を課し、(2)非オーバーラップ領域の多様性を維持する新しい損失関数を設計する。 今回我々は,ct腎腫瘍,mr心筋,x線乳房腫瘤分画法について広範囲に検討した。 評価結果と最先端セグメンテーションモデルとの比較により, 評価結果が得られた。

関連論文リスト

• 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)
• Implicit Anatomical Rendering for Medical Image Segmentation with Stochastic Experts [11.007092387379078]
  医用画像セグメンテーションの学習を支援するために,解剖学的レベルで設計された汎用的な暗黙的ニューラルネットワークレンダリングフレームワークであるMORSEを提案する。 医用画像のセグメンテーションをエンドツーエンドのレンダリング問題として定式化する。 実験の結果,MORSEは異なる医療セグメントのバックボーンでうまく機能することが示された。
  論文  参考訳（メタデータ） (2023-04-06T16:44:03Z)
• Simultaneous Bone and Shadow Segmentation Network using Task Correspondence Consistency [60.378180265885945]
  骨と影の同時分割のための共有トランスフォーマベースエンコーダとタスク独立デコーダを備えた単一エンドツーエンドネットワークを提案する。 また,骨表面とそれに対応する影の相互依存性を利用してセグメンテーションを改良する対応整合損失も導入する。
  論文  参考訳（メタデータ） (2022-06-16T22:37:05Z)
• 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)
• Crosslink-Net: Double-branch Encoder Segmentation Network via Fusing Vertical and Horizontal Convolutions [58.71117402626524]
  医用画像分割のための新しいダブルブランチエンコーダアーキテクチャを提案する。 1)正方形畳み込みカーネルによる特徴の識別をさらに改善する必要があるため,非正方形および水平畳み込みカーネルの利用を提案する。 実験では,4つのデータセット上でのモデルの有効性を検証した。
  論文  参考訳（メタデータ） (2021-07-24T02:58:32Z)
• Cardiac Segmentation on CT Images through Shape-Aware Contour Attentions [1.212901554957637]
  心臓臓器は複数のサブ構造(心室、心房、大動脈、動脈、静脈、心筋)から構成される。 これらの心筋サブ構造は互いに近縁であり、識別不能な境界を持つ。 形状と境界認識機能を利用する新しいモデルを提案する。
  論文  参考訳（メタデータ） (2021-05-27T13:54:59Z)
• Weakly-Supervised Segmentation for Disease Localization in Chest X-Ray Images [0.0]
  医用胸部X線画像のセマンティックセグメンテーションに対する新しいアプローチを提案する。 本手法は肺と胸壁の間の異常な空気量を検出するための胸部X線検査に適用可能である。
  論文  参考訳（メタデータ） (2020-07-01T20:48:35Z)
• Unsupervised Bidirectional Cross-Modality Adaptation via Deeply Synergistic Image and Feature Alignment for Medical Image Segmentation [73.84166499988443]
  我々は、Synergistic Image and Feature Alignment (SIFA)と名付けられた新しい教師なしドメイン適応フレームワークを提案する。 提案するSIFAは、画像と特徴の両方の観点から、ドメインの相乗的アライメントを行う。 2つの異なるタスクに対する実験結果から,SIFA法は未ラベル対象画像のセグメンテーション性能を向上させるのに有効であることが示された。
  論文  参考訳（メタデータ） (2020-02-06T13:49:47Z)

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。