論文の概要: DSU-net: Dense SegU-net for automatic head-and-neck tumor segmentation
in MR images
- arxiv url: http://arxiv.org/abs/2006.06278v3
- Date: Sun, 20 Dec 2020 03:15:56 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-22 14:25:23.036770
- Title: DSU-net: Dense SegU-net for automatic head-and-neck tumor segmentation
in MR images
- Title（参考訳）: DSU-net: Dense SegU-netによるMR画像の頭頸部腫瘍分割
- Authors: Pin Tang, Chen Zu, Mei Hong, Rui Yan, Xingchen Peng, Jianghong Xiao,
Xi Wu, Jiliu Zhou, Luping Zhou, and Yan Wang
- Abstract要約: MRIにおける鼻咽頭癌(NPC)分類のためのDense SegU-net(DSU-net)フレームワークを提案する。
潜在的な消滅段階的問題に対処するために,特徴の伝播と再利用を容易にする高密度ブロックを導入する。
提案するアーキテクチャは,既存の最先端セグメンテーションネットワークよりも優れている。
- 参考スコア（独自算出の注目度）: 30.747375849126925
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Precise and accurate segmentation of the most common head-and-neck tumor,
nasopharyngeal carcinoma (NPC), in MRI sheds light on treatment and regulatory
decisions making. However, the large variations in the lesion size and shape of
NPC, boundary ambiguity, as well as the limited available annotated samples
conspire NPC segmentation in MRI towards a challenging task. In this paper, we
propose a Dense SegU-net (DSU-net) framework for automatic NPC segmentation in
MRI. Our contribution is threefold. First, different from the traditional
decoder in U-net using upconvolution for upsamling, we argue that the
restoration from low resolution features to high resolution output should be
capable of preserving information significant for precise boundary
localization. Hence, we use unpooling to unsample and propose SegU-net. Second,
to combat the potential vanishing-gradient problem, we introduce dense blocks
which can facilitate feature propagation and reuse. Third, using only cross
entropy (CE) as loss function may bring about troubles such as miss-prediction,
therefore we propose to use a loss function comprised of both CE loss and Dice
loss to train the network. Quantitative and qualitative comparisons are carried
out extensively on in-house datasets, the experimental results show that our
proposed architecture outperforms the existing state-of-the-art segmentation
networks.
- Abstract（参考訳）: 最も一般的な頭頸部腫瘍である鼻咽頭癌(npc)のmriにおける精密かつ正確な分節は、治療と規制上の決定に光を当てている。
しかし, npcの病変の大きさや形状, 境界曖昧性, 限定的なアノテート標本のばらつきは, mriのnpcセグメンテーションを困難な課題へと導く。
本稿では,MRI における NPC の自動分割のための Dense SegU-net (DSU-net) フレームワークを提案する。
私たちの貢献は3倍です。
まず,upconvolution for upsamlingを用いたu-netの従来のデコーダとは異なり,低分解能特徴から高分解能出力への復元は,正確な境界位置決定に重要な情報を保存することができるべきである。
したがって、アンプールを用いてアンサンプリングし、SegU-netを提案する。
第2に, 潜在的な消滅段階問題に対処するために, 特徴の伝播と再利用を容易にする密集ブロックを導入する。
第3に、損失関数としてクロスエントロピー(CE)のみを用いると、ミス予測などの問題が発生する可能性があるため、ネットワークをトレーニングするためにCE損失とDice損失の両方からなる損失関数を使用することを提案する。
定量的・定性的な比較が社内データセット上で広く行われ,提案手法が既存の最先端セグメンテーションネットワークよりも優れていることを示す実験結果が得られた。
関連論文リスト
- Enhancing Weakly Supervised 3D Medical Image Segmentation through
Probabilistic-aware Learning [52.249748801637196]
3次元医用画像のセグメンテーションは、疾患の診断と治療計画に重要な意味を持つ課題である。
近年の深層学習の進歩は、完全に教師付き医療画像のセグメンテーションを著しく強化している。
本稿では,3次元医用画像に特化して設計された,確率的適応型弱教師付き学習パイプラインを提案する。
論文 参考訳（メタデータ） (2024-03-05T00:46:53Z) - Scale-aware Super-resolution Network with Dual Affinity Learning for
Lesion Segmentation from Medical Images [50.76668288066681]
低解像度医用画像から様々な大きさの病変を適応的に分割する,スケールアウェアな超解像ネットワークを提案する。
提案するネットワークは,他の最先端手法と比較して一貫した改善を実現した。
論文 参考訳（メタデータ） (2023-05-30T14:25:55Z) - Uncertainty Driven Bottleneck Attention U-net for Organ at Risk
Segmentation [20.865775626533434]
CT画像におけるオルガン・アット・リスク(OAR)セグメンテーションは,自動セグメンテーション法では難しい課題である。
本稿では,複数のデコーダU-netアーキテクチャを提案し,ネットワークのボトルネックに注目するために,デコーダ間のセグメンテーションの不一致を利用する。
正確なセグメンテーションのために,CT強度統合正規化損失も提案した。
論文 参考訳（メタデータ） (2023-03-19T23:45:32Z) - Category Guided Attention Network for Brain Tumor Segmentation in MRI [6.685945448824158]
カテゴリー案内注意U-Net(CGA U-Net)という新しいセグメンテーションネットワークを提案する。
本モデルでは,より正確かつ安定した特徴写像の長距離依存性を計算コストを伴わずに捉えることのできる,注目機構に基づくスーパービジョンアテンションモジュール(SAM)を設計する。
BraTS 2019データセットの実験的結果は、提案手法がセグメント化性能と計算複雑性の両方において最先端のアルゴリズムより優れていることを示している。
論文 参考訳（メタデータ） (2022-03-29T09:22:29Z) - 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) - DFENet: A Novel Dimension Fusion Edge Guided Network for Brain MRI
Segmentation [0.0]
本稿では,2次元CNNと3次元CNNの特徴を融合させることにより,これらの要件を満たす新しいDFENetを提案する。
提案手法は, 既存の方法よりも頑健で正確であり, バイオメディカルな応用に頼ることができる。
論文 参考訳（メタデータ） (2021-05-17T15:43:59Z) - Automatic Segmentation of Organs-at-Risk from Head-and-Neck CT using
Separable Convolutional Neural Network with Hard-Region-Weighted Loss [10.93840864507459]
鼻咽頭癌 (Nasopharyngeal Carcinoma, NPC) は, 北極, 中国, 東南アジア, 中東/北アフリカにおける頭頸部癌(HAN)の進行型である。
不確実性のあるCT画像からのOrgans-at-Risk(OAR)の正確なセグメンテーションは、NPC治療のための放射線治療を効果的に計画するために重要である。
本稿では,信頼性の高い不確実性推定を伴う高精度OARセグメンテーションのための新しいフレームワークを提案する。
論文 参考訳（メタデータ） (2021-02-03T06:31:38Z) - 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) - Offset Curves Loss for Imbalanced Problem in Medical Segmentation [15.663236378920637]
我々は,輪郭内領域と輪郭内領域の両方を考慮した新しい深層学習モデルを構築した。
提案するオフセット曲線(OsC)損失は3つの主要な適合項からなる。
提案したOsC損失を2次元ネットワークと3次元ネットワークの両方で評価した。
論文 参考訳（メタデータ） (2020-12-04T08:35:21Z) - Unsupervised Instance Segmentation in Microscopy Images via Panoptic
Domain Adaptation and Task Re-weighting [86.33696045574692]
病理組織像における教師なし核分割のためのCycle Consistency Panoptic Domain Adaptive Mask R-CNN(CyC-PDAM)アーキテクチャを提案する。
まず,合成画像中の補助的な生成物を除去するための核塗布機構を提案する。
第二に、ドメイン識別器を持つセマンティックブランチは、パンプトレベルのドメイン適応を実現するように設計されている。
論文 参考訳（メタデータ） (2020-05-05T11:08:26Z) - Deep Attentive Features for Prostate Segmentation in 3D Transrectal
Ultrasound [59.105304755899034]
本稿では,経直腸超音波(TRUS)画像における前立腺のセグメンテーションを改善するために,アテンションモジュールを備えた新しい3次元ディープニューラルネットワークを開発した。
我々のアテンションモジュールは、アテンション機構を利用して、異なるレイヤから統合されたマルチレベル特徴を選択的に活用する。
3次元TRUSボリュームに挑戦する実験結果から,本手法は良好なセグメンテーション性能が得られることが示された。
論文 参考訳（メタデータ） (2019-07-03T05:21:52Z)
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。