Fugu-MT 論文翻訳(概要): Deep Residual 3D U-Net for Joint Segmentation and Texture Classification of Nodules in Lung

論文の概要: Deep Residual 3D U-Net for Joint Segmentation and Texture Classification of Nodules in Lung

arxiv url: http://arxiv.org/abs/2006.14215v2
Date: Fri, 26 Jun 2020 05:08:18 GMT
ステータス: 処理完了
システム内更新日: 2022-11-17 03:48:09.000743
Title: Deep Residual 3D U-Net for Joint Segmentation and Texture Classification of Nodules in Lung
Title（参考訳）: 肺の結節分類と結節分類のための深部残留3次元U-Net
Authors: Alexandr G. Rassadin
Abstract要約: 肺結節の分類法, そのテクスチャ分類, 肺CT像による後続の推奨について検討した。提案手法は, 一般的なU-Netアーキテクチャファミリに基づくニューラルネットワークモデルと, 共同結節分割とそのテクスチャ分類タスクと, フォローアップレコメンデーションのためのアンサンブルベースモデルから構成される。
参考スコア（独自算出の注目度）: 91.3755431537592
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In this work we present a method for lung nodules segmentation, their texture classification and subsequent follow-up recommendation from the CT image of lung. Our method consists of neural network model based on popular U-Net architecture family but modified for the joint nodule segmentation and its texture classification tasks and an ensemble-based model for the follow-up recommendation. This solution was evaluated within the LNDb medical imaging challenge and produced the best nodule segmentation result on the final leaderboard.
Abstract（参考訳）: そこで本研究では,肺結節の分節法,そのテクスチャ分類法,および肺ct画像からのフォローアップ推薦法を提案する。提案手法は, 一般的なU-Netアーキテクチャファミリに基づくニューラルネットワークモデルと, 共同結節分割とそのテクスチャ分類タスクと, フォローアップレコメンデーションのためのアンサンブルベースモデルから構成される。このソリューションはlndbのmedical imaging challengeで評価され、最終リーダーボード上で最高の結節分画結果が得られた。

関連論文リスト

SAM-EG: Segment Anything Model with Egde Guidance framework for efficient Polyp Segmentation [6.709243857842895]
本稿では,ポリプセグメンテーションのための小さなセグメンテーションモデルを用いて,コスト問題に対処するフレームワークを提案する。本研究では,エッジ情報を画像特徴に組み込むEdge Guidingモジュールを提案する。我々の小型モデルは、最先端の手法で競争結果を得ることで、その効果を実証する。
論文参考訳（メタデータ） (2024-06-21T01:42:20Z)
Automatic segmentation of lung findings in CT and application to Long COVID [38.69538648742266]
S-MEDSegは胸部CT画像における肺病変の正確な分画のための深層学習に基づくアプローチである。 S-MEDSegは、トレーニング済みのEfficientNetバックボーン、双方向機能ピラミッドネットワーク、モダンネットワークの進化を組み合わせたものだ。
論文参考訳（メタデータ） (2023-10-13T23:42:43Z)
MESAHA-Net: Multi-Encoders based Self-Adaptive Hard Attention Network with Maximum Intensity Projections for Lung Nodule Segmentation in CT Scan [6.266053305874546]
マルチエンコーダをベースとした自己適応型ハードアテンションネットワーク(MESAHA-Net)をCTスキャンの高精度な肺結節分割のための効率的なエンドツーエンドフレームワークとして提案する。 MESAHA-Netは、肺結節のスライス・バイ・スライス2Dセグメンテーションを反復的に行い、各スライス内の結節領域に着目して肺結節の3Dセグメンテーションを生成する。 LIDC-IDRIデータセットは,肺結節セグメンテーションのための最大公用データセットである。
論文参考訳（メタデータ） (2023-04-04T07:05:15Z)
Reliable Joint Segmentation of Retinal Edema Lesions in OCT Images [55.83984261827332]
本稿では,信頼性の高いマルチスケールウェーブレットエンハンストランスネットワークを提案する。本研究では,ウェーブレット型特徴抽出器ネットワークとマルチスケール変圧器モジュールを統合したセグメンテーションバックボーンを開発した。提案手法は,他の最先端セグメンテーション手法と比較して信頼性の高いセグメンテーション精度を実現する。
論文参考訳（メタデータ） (2022-12-01T07:32:56Z)
A Deep Ensemble Learning Approach to Lung CT Segmentation for COVID-19 Severity Assessment [0.5512295869673147]
新型コロナウイルス患者の肺CTの分類的セグメンテーションに対する新しい深層学習手法を提案する。病理組織は正常な肺組織,非肺領域,および2つの異なる,しかし視覚的に類似した,病理組織に区分した。提案するフレームワークは,3つのCOVID-19データセットの競合結果と優れた一般化機能を実現する。
論文参考訳（メタデータ） (2022-07-05T21:28:52Z)
Improving Classification Model Performance on Chest X-Rays through Lung Segmentation [63.45024974079371]
本稿では, セグメンテーションによる異常胸部X線(CXR)識別性能を向上させるための深層学習手法を提案する。提案手法は,CXR画像中の肺領域を局所化するための深層ニューラルネットワーク(XLSor)と,大規模CXRデータセットで事前学習した自己教師あり運動量コントラスト(MoCo)モデルのバックボーンを用いたCXR分類モデルである。
論文参考訳（メタデータ） (2022-02-22T15:24:06Z)
CoRSAI: A System for Robust Interpretation of CT Scans of COVID-19 Patients Using Deep Learning [133.87426554801252]
我々は,深部畳み込み神経網のアンサンブルを用いた肺CTスキャンのセグメンテーションによるアプローチを採用した。本モデルを用いて, 病変の分類, 患者の動態の評価, 病変による肺の相対体積の推定, 肺の損傷ステージの評価が可能となった。
論文参考訳（メタデータ） (2021-05-25T12:06:55Z)
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)
Inf-Net: Automatic COVID-19 Lung Infection Segmentation from CT Images [152.34988415258988]
CT画像からの肺感染症の自動検出は、新型コロナウイルスに対処するための従来の医療戦略を強化する大きな可能性を秘めている。 CTスライスから感染領域を分割することは、高い感染特性の変化、感染と正常な組織の間の低強度のコントラストなど、いくつかの課題に直面している。これらの課題に対処するため, 胸部CTスライスから感染部位を自動的に同定する, 新型のCOVID-19 Deep Lung infection Network (Inf-Net) が提案されている。
論文参考訳（メタデータ） (2020-04-22T07:30:56Z)
Brain segmentation based on multi-atlas guided 3D fully convolutional network ensembles [1.52292571922932]
構造磁気共鳴画像(MRI)から関心領域(ROI)を抽出するためのマルチアトラスガイド3次元完全畳み込みネットワーク(FCN)アンサンブルモデル(M-FCN)を提案し,検証した。我々は、各ROIの3次元FCNモデルを、適応サイズのパッチとデコンボリューション層内の畳み込み層の組込み出力を用いて訓練し、局所的およびグローバルなコンテキストパターンをさらに捉えた。その結果,提案手法はセグメンテーション性能に優れていた。
論文参考訳（メタデータ） (2019-01-05T08:23:48Z)

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。