論文の概要: Universal Medical Image Segmentation using 3D Fabric Image Representation Encoding Networks

• arxiv url: http://arxiv.org/abs/2006.15578v3
• Date: Wed, 5 Oct 2022 04:24:49 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-16 03:01:21.540519
• Title: Universal Medical Image Segmentation using 3D Fabric Image Representation Encoding Networks
• Title（参考訳）: 3次元ファブリック画像表現ネットワークを用いたユニバーサル医用画像分割
• Authors: Siyu Liu, Wei Dai, Craig Engstrom, Jurgen Fripp, Stuart Crozier, Jason A. Dowling and Shekhar S. Chandra
• Abstract要約: 本稿では,Fabric Image Representationというネットワークを提案する。 Network (FIRENet) - 同時3Dマルチデータセットセグメンテーションのためのネットワーク。 本研究では, FIRENetを人工膝関節, 肩関節, 股関節の複数のデータセットを含む3次元普遍骨分割に適用した。
• 参考スコア（独自算出の注目度）: 8.691611603448152
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Data scarcity is a common issue for deep learning applied to medical image segmentation. One way to address this problem is to combine multiple datasets into a large training set and train a unified network that simultaneously learns from these datasets. This work proposes one such network, Fabric Image Representation Encoding Network (FIRENet), for simultaneous 3D multi-dataset segmentation. As medical image datasets can be extremely diverse in size and voxel spacing, FIRENet uses a 3D fabric latent module, which automatically encapsulates many multi-scale sub-architectures. An optimal combination of these sub-architectures is implicitly learnt to enhance the performance across many datasets. To further promote diverse-scale 3D feature extraction, a 3D extension of atrous spatial pyramid pooling is used within each fabric node to provide a finer coverage of rich-scale image features. In this study, FIRENet was first applied to 3D universal bone segmentation involving multiple musculoskeletal datasets of the human knee, shoulder and hip joints. FIRENet exhibited excellent universal bone segmentation performance across all the different joint datasets. When transfer learning is used, FIRENet exhibited both excellent single dataset performance during pre-training (on a prostate dataset) as well as significantly improved universal bone segmentation performance. In a following experiment which involves the simultaneous segmentation of the 10 Medical Segmentation Decathlon (MSD) challenge datasets. FIRENet produced good multi-dataset segmentation results and demonstrated excellent inter-dataset adaptability despite highly diverse image sizes and features. Across these experiments, FIRENet's versatile design streamlined multi-dataset segmentation into one unified network. Whereas traditionally, similar tasks would often require multiple separately trained networks.
• Abstract（参考訳）: データ不足は、医学画像分割に適用されるディープラーニングの一般的な問題である。 この問題に対処するひとつの方法は、複数のデータセットを大きなトレーニングセットに結合し、これらのデータセットから同時に学習する統一ネットワークをトレーニングすることだ。 本研究では,Fabric Image Representation Encoding Network (FIRENet) という,同時3次元マルチデータセットセグメンテーションのためのネットワークを提案する。 医療画像データセットはサイズとボクセル間隔が極めて多様であるため、FIRENetは3Dファブリックラテントモジュールを使用して、多数のマルチスケールサブアーキテクチャを自動的にカプセル化する。 これらのサブアーキテクチャの最適組み合わせは暗黙的に学習され、多くのデータセットのパフォーマンスが向上する。 多様な3次元特徴抽出をさらに促進するため、各ファブリックノード内にアトース空間ピラミッドプーリングの3次元拡張を用いて、リッチな画像特徴のより詳細なカバレッジを提供する。 本研究では, FIRENetをヒト膝関節, 肩関節, 腰関節の複数の筋骨格データセットを含む3次元普遍骨分割に適用した。 FIRENetは、全ての関節データセットで優れた普遍的な骨分割性能を示した。 転送学習を使用する場合、FIRENetはトレーニング前(前立腺データセット)に優れた単一データセットのパフォーマンスと、骨分割性能を著しく改善した。 以下の実験では、10のメディカルセグメンテーションdecathlon(msd)チャレンジデータセットを同時にセグメンテーションする。 FIRENetは、画像サイズや特徴が多様であるにもかかわらず、優れたマルチデータセットセグメンテーション結果を示し、データセット間適応性を示した。 これらの実験全体で、FIRENetの汎用設計は、マルチデータセットセグメンテーションを1つの統一ネットワークに合理化した。 伝統的に、同様のタスクは複数の個別に訓練されたネットワークを必要とする。

関連論文リスト

• Few-Shot 3D Volumetric Segmentation with Multi-Surrogate Fusion [31.736235596070937]
  軽量マルチサロゲート融合(MSF)を用いた新しい3DセグメンテーションフレームワークMSFSegを提案する。 MSFSegは、1つまたは数個の注釈付き2Dスライスまたは3Dシーケンスセグメントを備えた、目に見えない3Dオブジェクト/組織(トレーニング中)を自動的に分割することができる。 提案するMSFモジュールは, ラベル付きスライスと少数のラベル付きスライス/シーケンス間の包括的および多彩な相関関係を, 複数の指定されたサロゲートを介して抽出する。
  論文  参考訳（メタデータ） (2024-08-26T17:15:37Z)
• M$^{2}$SNet: Multi-scale in Multi-scale Subtraction Network for Medical Image Segmentation [73.10707675345253]
  医用画像から多様なセグメンテーションを仕上げるマルチスケールサブトラクションネットワーク(M$2$SNet)を提案する。 本手法は,4つの異なる医用画像セグメンテーションタスクの11つのデータセットに対して,異なる評価基準の下で,ほとんどの最先端手法に対して好意的に機能する。
  論文  参考訳（メタデータ） (2023-03-20T06:26:49Z)
• 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)
• Universal Segmentation of 33 Anatomies [19.194539991903593]
  本稿では,33の解剖学的構造を普遍的に分割する単一モデルの学習手法を提案する。 我々は、複数のデータセットの結合からそのようなモデルを学び、各データセットには部分的にラベル付けされた画像が含まれている。 我々は,複数のオープンソースデータセット上でモデルを評価し,モデルが優れた一般化性能を有することを示す。
  論文  参考訳（メタデータ） (2022-03-04T02:29:54Z)
• Shape-consistent Generative Adversarial Networks for multi-modal Medical segmentation maps [10.781866671930857]
  極めて限られたデータセットに対して合成心容積を用いたセグメンテーションネットワークを提案する。 提案手法は,モダリティ間で情報を共有するための3次元クロスモダリティ生成対向ネットワークに基づいている。 空間拡張を用いた場合,小さなデータセット上でのセグメンテーションの改善が可能であることを示す。
  論文  参考訳（メタデータ） (2022-01-24T13:57:31Z)
• Multi-dataset Pretraining: A Unified Model for Semantic Segmentation [97.61605021985062]
  我々は、異なるデータセットの断片化アノテーションを最大限に活用するために、マルチデータセット事前訓練と呼ばれる統合フレームワークを提案する。 これは、複数のデータセットに対して提案されたピクセルからプロトタイプへのコントラスト損失を通じてネットワークを事前トレーニングすることで実現される。 異なるデータセットからの画像とクラス間の関係をより良くモデル化するために、クロスデータセットの混合によりピクセルレベルの埋め込みを拡張する。
  論文  参考訳（メタデータ） (2021-06-08T06:13:11Z)
• MixSearch: Searching for Domain Generalized Medical Image Segmentation Architectures [37.232192775864576]
  本稿では,複数領域の小規模データセットとセグメンテーションタスクを組み合わせて大規模データセットを作成する新しい手法を提案する。 新しいエンコーダデコーダ構造は、セルレベルとネットワークレベルの両方で一般化されたセグメンテーションネットワークを検索するように設計されている。 提案するMixSearchフレームワークによって生成されたネットワークは,先進的なエンコーダデコーダネットワークと比較して最先端の結果が得られる。
  論文  参考訳（メタデータ） (2021-02-26T02:55:28Z)
• DoDNet: Learning to segment multi-organ and tumors from multiple partially labeled datasets [102.55303521877933]
  本稿では,複数の臓器と腫瘍を部分的にラベル付けしたデータセット上に分割する動的オンデマンドネットワーク(DoDNet)を提案する。 DoDNetは共有エンコーダデコーダアーキテクチャ、タスク符号化モジュール、動的畳み込みフィルタを生成するコントローラ、そして単一だが動的セグメンテーションヘッドで構成されている。
  論文  参考訳（メタデータ） (2020-11-20T04:56:39Z)
• Multi-Domain Image Completion for Random Missing Input Data [17.53581223279953]
  マルチドメインデータは、異なるモダリティからの相補的な情報を利用する視覚アプリケーションで広く活用されている。 データ破損と異なるイメージングプロトコルにより、各領域のイメージの可用性は複数のデータソースによって異なる可能性がある。 実アプリケーションでランダムに欠落したドメイン(s)データを補完する一般的な手法を提案する。
  論文  参考訳（メタデータ） (2020-07-10T16:38:48Z)
• MS-Net: Multi-Site Network for Improving Prostate Segmentation with Heterogeneous MRI Data [75.73881040581767]
  本稿では,ロバスト表現を学習し,前立腺のセグメンテーションを改善するための新しいマルチサイトネットワーク(MS-Net)を提案する。 当社のMS-Netは,すべてのデータセットのパフォーマンスを一貫して改善し,マルチサイト学習における最先端の手法よりも優れています。
  論文  参考訳（メタデータ） (2020-02-09T14:11:50Z)
• Unpaired Multi-modal Segmentation via Knowledge Distillation [77.39798870702174]
  本稿では,不対向画像分割のための新しい学習手法を提案する。 提案手法では,CTおよびMRI間での畳み込みカーネルの共有により,ネットワークパラメータを多用する。 我々は2つの多クラスセグメンテーション問題に対するアプローチを広範囲に検証した。
  論文  参考訳（メタデータ） (2020-01-06T20:03:17Z)

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。