論文の概要: A Two-step Surface-based 3D Deep Learning Pipeline for Segmentation of
Intracranial Aneurysms
- arxiv url: http://arxiv.org/abs/2006.16161v2
- Date: Sun, 4 Jul 2021 12:28:03 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-15 15:14:47.039003
- Title: A Two-step Surface-based 3D Deep Learning Pipeline for Segmentation of
Intracranial Aneurysms
- Title（参考訳）: 頭蓋内動脈瘤のセグメンテーションのための2段階表面ベース3次元深層学習パイプライン
- Authors: Xi Yang, Ding Xia, Taichi Kin, Takeo Igarashi
- Abstract要約: 2段階のサーフェスベースのディープラーニングパイプラインを提供し、高いパフォーマンスを実現しています。
ユーザはまず、飛行時間磁気共鳴血管造影画像の複数の閾値を手動で指定して表面モデルを生成する。
その後、脳動脈全体から小さな表面の断片を採取し、動脈瘤の有無に応じて表面の断片を分類する。
- 参考スコア（独自算出の注目度）: 18.163031102785904
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The exact shape of intracranial aneurysms is critical in medical diagnosis
and surgical planning. While voxel-based deep learning frameworks have been
proposed for this segmentation task, their performance remains limited. In this
study, we offer a two-step surface-based deep learning pipeline that achieves
significantly higher performance. Our proposed model takes a surface model of
entire principal brain arteries containing aneurysms as input and returns
aneurysms surfaces as output. A user first generates a surface model by
manually specifying multiple thresholds for time-of-flight magnetic resonance
angiography images. The system then samples small surface fragments from the
entire brain arteries and classifies the surface fragments according to whether
aneurysms are present using a point-based deep learning network (PointNet++).
Finally, the system applies surface segmentation (SO-Net) to surface fragments
containing aneurysms. We conduct a direct comparison of segmentation
performance by counting voxels between the proposed surface-based framework and
the existing voxel-based method, in which our framework achieves a much higher
dice similarity coefficient score (72%) than the prior approach (46%).
- Abstract（参考訳）: 頭蓋内動脈瘤の正確な形状は、診断と手術計画において重要である。
このセグメンテーションタスクにはvoxelベースのディープラーニングフレームワークが提案されているが、パフォーマンスは限られている。
本研究では,2段階のサーフェスベース深層学習パイプラインを提案する。
提案モデルでは,大動脈瘤を含む大脳動脈の表面モデルを入力とし,大動脈瘤表面を出力として返す。
ユーザはまず、飛行時間磁気共鳴血管造影画像の複数の閾値を手動で指定して表面モデルを生成する。
システムはその後、脳動脈全体から小さな表面フラグメントをサンプリングし、ポイントベースのディープラーニングネットワーク(pointnet++)を使用して動脈瘤が存在するかどうかに応じて表面フラグメントを分類する。
最後に、このシステムは、大動脈瘤を含む表面断片に表面分割(SO-Net)を適用する。
本研究では,提案手法と既存のボクセル法とのボクセル数を数えることにより,セグメント化性能の直接比較を行い,従来のアプローチ(46%)よりもはるかに高いダイス類似度係数スコア(72%)を達成する。
関連論文リスト
- Multilayer Multiset Neuronal Networks -- MMNNs [55.2480439325792]
本研究は,2層以上の類似性ニューロンを組み込んだ多層神経回路網について述べる。
また,回避すべき画像領域に割り当てられる反プロトタイプ点の利用についても検討した。
論文 参考訳（メタデータ） (2023-08-28T12:55:13Z) - Joint Reconstruction and Parcellation of Cortical Surfaces [3.9198548406564604]
脳MRI画像からの大脳皮質表面の再構成は、アルツハイマー病(AD)のような神経変性疾患における脳形態解析と皮質シンニングの検出に有用である
本研究では,グラフ分類分岐に基づく2つの選択肢と,新しい汎用的な3次元再構成損失に基づく2つの選択肢を提案し,テンプレート・デフォーメーション・アルゴリズムを改良する。
我々はDiceスコア90.2(グラフ分類分岐)と90.4(復元損失90.4)の高精度なパーセレーションと最先端のサーフェスを同時に達成した。
論文 参考訳（メタデータ） (2022-09-19T11:45:39Z) - Orientation-guided Graph Convolutional Network for Bone Surface
Segmentation [51.51690515362261]
骨表面をセグメント化しながら接続性を向上する指向性グラフ畳み込みネットワークを提案する。
提案手法は,接続距離を5.01%向上させる。
論文 参考訳（メタデータ） (2022-06-16T23:01:29Z) - An explainability framework for cortical surface-based deep learning [110.83289076967895]
我々は,皮質表面の深層学習のためのフレームワークを開発した。
まず,表面データに摂動に基づくアプローチを適用した。
我々の説明可能性フレームワークは,重要な特徴とその空間的位置を識別できるだけでなく,信頼性と有効性も示している。
論文 参考訳（メタデータ） (2022-03-15T23:16:49Z) - 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) - A Deep-Learning Approach For Direct Whole-Heart Mesh Reconstruction [1.8047694351309207]
本研究では,ボリュームCTとMR画像データから心表面メッシュ全体を直接予測する深層学習に基づく新しい手法を提案する。
本手法は,高分解能,高品質の全心臓再建を実現できる有望な性能を示した。
論文 参考訳（メタデータ） (2021-02-16T00:39:43Z) - DeepCSR: A 3D Deep Learning Approach for Cortical Surface Reconstruction [20.977071784183256]
DeepCSRは、MRIから皮質表面を再構築するための3Dディープラーニングフレームワークである。
高分解能で皮質表面を効率的に再構築し、皮質の折り畳みの細部を捉える。
DeepCSRは、広く使われているFreeSurferツールボックスやディープラーニング駆動のFastSurferよりも正確で、より正確で、高速である。
論文 参考訳（メタデータ） (2020-10-22T03:57:44Z) - Globally Optimal Segmentation of Mutually Interacting Surfaces using
Deep Learning [6.11411524694755]
ディープラーニングは、優れた特徴学習能力のおかげで、医用画像セグメンテーションの強力なツールとして出現している。
本稿では,グラフモデルにおける表面コスト関数のパラメータ化と,それらのパラメータの学習にDLを活用することを提案する。
次に、相互表面の相互作用制約を明示的に実施しながら、全表面コストを最小化することにより、多重最適表面を同時に検出する。
論文 参考訳（メタデータ） (2020-07-02T17:13:35Z) - Globally Optimal Surface Segmentation using Deep Learning with Learnable
Smoothness Priors [0.21756081703275998]
本稿では,畳み込みニューラルネットワーク(CNN)に基づく新しいモデルを提案する。
分光領域光コヒーレンス・トモグラフィ(SD-OCT)網膜層分画と血管内超音波(IVUS)血管壁分画は有望な結果を示した。
論文 参考訳（メタデータ） (2020-07-02T15:56:46Z) - Deep Residual 3D U-Net for Joint Segmentation and Texture Classification
of Nodules in Lung [91.3755431537592]
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。
論文 参考訳（メタデータ） (2020-06-25T07:20:41Z) - MetricUNet: Synergistic Image- and Voxel-Level Learning for Precise CT
Prostate Segmentation via Online Sampling [66.01558025094333]
本稿では,前立腺領域を高速に局在させる第1段階と,前立腺領域を正確に区分する第2段階の2段階のフレームワークを提案する。
マルチタスクネットワークにおけるボクセルワイドサンプリングによる新しいオンラインメトリック学習モジュールを提案する。
本手法は,従来のクロスエントロピー学習法やDice損失学習法と比較して,より代表的なボクセルレベルの特徴を効果的に学習することができる。
論文 参考訳（メタデータ） (2020-05-15T10:37:02Z)
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。