論文の概要: PGD-UNet: A Position-Guided Deformable Network for Simultaneous
Segmentation of Organs and Tumors
- arxiv url: http://arxiv.org/abs/2007.01001v1
- Date: Thu, 2 Jul 2020 10:23:57 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-14 13:08:08.096495
- Title: PGD-UNet: A Position-Guided Deformable Network for Simultaneous
Segmentation of Organs and Tumors
- Title（参考訳）: PGD-UNet : 臓器・腫瘍の同時分離のための位置ガイド型変形ネットワーク
- Authors: Ziqiang Li, Hong Pan, Yaping Zhu, A. K. Qin
- Abstract要約: 位置誘導変形可能なUNet(PGD-UNet)は、変形可能な畳み込みの空間的変形能力を利用して、臓器と腫瘍の幾何学的変換を扱う。
従来の最大プール操作で失われた位置情報を保存するための新しいプールモジュールを提案する。
本手法は2つの難解なセグメンテーションタスクで評価され,両タスクにおいて非常に有望なセグメンテーション精度が得られた。
- 参考スコア（独自算出の注目度）: 5.228440664491293
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Precise segmentation of organs and tumors plays a crucial role in clinical
applications. It is a challenging task due to the irregular shapes and various
sizes of organs and tumors as well as the significant class imbalance between
the anatomy of interest (AOI) and the background region. In addition, in most
situation tumors and normal organs often overlap in medical images, but current
approaches fail to delineate both tumors and organs accurately. To tackle such
challenges, we propose a position-guided deformable UNet, namely PGD-UNet,
which exploits the spatial deformation capabilities of deformable convolution
to deal with the geometric transformation of both organs and tumors. Position
information is explicitly encoded into the network to enhance the capabilities
of deformation. Meanwhile, we introduce a new pooling module to preserve
position information lost in conventional max-pooling operation. Besides, due
to unclear boundaries between different structures as well as the subjectivity
of annotations, labels are not necessarily accurate for medical image
segmentation tasks. It may cause the overfitting of the trained network due to
label noise. To address this issue, we formulate a novel loss function to
suppress the influence of potential label noise on the training process. Our
method was evaluated on two challenging segmentation tasks and achieved very
promising segmentation accuracy in both tasks.
- Abstract（参考訳）: 臓器と腫瘍の精密セグメンテーションは臨床応用において重要な役割を担っている。
不規則な形状と臓器や腫瘍の大きさ、そして関心の解剖学(aoi)と背景領域の間の重大な階級的不均衡のため、これは困難な課題である。
加えて、ほとんどの場合、腫瘍と正常臓器は医療画像に重複することが多いが、現在のアプローチでは腫瘍と臓器の両方を正確に切り離すことができない。
このような課題に対処すべく,変形可能な畳み込みの空間的変形能力を利用して臓器と腫瘍の幾何学的変形に対応する位置誘導型変形型unet,pgd-unetを提案する。
位置情報はネットワークに明示的にエンコードされ、変形の能力を高める。
また,従来の最大プーリング操作で失われた位置情報を保存する新しいプーリングモジュールを提案する。
また、異なる構造の境界やアノテーションの主観性がはっきりしないため、ラベルは必ずしも医用画像の分割作業において正確ではない。
これはラベルノイズによるトレーニングネットワークの過度な適合を引き起こす可能性がある。
この問題に対処するために,新たな損失関数を定式化し,潜在的なラベルノイズがトレーニングプロセスに与える影響を抑制する。
本手法は,2つの難解なセグメンテーションタスクで評価し,両タスクにおいて非常に有望なセグメンテーション精度を得た。
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) - Self-supervised Semantic Segmentation: Consistency over Transformation [3.485615723221064]
Inception Large Kernel Attention (I-LKA) モジュールをベースとしたロバストなフレームワークを統合した新しい自己教師型アルゴリズム textbfS$3$-Net を提案する。
我々は、変形可能な畳み込みを積分成分として利用し、優れた物体境界定義のための歪み変形を効果的に捕捉し、デライン化する。
皮膚病変および肺臓器の分節タスクに関する実験結果から,SOTA法と比較して,本手法の優れた性能を示した。
論文 参考訳（メタデータ） (2023-08-31T21:28:46Z) - 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) - Learning from partially labeled data for multi-organ and tumor
segmentation [102.55303521877933]
本稿では,トランスフォーマーに基づく動的オンデマンドネットワーク(TransDoDNet)を提案する。
動的ヘッドにより、ネットワークは複数のセグメンテーションタスクを柔軟に達成することができる。
我々はMOTSと呼ばれる大規模にラベル付けされたMulti-Organ and tumorベンチマークを作成し、他の競合相手よりもTransDoDNetの方が優れた性能を示す。
論文 参考訳（メタデータ） (2022-11-13T13:03:09Z) - Beyond CNNs: Exploiting Further Inherent Symmetries in Medical Image
Segmentation [21.6412682130116]
より正確な表現を学習するために、これらの固有対称性を符号化することで、新しいグループ同変セグメンテーションフレームワークを提案する。
GER-UNet(Group Equivariant Res-UNet)が通常のCNNよりも優れていることを示す。
新たに構築されたGER-UNetは、サンプルの複雑さとフィルタの冗長性を減少させる可能性を示している。
論文 参考訳（メタデータ） (2022-07-29T04:28:20Z) - Anatomy-guided Multimodal Registration by Learning Segmentation without
Ground Truth: Application to Intraprocedural CBCT/MR Liver Segmentation and
Registration [12.861503169117208]
マルチモーダル画像登録は、診断医療画像と画像誘導介入に多くの応用がある。
周術期獲得診断画像を周術期内環境に登録する能力は、周術期内腫瘍ターゲティングを改善する可能性がある。
対象のモダリティ基礎真理を含まないセグメンテーション学習のためのセグメンテーションネットワーク(APA2Seg-Net)に対する解剖学的保護ドメイン適応を提案する。
論文 参考訳（メタデータ） (2021-04-14T18:07:03Z) - FocusNetv2: Imbalanced Large and Small Organ Segmentation with
Adversarial Shape Constraint for Head and Neck CT Images [82.48587399026319]
organ-at-risk (oars) は、健康な臓器の損傷を避けるために放射線治療計画において重要なステップである。
本研究では,この課題を解決するために,2段階の深層ニューラルネットワークであるFocusNetv2を提案する。
従来のFocusNetに加えて,小臓器に新たな対角的形状制約を導入し,推定小臓器形状と臓器形状との整合性を確保する。
論文 参考訳（メタデータ） (2021-04-05T04:45:31Z) - Generalized Organ Segmentation by Imitating One-shot Reasoning using
Anatomical Correlation [55.1248480381153]
そこで我々は,アノテーション付きオルガンクラスから一般化されたオルガン概念を学習し,その概念を未知のクラスに転送するOrganNetを提案する。
そこで,OrganNetは臓器形態の幅広い変化に効果的に抵抗でき,一発分節タスクで最先端の結果が得られることを示す。
論文 参考訳（メタデータ） (2021-03-30T13:41:12Z) - 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) - Learning joint segmentation of tissues and brain lesions from
task-specific hetero-modal domain-shifted datasets [6.049813979681482]
本稿では,タスク固有のデータセットから関節組織と病変のセグメンテーションモデルを構築するための新しい手法を提案する。
予測されるリスクがどのように分解され、経験的に最適化されるかを示す。
それぞれのタスクに対して、我々のジョイントアプローチはタスク固有のモデルと完全に教師されたモデルに匹敵するパフォーマンスを達成します。
論文 参考訳（メタデータ） (2020-09-08T22:00:00Z)
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。