論文の概要: Context-Aware Refinement Network Incorporating Structural Connectivity Prior for Brain Midline Delineation

• arxiv url: http://arxiv.org/abs/2007.05393v1
• Date: Fri, 10 Jul 2020 14:01:20 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-11 22:07:43.059450
• Title: Context-Aware Refinement Network Incorporating Structural Connectivity Prior for Brain Midline Delineation
• Title（参考訳）: 脳のミッドライン化に先行する構造的接続性を考慮したコンテキストアウェアリファインメントネットワーク
• Authors: Shen Wang, Kongming Liang, Yiming Li, Yizhou Yu, Yizhou Wang
• Abstract要約: UNetによって生成された特徴ピラミッド表現を洗練・統合するための文脈対応改良ネットワーク(CAR-Net)を提案する。 正中線における脳の構造的接続性を維持するため、我々は新しい接続性レギュラーロスを導入する。 提案手法は, パラメータを少なくし, 4つの評価指標で3つの最先端手法より優れる。
• 参考スコア（独自算出の注目度）: 50.868845400939314
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Brain midline delineation can facilitate the clinical evaluation of brain midline shift, which plays an important role in the diagnosis and prognosis of various brain pathology. Nevertheless, there are still great challenges with brain midline delineation, such as the largely deformed midline caused by the mass effect and the possible morphological failure that the predicted midline is not a connected curve. To address these challenges, we propose a context-aware refinement network (CAR-Net) to refine and integrate the feature pyramid representation generated by the UNet. Consequently, the proposed CAR-Net explores more discriminative contextual features and a larger receptive field, which is of great importance to predict largely deformed midline. For keeping the structural connectivity of the brain midline, we introduce a novel connectivity regular loss (CRL) to punish the disconnectivity between adjacent coordinates. Moreover, we address the ignored prerequisite of previous regression-based methods that the brain CT image must be in the standard pose. A simple pose rectification network is presented to align the source input image to the standard pose image. Extensive experimental results on the CQ dataset and one inhouse dataset show that the proposed method requires fewer parameters and outperforms three state-of-the-art methods in terms of four evaluation metrics. Code is available at https://github.com/ShawnBIT/Brain-Midline-Detection.
• Abstract（参考訳）: 脳のミッドラインデライン化は、様々な脳病理の診断と予後において重要な役割を果たす脳のミッドラインシフトの臨床的評価を促進する。 それでも、質量効果によって大きく変形した中線や、予測中線が連結曲線ではないという形態的失敗など、脳の正中線デライン化には大きな課題がある。 これらの課題に対処するために,我々は,unet が生成する機能ピラミッド表現を洗練し統合するための,文脈認識リファインメントネットワーク (car-net) を提案する。 その結果、CAR-Netはより差別的な文脈特徴とより大きな受容領域を探索し、大きな変形中線を予測することが非常に重要である。 正中線における脳の構造的接続を維持するため,隣接座標間の不連結性を抑える新しい接続規則損失(CRL)を導入する。 さらに,脳CT画像が標準ポーズにある必要がある過去の回帰ベース手法の無視的前提に対処する。 ソース入力画像と標準ポーズ画像とを整列させるため、簡単なポーズ修正ネットワークが提供される。 cqデータセットと1つの内部データセットに関する広範囲な実験結果から,提案手法はパラメータを少なくし,4つの評価指標で3つの最先端手法を上回った。 コードはhttps://github.com/ShawnBIT/Brain-Midline-Detectionで入手できる。

関連論文リスト

• Adaptive Critical Subgraph Mining for Cognitive Impairment Conversion Prediction with T1-MRI-based Brain Network [4.835051121929712]
  早期認知症への転換の予測は、その進行を緩和するために重要である。 従来のT1強調MRI(T1-MRI)研究は、脳萎縮領域の同定に重点を置いている。 Brain-SubGNNは、T1-MRIに基づく重要なサブグラフをマイニングし、拡張するための新しいグラフ表現ネットワークである。
  論文  参考訳（メタデータ） (2024-03-20T06:46:01Z)
• 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)
• 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)
• InDuDoNet+: A Model-Driven Interpretable Dual Domain Network for Metal Artifact Reduction in CT Images [53.4351366246531]
  InDuDoNet+と呼ばれる新しい解釈可能な二重ドメインネットワークを構築し、CT画像の微細な埋め込みを行う。 異なる組織間のCT値を分析し,InDuDoNet+の事前観測ネットワークにマージすることで,その一般化性能を著しく向上させる。
  論文  参考訳（メタデータ） (2021-12-23T15:52:37Z)
• 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)
• Deep Graph Normalizer: A Geometric Deep Learning Approach for Estimating Connectional Brain Templates [0.0]
  接続脳テンプレート(CBT)は、脳ネットワークの集団の正規化されたグラフベースの表現です。 Deep Graph Normalizer(DGN)は、MVBNの個体群を正規化する最初の幾何学的ディープラーニングアーキテクチャである。 DGNは、被験者を横断する非線形パターンを捉えながら、マルチビュー脳ネットワークを融合する方法を学ぶ。
  論文  参考訳（メタデータ） (2020-12-28T08:01:49Z)
• 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)
• Collaborative Boundary-aware Context Encoding Networks for Error Map Prediction [65.44752447868626]
  本稿では,AEP-Net と呼ばれる協調的コンテキスト符号化ネットワークを提案する。 具体的には、画像とマスクのより優れた特徴融合のための協調的な特徴変換分岐と、エラー領域の正確な局所化を提案する。 AEP-Netはエラー予測タスクの平均DSCが0.8358,0.8164であり、ピアソン相関係数が0.9873である。
  論文  参考訳（メタデータ） (2020-06-25T12:42:01Z)
• Segmentation-based Method combined with Dynamic Programming for Brain Midline Delineation [42.91127174025364]
  脳卒中やTBIによる脳圧迫の重症度を評価するには,中線関連画像の特徴が重要である。 従来の手法のほとんどは、重篤なケースでは検出や欠落が難しい解剖学的点を局在させることで、ミッドラインをモデル化していた。 本稿では,脳の正中線記述をセグメンテーションタスクとして定式化し,三段階の枠組みを提案する。
  論文  参考訳（メタデータ） (2020-02-27T05:12:18Z)

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。