論文の概要: E$^2$Net: An Edge Enhanced Network for Accurate Liver and Tumor Segmentation on CT Scans

• arxiv url: http://arxiv.org/abs/2007.09791v1
• Date: Sun, 19 Jul 2020 21:50:22 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-09 00:43:14.202637
• Title: E$^2$Net: An Edge Enhanced Network for Accurate Liver and Tumor Segmentation on CT Scans
• Title（参考訳）: E$^2$Net:CTスキャンにおける肝・腫瘍切開のためのエッジ拡張ネットワーク
• Authors: Youbao Tang, Yuxing Tang, Yingying Zhu, Jing Xiao and Ronald M. Summers
• Abstract要約: 2次元肝と腫瘍の分節のための2段階の枠組みを提案する。 第1段階は粗い肝臓セグメンテーションネットワーク、第2段階はエッジ強化ネットワーク(E$2$Net)である。 E$2$Netは、補完的なオブジェクト(配信と腫瘍)とそのネットワーク内のエッジ情報を明示的にモデル化し、臓器と病変の境界を保存する。 提案フレームワークは, 最先端の2D, 3D, 2D/3Dハイブリッドフレームワークと比較して, 肝および肝腫瘍のセグメンテーションにおいて優れた性能を示した。
• 参考スコア（独自算出の注目度）: 19.8618638586525
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Developing an effective liver and liver tumor segmentation model from CT scans is very important for the success of liver cancer diagnosis, surgical planning and cancer treatment. In this work, we propose a two-stage framework for 2D liver and tumor segmentation. The first stage is a coarse liver segmentation network, while the second stage is an edge enhanced network (E$^2$Net) for more accurate liver and tumor segmentation. E$^2$Net explicitly models complementary objects (liver and tumor) and their edge information within the network to preserve the organ and lesion boundaries. We introduce an edge prediction module in E$^2$Net and design an edge distance map between liver and tumor boundaries, which is used as an extra supervision signal to train the edge enhanced network. We also propose a deep cross feature fusion module to refine multi-scale features from both objects and their edges. E$^2$Net is more easily and efficiently trained with a small labeled dataset, and it can be trained/tested on the original 2D CT slices (resolve resampling error issue in 3D models). The proposed framework has shown superior performance on both liver and liver tumor segmentation compared to several state-of-the-art 2D, 3D and 2D/3D hybrid frameworks.
• Abstract（参考訳）: 肝癌診断, 手術計画, 癌治療を成功させるには, ctスキャンから有効な肝腫瘍分離モデルを開発することが非常に重要である。 本研究では,2次元肝と腫瘍の分節化のための2段階の枠組みを提案する。 第1段階は粗い肝セグメンテーションネットワークであり、第2段階はより正確な肝と腫瘍セグメンテーションのためのエッジ強化ネットワーク(E$^2$Net)である。 E$^2$Netは、臓器と病変の境界を保存するために、補体オブジェクト(肝と腫瘍)とそのネットワーク内のエッジ情報を明示的にモデル化する。 我々は,e$^2$netにエッジ予測モジュールを導入し,エッジ強化ネットワークを訓練するための余分な監視信号として使用される肝と腫瘍の境界の間のエッジ距離マップを設計する。 また,オブジェクトとエッジの両方からマルチスケール機能を洗練するためのディープクロス機能融合モジュールを提案する。 E$^2$Netは、小さなラベル付きデータセットでより簡単かつ効率的にトレーニングされ、元の2D CTスライスでトレーニング/テストできる(3Dモデルで再サンプリングエラー問題を解決)。 提案フレームワークは, 最先端の2D, 3D, 2D/3Dハイブリッドフレームワークと比較して, 肝および肝腫瘍のセグメンテーションにおいて優れた性能を示した。

関連論文リスト

• YNetr: Dual-Encoder architecture on Plain Scan Liver Tumors (PSLT) [11.779888288866577]
  肝腫瘍は良性または悪性の肝の異常な増殖である。 肝腫瘍のプレーンスキャンセグメンテーションのためのデータセットは存在しない。 そこで我々はPlain Scan Liver tumors(PSLT)とYNetrを提案する。
  論文  参考訳（メタデータ） (2024-03-30T11:41:19Z)
• 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)
• Multi-dimension unified Swin Transformer for 3D Lesion Segmentation in Multiple Anatomical Locations [1.7413461132662074]
  3次元病変分割のためのMDU-ST(multi-dimension unified Swin transformer)と呼ばれる新しいモデルを提案する。 ネットワークの性能はDice similarity coefficient(DSC)とHausdorff distance(HD)で内部の3D病変データセットを用いて評価される。 提案手法は, 放射線学および腫瘍成長モデル研究を支援するために, 自動3次元病変セグメンテーションを行うために用いられる。
  論文  参考訳（メタデータ） (2023-09-04T21:24:00Z)
• Dual Multi-scale Mean Teacher Network for Semi-supervised Infection Segmentation in Chest CT Volume for COVID-19 [76.51091445670596]
  CT(Computed tomography)データから肺感染症を自動的に検出することは、COVID-19と戦う上で重要な役割を担っている。 現在の新型コロナウイルス感染症のセグメンテーションのほとんどは、主に3Dシーケンシャルな制約を欠いた2D CT画像に依存している。 既存の3次元CTセグメンテーション法では,3次元ボリュームにおける複数レベルの受容場サイズを達成できない単一スケールの表現に焦点が当てられている。
  論文  参考訳（メタデータ） (2022-11-10T13:11:21Z)
• View-Disentangled Transformer for Brain Lesion Detection [50.4918615815066]
  より正確な腫瘍検出のためのMRI特徴抽出のための新しいビューディペンタングル変換器を提案する。 まず, 3次元脳スキャンにおいて, 異なる位置の長距離相関を求める。 第二に、トランスフォーマーはスライス機能のスタックを複数の2Dビューとしてモデル化し、これらの機能をビュー・バイ・ビューとして拡張する。 第三に、提案したトランスモジュールをトランスのバックボーンに展開し、脳病変を取り巻く2D領域を効果的に検出する。
  論文  参考訳（メタデータ） (2022-09-20T11:58:23Z)
• Efficient liver segmentation with 3D CNN using computed tomography scans [0.0]
  肝腫瘍による肝疾患は、世界で最も一般的な理由の1つである。 多くの画像モダリティは、肝腫瘍を検出するための補助ツールとして使用できる。 腹部CTから肝を検出・分画する効率的な自動肝分画フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-08-28T19:02:39Z)
• 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)
• A unified 3D framework for Organs at Risk Localization and Segmentation for Radiation Therapy Planning [56.52933974838905]
  現在の医療ワークフローは、OAR(Organs-at-risk)のマニュアル記述を必要とする 本研究は,OARローカライゼーション・セグメンテーションのための統合された3Dパイプラインの導入を目的とする。 提案手法は医用画像に固有の3Dコンテキスト情報の活用を可能にする。
  論文  参考訳（メタデータ） (2022-03-01T17:08:41Z)
• Exploiting full Resolution Feature Context for Liver Tumor and Vessel Segmentation via Fusion Encoder: Application to Liver Tumor and Vessel 3D reconstruction [19.048952361722876]
  本稿ではTransformerとSEBottleNetをベースとしたTransFusionNetと呼ばれるマルチスケール機能コンテキスト融合ネットワークを提案する。 実験の結果、TransFusionNetは、LITSと3Dircadbの両方の公開データセットと臨床データセットの最先端手法よりも優れていることがわかった。 また,トレーニングモデルに基づく自動3次元再構成アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-11-26T02:48:48Z)
• A Novel Hybrid Convolutional Neural Network for Accurate Organ Segmentation in 3D Head and Neck CT Images [31.245109574064532]
  本研究では,2次元と3次元の畳み込みを融合させて異なる空間解像度に対処し,3次元HaNCT画像から効果的なエッジとセマンティック特徴を抽出するハイブリッドCNNを提案する。 MICCAI 2015チャレンジデータセットの実験は、OrganNet2.5Dが最先端の手法と比較して有望なパフォーマンスを達成することを示した。
  論文  参考訳（メタデータ） (2021-09-26T15:37:47Z)
• Volumetric Medical Image Segmentation: A 3D Deep Coarse-to-fine Framework and Its Adversarial Examples [74.92488215859991]
  本稿では,これらの課題に効果的に取り組むために,新しい3Dベースの粗粒度フレームワークを提案する。 提案した3Dベースのフレームワークは、3つの軸すべてに沿ってリッチな空間情報を活用できるため、2Dよりも大きなマージンで優れている。 我々は,3つのデータセット,NIH膵データセット,JHMI膵データセット,JHMI病理嚢胞データセットについて実験を行った。
  論文  参考訳（メタデータ） (2020-10-29T15:39:19Z)

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。