論文の概要: W-Net: Dense Semantic Segmentation of Subcutaneous Tissue in Ultrasound Images by Expanding U-Net to Incorporate Ultrasound RF Waveform Data

• arxiv url: http://arxiv.org/abs/2008.12413v2
• Date: Wed, 2 Sep 2020 09:14:27 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-24 07:45:10.768270
• Title: W-Net: Dense Semantic Segmentation of Subcutaneous Tissue in Ultrasound Images by Expanding U-Net to Incorporate Ultrasound RF Waveform Data
• Title（参考訳）: W-Net:U-Netを応用した超音波RF波形データによる超音波画像中の皮下組織の高密度セマンティックセマンティックセグメンテーション
• Authors: Gautam Rajendrakumar Gare, Jiayuan Li, Rohan Joshi, Mrunal Prashant Vaze, Rishikesh Magar, Michael Yousefpour, Ricardo Luis Rodriguez and John Micheal Galeotti
• Abstract要約: 本稿では,各Aスキャンから生の超音波波形を利用する新しい畳み込みニューラルネットワーク(CNN)フレームワークであるW-Netを提案する。 背景クラスを使わずに、画像中のすべてのピクセルをラベル付けしようとします。 筋ファシスタとFat fascia/stromaがラベル付けが難しい組織である理由について分析を行った。
• 参考スコア（独自算出の注目度）: 2.9023633922848586
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present W-Net, a novel Convolution Neural Network (CNN) framework that employs raw ultrasound waveforms from each A-scan, typically referred to as ultrasound Radio Frequency (RF) data, in addition to the gray ultrasound image to semantically segment and label tissues. Unlike prior work, we seek to label every pixel in the image, without the use of a background class. To the best of our knowledge, this is also the first deep-learning or CNN approach for segmentation that analyses ultrasound raw RF data along with the gray image. International patent(s) pending [PCT/US20/37519]. We chose subcutaneous tissue (SubQ) segmentation as our initial clinical goal since it has diverse intermixed tissues, is challenging to segment, and is an underrepresented research area. SubQ potential applications include plastic surgery, adipose stem-cell harvesting, lymphatic monitoring, and possibly detection/treatment of certain types of tumors. A custom dataset consisting of hand-labeled images by an expert clinician and trainees are used for the experimentation, currently labeled into the following categories: skin, fat, fat fascia/stroma, muscle and muscle fascia. We compared our results with U-Net and Attention U-Net. Our novel \emph{W-Net}'s RF-Waveform input and architecture increased mIoU accuracy (averaged across all tissue classes) by 4.5\% and 4.9\% compared to regular U-Net and Attention U-Net, respectively. We present analysis as to why the Muscle fascia and Fat fascia/stroma are the most difficult tissues to label. Muscle fascia in particular, the most difficult anatomic class to recognize for both humans and AI algorithms, saw mIoU improvements of 13\% and 16\% from our W-Net vs U-Net and Attention U-Net respectively.
• Abstract（参考訳）: 本稿では,各Aスキャンからの生の超音波波形を用いた新しい畳み込みニューラルネットワーク(CNN)フレームワークであるW-Netについて述べる。 以前の作業とは異なり、バックグラウンドクラスを使わずに、画像中のすべてのピクセルをラベル付けしようとします。 我々の知る限りでは、これは超音波生RFデータをグレー画像とともに分析するセグメント化のための初めてのディープラーニングまたはCNNアプローチである。 国際特許出願[pct/us20/37519]. 皮下組織 (SubQ) の分画は多種多様な混在組織を持ち, 分画が困難であり, 未表現領域であるので, 初期臨床目的として選択した。 サブQの応用としては、プラスティック手術、脂肪幹細胞採取、リンパモニタリング、特定の種類の腫瘍の検出・治療などがある。 専門医と研修生による手ラベル画像からなるカスタムデータセットを用いて実験を行い,現在,皮膚,脂肪,脂肪・間質,筋肉,筋肉筋の分類に分類している。 U-Net と Attention U-Net を比較した。 RF-Waveform 入力とアーキテクチャにより, 通常の U-Net および Attention U-Net と比較して, mIoU の精度は 4.5 %, 4.9 % 向上した。 筋ファシスタとFat fascia/stromaがラベル付けが難しい組織である理由について分析を行った。 特に、ヒトとAIアルゴリズムの両方で認識する最も難しい解剖学的クラスである筋ファシスタでは、我々のW-NetとU-NetとAtention U-Netの13倍と16倍のmIoU改善が見られた。

関連論文リスト

• Modifying the U-Net's Encoder-Decoder Architecture for Segmentation of Tumors in Breast Ultrasound Images [0.0]
  U-Netとエンコーダデコーダアーキテクチャに基づくニューラルネットワーク(NN)を提案する。 我々のネットワーク(CResU-Net)は82.88%、77.5%、90.3%、98.4%のDice類似係数を得た。
  論文  参考訳（メタデータ） (2024-09-01T07:47:48Z)
• CathFlow: Self-Supervised Segmentation of Catheters in Interventional Ultrasound Using Optical Flow and Transformers [66.15847237150909]
  縦型超音波画像におけるカテーテルのセグメンテーションのための自己教師型ディープラーニングアーキテクチャを提案する。 ネットワークアーキテクチャは、Attention in Attentionメカニズムで構築されたセグメンテーショントランスフォーマであるAiAReSeg上に構築されている。 我々は,シリコンオルタファントムから収集した合成データと画像からなる実験データセット上で,我々のモデルを検証した。
  論文  参考訳（メタデータ） (2024-03-21T15:13:36Z)
• WATUNet: A Deep Neural Network for Segmentation of Volumetric Sweep Imaging Ultrasound [1.2903292694072621]
  ボリューム・スイープ・イメージング(VSI)は、訓練を受けていないオペレーターが高品質な超音波画像をキャプチャできる革新的な手法である。 本稿ではWavelet_Attention_UNet(WATUNet)と呼ばれる新しいセグメンテーションモデルを提案する。 このモデルでは、簡単な接続ではなく、ウェーブレットゲート(WG)とアテンションゲート(AG)をエンコーダとデコーダの間に組み込んで、上記の制限を克服する。
  論文  参考訳（メタデータ） (2023-11-17T20:32:37Z)
• Data-Efficient Vision Transformers for Multi-Label Disease Classification on Chest Radiographs [55.78588835407174]
  視覚変換器(ViT)は一般的な画像の分類性能が高いにもかかわらず、このタスクには適用されていない。 ViTは、畳み込みではなくパッチベースの自己アテンションに依存しており、CNNとは対照的に、ローカル接続に関する事前の知識は存在しない。 以上の結果から,ViTとCNNのパフォーマンスはViTの利点に匹敵するものの,DeiTsはトレーニング用に適度に大規模なデータセットが利用可能であれば,前者よりも優れることがわかった。
  論文  参考訳（メタデータ） (2022-08-17T09:07:45Z)
• Preservation of High Frequency Content for Deep Learning-Based Medical Image Classification [74.84221280249876]
  大量の胸部ラジオグラフィーの効率的な分析は、医師や放射線技師を助けることができる。 本稿では,視覚情報の効率的な識別と符号化のための離散ウェーブレット変換(DWT)を提案する。
  論文  参考訳（メタデータ） (2022-05-08T15:29:54Z)
• Omni-Seg: A Single Dynamic Network for Multi-label Renal Pathology Image Segmentation using Partially Labeled Data [6.528287373027917]
  非癌病理学では、学習アルゴリズムにより、より包括的な組織型を同時に調べることができる。 それまでは、ドメイン固有の知識に合わせて複数のセグメンテーションネットワークをトレーニングする必要があった。 パッチワイドの病理画像15万点から学習することにより,提案したOmni-Segネットワークはセグメンテーション精度が向上し,資源消費量も低減した。
  論文  参考訳（メタデータ） (2021-12-23T16:02:03Z)
• Voice-assisted Image Labelling for Endoscopic Ultrasound Classification using Neural Networks [48.732863591145964]
  本稿では,臨床医が提示した生音声からのEUS画像にラベルを付けるマルチモーダル畳み込みニューラルネットワークアーキテクチャを提案する。 その結果,5つのラベルを持つデータセットにおいて,画像レベルでの予測精度は76%であった。
  論文  参考訳（メタデータ） (2021-10-12T21:22:24Z)
• Automatic Segmentation of the Prostate on 3D Trans-rectal Ultrasound Images using Statistical Shape Models and Convolutional Neural Networks [3.9121134770873733]
  本稿では,畳み込みニューラルネットワーク(CNN)と統計的形状モデル(SSM)を用いて,経直腸超音波(TRUS)画像のデータセット上に前立腺を分割することを提案する。 TRUSは軟組織コントラストが限られており、前立腺のセグメンテーションが困難である。
  論文  参考訳（メタデータ） (2021-06-17T17:11:53Z)
• Global Guidance Network for Breast Lesion Segmentation in Ultrasound Images [84.03487786163781]
  我々は,大域的誘導ブロック(GGB)と乳房病変境界検出モジュールを備えた深部畳み込みニューラルネットワークを開発した。 当社のネットワークは、乳房超音波病変分割における他の医療画像分割方法および最近のセマンティックセグメンテーション方法よりも優れています。
  論文  参考訳（メタデータ） (2021-04-05T13:15:22Z)
• 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)
• A Comparative Study of U-Net Topologies for Background Removal in Histopathology Images [0.0]
  我々は異なるネットワークバックボーンでU-Netアーキテクチャの実験を行い、背景とWhole Slide Imagesのアーティファクトを除去する。 我々は,The Cancer Genome Atlas (TCGA)データセットを手作業でラベル付けしたサブセットを用いてネットワークをトレーニングし,評価した。
  論文  参考訳（メタデータ） (2020-06-08T16:41:44Z)

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。