論文の概要: MedMeshCNN -- Enabling MeshCNN for Medical Surface Models
- arxiv url: http://arxiv.org/abs/2009.04893v1
- Date: Thu, 10 Sep 2020 14:40:28 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-20 03:20:32.613809
- Title: MedMeshCNN -- Enabling MeshCNN for Medical Surface Models
- Title（参考訳）: MedMeshCNN - 医用表面モデルのためのMeshCNNの実装
- Authors: Lisa Schneider, Annika Niemann, Oliver Beuing, Bernhard Preim and
Sylvia Saalfeld
- Abstract要約: 我々は,MedMeshCNNを,複雑で多様できめ細かな医療データの拡張として提案する。
メモリ効率が大幅に向上したMeshCNNの機能に従っている。
これは、しばしば高度に不均衡なクラス分布を伴う病理構造の分節化を可能にする。
- 参考スコア（独自算出の注目度）: 2.466908645892726
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Background and objective: MeshCNN is a recently proposed Deep Learning
framework that drew attention due to its direct operation on irregular,
non-uniform 3D meshes. On selected benchmarking datasets, it outperformed
state-of-the-art methods within classification and segmentation tasks.
Especially, the medical domain provides a large amount of complex 3D surface
models that may benefit from processing with MeshCNN. However, several
limitations prevent outstanding performances of MeshCNN on highly diverse
medical surface models. Within this work, we propose MedMeshCNN as an expansion
for complex, diverse, and fine-grained medical data. Methods: MedMeshCNN
follows the functionality of MeshCNN with a significantly increased memory
efficiency that allows retaining patient-specific properties during the
segmentation process. Furthermore, it enables the segmentation of pathological
structures that often come with highly imbalanced class distributions. Results:
We tested the performance of MedMeshCNN on a complex part segmentation task of
intracranial aneurysms and their surrounding vessel structures and reached a
mean Intersection over Union of 63.24\%. The pathological aneurysm is segmented
with an Intersection over Union of 71.4\%. Conclusions: These results
demonstrate that MedMeshCNN enables the application of MeshCNN on complex,
fine-grained medical surface meshes. The imbalanced class distribution deriving
from the pathological finding is considered by MedMeshCNN and patient-specific
properties are mostly retained during the segmentation process.
- Abstract（参考訳）: 背景と目的: MeshCNNは最近提案されたDeep Learningフレームワークで、不規則で一様でない3Dメッシュ上での直接動作によって注目を集めている。
選択されたベンチマークデータセットでは、分類とセグメンテーションタスクにおける最先端メソッドよりも優れていた。
特に、医療領域は、meshcnnによる処理の恩恵を受ける可能性のある、大量の複雑な3d表面モデルを提供する。
しかしながら、いくつかの制限は、非常に多様な医療表面モデルにおけるmeshcnnの優れた性能を妨げる。
本研究で提案するMedMeshCNNは, 複雑な, 多様な, きめ細かい医療データの拡張である。
方法: medmeshcnn は meshcnn の機能に従い、メモリ効率が大幅に向上し、セグメンテーションプロセス中に患者固有の特性を保持することができる。
さらに、しばしば高度に不均衡なクラス分布を持つ病的構造のセグメンテーションを可能にする。
結果:MedMeshCNNは頭蓋内大動脈瘤とその周囲の血管構造を複雑に区分し,63.24\%の平均断面積に到達した。
病理組織学的動脈瘤は71.4\%のインターセクションで区切られている。
結論: これらの結果は,medmeshcnnがmeshcnnを複雑な細粒度の医療用表面メッシュに適用できることを示した。
MedMeshCNNは病理所見から導かれる不均衡なクラス分布を考慮し, 分節過程において患者固有の特性をほとんど保持する。
関連論文リスト
- Enhancing Weakly Supervised 3D Medical Image Segmentation through
Probabilistic-aware Learning [52.249748801637196]
3次元医用画像のセグメンテーションは、疾患の診断と治療計画に重要な意味を持つ課題である。
近年の深層学習の進歩は、完全に教師付き医療画像のセグメンテーションを著しく強化している。
本稿では,3次元医用画像に特化して設計された,確率的適応型弱教師付き学習パイプラインを提案する。
論文 参考訳（メタデータ） (2024-03-05T00:46:53Z) - Leveraging Frequency Domain Learning in 3D Vessel Segmentation [50.54833091336862]
本研究では,Fourier領域学習を3次元階層分割モデルにおけるマルチスケール畳み込みカーネルの代用として活用する。
管状血管分割作業において,新しいネットワークは顕著なサイス性能(ASACA500が84.37%,ImageCASが80.32%)を示した。
論文 参考訳（メタデータ） (2024-01-11T19:07:58Z) - Implicit Anatomical Rendering for Medical Image Segmentation with
Stochastic Experts [11.007092387379078]
医用画像セグメンテーションの学習を支援するために,解剖学的レベルで設計された汎用的な暗黙的ニューラルネットワークレンダリングフレームワークであるMORSEを提案する。
医用画像のセグメンテーションをエンドツーエンドのレンダリング問題として定式化する。
実験の結果,MORSEは異なる医療セグメントのバックボーンでうまく機能することが示された。
論文 参考訳（メタデータ） (2023-04-06T16:44:03Z) - CNN-based fully automatic wrist cartilage volume quantification in MR
Image [55.41644538483948]
追加の注意層を持つU-net畳み込みニューラルネットワークは、最高の手首軟骨分割性能を提供する。
非MRI法を用いて軟骨体積測定の誤差を独立に評価すべきである。
論文 参考訳（メタデータ） (2022-06-22T14:19:06Z) - Multi-organ Segmentation Network with Adversarial Performance Validator [10.775440368500416]
本稿では,2次元から3次元のセグメンテーションフレームワークに対向的な性能検証ネットワークを導入する。
提案したネットワークは, 2次元粗い結果から3次元高品質なセグメンテーションマスクへの変換を行い, 共同最適化によりセグメンテーション精度が向上する。
NIH膵分節データセットの実験では、提案したネットワークが小臓器分節の最先端の精度を達成し、過去の最高性能を上回った。
論文 参考訳（メタデータ） (2022-04-16T18:00:29Z) - A Unified Framework for Generalized Low-Shot Medical Image Segmentation
with Scarce Data [24.12765716392381]
距離距離距離距離学習(DML)に基づく医用画像分割の一般化のための統一的枠組みを提案する。
DMLでは,各カテゴリの多モード混合表現を学習し,画素の深層埋め込みとカテゴリ表現との間の余弦距離に基づいて密接な予測を行う。
脳MRIおよび腹部CTデータセットの実験において,提案手法は標準DNN(3D U-Net)法と古典的登録(ANT)法に対して,低ショットセグメンテーションにおいて優れた性能を示す。
論文 参考訳（メタデータ） (2021-10-18T13:01:06Z) - Medulloblastoma Tumor Classification using Deep Transfer Learning with
Multi-Scale EfficientNets [63.62764375279861]
本稿では,エンド・ツー・エンドのMB腫瘍分類を提案し,様々な入力サイズとネットワーク次元の一致した移動学習を提案する。
161ケースのデータセットを用いて、より大規模な入力解像度を持つ事前学習されたEfficientNetが、大幅な性能改善をもたらすことを実証した。
論文 参考訳（メタデータ） (2021-09-10T13:07:11Z) - Few-shot Medical Image Segmentation using a Global Correlation Network
with Discriminative Embedding [60.89561661441736]
医療画像分割のための新しい手法を提案する。
深層畳み込みネットワークを用いた数ショット画像セグメンタを構築します。
深層埋め込みの識別性を高め,同一クラスの特徴領域のクラスタリングを促進する。
論文 参考訳（メタデータ） (2020-12-10T04:01:07Z) - Boundary-aware Context Neural Network for Medical Image Segmentation [15.585851505721433]
医用画像のセグメンテーションは、さらなる臨床分析と疾患診断のための信頼性の高い基盤を提供することができる。
既存のCNNベースのほとんどの手法は、正確なオブジェクト境界のない不満足なセグメンテーションマスクを生成する。
本稿では,2次元医用画像分割のための境界認識コンテキストニューラルネットワーク(BA-Net)を定式化する。
論文 参考訳（メタデータ） (2020-05-03T02:35:49Z) - A Global Benchmark of Algorithms for Segmenting Late Gadolinium-Enhanced
Cardiac Magnetic Resonance Imaging [90.29017019187282]
現在世界最大の心臓LGE-MRIデータセットである154個の3D LGE-MRIを用いた「2018 left Atrium Challenge」。
技術および生物学的指標を用いた提案アルゴリズムの解析を行った。
その結果, 最上部法は93.2%, 平均表面は0.7mmであった。
論文 参考訳（メタデータ） (2020-04-26T08:49:17Z) - Recurrent convolutional neural networks for mandible segmentation from
computed tomography [0.9851812512860351]
本稿では、分割畳み込み畳み込みニューラルネットワーク(SegCNN)をリカレントニューラルネットワーク(RNN)に組み込む再帰分割畳み込み畳み込みニューラルネットワーク(RSegCNN)を提案する。
このようなシステムの設計は、CTスキャンで隣接する画像スライスでキャプチャされた下顎形状の類似性と連続性を考慮に入れている。
RSegCNNは、正確な下顎分割のための最先端のモデルよりもはるかに優れている。
論文 参考訳（メタデータ） (2020-03-13T21:11:28Z)
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。