Fugu-MT 論文翻訳(概要): PiaNet: A pyramid input augmented convolutional neural network for GGO detection in 3D lung CT scans

論文の概要: PiaNet: A pyramid input augmented convolutional neural network for GGO detection in 3D lung CT scans

arxiv url: http://arxiv.org/abs/2009.05267v2
Date: Sat, 10 Oct 2020 05:23:46 GMT
ステータス: 処理完了
システム内更新日: 2022-10-19 21:33:27.277837
Title: PiaNet: A pyramid input augmented convolutional neural network for GGO detection in 3D lung CT scans
Title（参考訳）: PiaNet: 3次元肺CTにおけるGGO検出のためのピラミッド入力拡張畳み込みニューラルネットワーク
Authors: Weihua Liu, Xiabi Liua, Xiongbiao Luo, Murong Wang, Guanghui Han, Xinming Zhao, Zheng Zhu
Abstract要約: 本稿では,3次元CT画像におけるグラウンドグラス不透明(GGO)結節検出のためのマルチスケール処理を用いた新しい畳み込みニューラルネットワークを提案する。 PiaNetは機能抽出モジュールと予測モジュールで構成されている。 PiaNetは91.75%の感度を実現している。
参考スコア（独自算出の注目度）: 14.119304780280526
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: This paper proposes a new convolutional neural network with multiscale processing for detecting ground-glass opacity (GGO) nodules in 3D computed tomography (CT) images, which is referred to as PiaNet for short. PiaNet consists of a feature-extraction module and a prediction module. The former module is constructed by introducing pyramid multiscale source connections into a contracting-expanding structure. The latter module includes a bounding-box regressor and a classifier that are employed to simultaneously recognize GGO nodules and estimate bounding boxes at multiple scales. To train the proposed PiaNet, a two-stage transfer learning strategy is developed. In the first stage, the feature-extraction module is embedded into a classifier network that is trained on a large data set of GGO and non-GGO patches, which are generated by performing data augmentation from a small number of annotated CT scans. In the second stage, the pretrained feature-extraction module is loaded into PiaNet, and then PiaNet is fine-tuned using the annotated CT scans. We evaluate the proposed PiaNet on the LIDC-IDRI data set. The experimental results demonstrate that our method outperforms state-of-the-art counterparts, including the Subsolid CAD and Aidence systems and S4ND and GA-SSD methods. PiaNet achieves a sensitivity of 91.75% with only one false positive per scan
Abstract（参考訳）: 本稿では,3次元CT画像におけるグラウンドグラス不透明性(GGO)結節を検出するためのマルチスケール処理を備えた新しい畳み込みニューラルネットワークを提案する。 PiaNetは機能抽出モジュールと予測モジュールで構成される。前者モジュールは、縮約拡大構造にピラミッド型マルチスケールソース接続を導入することで構成される。後者のモジュールはバウンディングボックス回帰器と、複数のスケールでGGOノジュールと推定バウンディングボックスを同時に認識するために使用される分類器を含む。提案するpianetをトレーニングするために,2段階のトランスファー学習戦略を開発した。第1段階では、少数のCTスキャンからデータ拡張を行い、GGOおよび非GGOパッチの大きなデータセットに基づいて訓練された分類器ネットワークに特徴抽出モジュールを埋め込む。第2段階では、事前訓練された特徴抽出モジュールがPiaNetにロードされ、その後、アノテーション付きCTスキャンを使用して微調整される。 LIDC-IDRIデータセット上で提案したPiaNetを評価する。実験の結果,本手法は,S4ND法やGA-SSD法など,最先端のCADやAidenceシステムよりも優れていることがわかった。 pianetは1回のスキャンで91.75%の感度を達成

関連論文リスト

On the Localization of Ultrasound Image Slices within Point Distribution Models [84.27083443424408]
甲状腺疾患は高分解能超音波(US)で診断されることが多い縦断追跡は病理甲状腺形態の変化をモニタリングするための重要な診断プロトコルである。 3次元形状表現におけるUS画像の自動スライスローカライズのためのフレームワークを提案する。
論文参考訳（メタデータ） (2023-09-01T10:10:46Z)
UNet#: A UNet-like Redesigning Skip Connections for Medical Image Segmentation [13.767615201220138]
シンボル#に類似した形状のUNet-sharp(UNet#)という,高密度スキップ接続とフルスケールスキップ接続を組み合わせた新しいネットワーク構造を提案する。提案されたUNet#は、デコーダサブネットワークで異なるスケールの機能マップを集約し、詳細な詳細と大まかなセマンティクスをフルスケールから取得することができる。
論文参考訳（メタデータ） (2022-05-24T03:40:48Z)
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)
SATr: Slice Attention with Transformer for Universal Lesion Detection [39.90420943500884]
コンピュータ断層撮影におけるユニバーサル病変検出(ULD)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。コンボリューションベースのULDバックボーンに簡単に接続できる新しいSlice Attention Transformer (SATr) ブロックを提案する。 5つの最先端手法による実験により、提案したSATrブロックは、病変検出精度をほぼ自由に向上できることが示された。
論文参考訳（メタデータ） (2022-03-13T03:37:27Z)
Lymphoma segmentation from 3D PET-CT images using a deep evidential network [20.65641432056608]
3Dポジトロン・エミッション・トモグラフィ(PET)画像とCT画像から悪性リンパ腫を分離するために, 自動顕在性セグメンテーション法を提案する。アーキテクチャは、深い特徴抽出モジュールと明らかな層から構成される。提案手法の深部特徴抽出と明らかなセグメンテーションの組み合わせは,ベースラインUNetモデルより優れていることを示す。
論文参考訳（メタデータ） (2022-01-31T09:34:38Z)
Automatic size and pose homogenization with spatial transformer network to improve and accelerate pediatric segmentation [51.916106055115755]
空間変換器ネットワーク(STN)を利用することにより、ポーズとスケール不変の新たなCNNアーキテクチャを提案する。私たちのアーキテクチャは、トレーニング中に一緒に見積もられる3つのシーケンシャルモジュールで構成されています。腹部CTスキャナーを用いた腎および腎腫瘍の分節法について検討した。
論文参考訳（メタデータ） (2021-07-06T14:50:03Z)
TSGCNet: Discriminative Geometric Feature Learning with Two-Stream GraphConvolutional Network for 3D Dental Model Segmentation [141.2690520327948]
2流グラフ畳み込みネットワーク(TSGCNet)を提案し、異なる幾何学的特性から多視点情報を学ぶ。 3次元口腔内スキャナーで得られた歯科モデルのリアルタイムデータセットを用いてTSGCNetの評価を行った。
論文参考訳（メタデータ） (2020-12-26T08:02:56Z)
Revisiting 3D Context Modeling with Supervised Pre-training for Universal Lesion Detection in CT Slices [48.85784310158493]
CTスライスにおける普遍的病変検出のための3Dコンテキスト強化2D特徴を効率的に抽出するための修飾擬似3次元特徴ピラミッドネットワーク(MP3D FPN)を提案する。新たな事前学習手法により,提案したMP3D FPNは,DeepLesionデータセット上での最先端検出性能を実現する。提案された3Dプリトレーニングウェイトは、他の3D医療画像分析タスクのパフォーマンスを高めるために使用できる。
論文参考訳（メタデータ） (2020-12-16T07:11:16Z)
MetricUNet: Synergistic Image- and Voxel-Level Learning for Precise CT Prostate Segmentation via Online Sampling [66.01558025094333]
本稿では,前立腺領域を高速に局在させる第1段階と,前立腺領域を正確に区分する第2段階の2段階のフレームワークを提案する。マルチタスクネットワークにおけるボクセルワイドサンプリングによる新しいオンラインメトリック学習モジュールを提案する。本手法は,従来のクロスエントロピー学習法やDice損失学習法と比較して,より代表的なボクセルレベルの特徴を効果的に学習することができる。
論文参考訳（メタデータ） (2020-05-15T10:37:02Z)
DDU-Nets: Distributed Dense Model for 3D MRI Brain Tumor Segmentation [27.547646527286886]
分散高密度接続(DDC)の3つのパターンが提案され,CNNの機能再利用と伝播が促進される。 DDC(DDU-Nets)を組み込んだCNNベースのモデルでは,3次元MR画像から脳腫瘍をよりよく検出し,セグメンテーションするために,ピクセルからピクセルへの効率よくトレーニングを行う。提案手法はBraTS 2019データセットで評価され,DDU-Netsの有効性が示された。
論文参考訳（メタデータ） (2020-03-03T05:08:34Z)

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。