論文の概要: Segmentation of Lungs in Chest X-Ray Image Using Generative Adversarial
Networks
- arxiv url: http://arxiv.org/abs/2009.05752v1
- Date: Sat, 12 Sep 2020 08:54:54 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-19 07:59:03.834255
- Title: Segmentation of Lungs in Chest X-Ray Image Using Generative Adversarial
Networks
- Title(参考訳): 生成逆ネットワークを用いた胸部X線画像中の肺の分画
- Authors: Faizan Munawar, Shoaib Azmat, Talha Iqbal, Christer Gr\"onlund, Hazrat
Ali
- Abstract要約: 胸部X線(CXR)における肺分画の課題に対するGAN(Generative Adversarial Network)の利用について述べる。
我々の研究では、GANの生成元を訓練し、与えられた入力CXRのセグメンテッドマスクを生成する。
目的は入力されたCXRのマスクを生成することである。
- 参考スコア(独自算出の注目度): 0.5249805590164902
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Chest X-ray (CXR) is a low-cost medical imaging technique. It is a common
procedure for the identification of many respiratory diseases compared to MRI,
CT, and PET scans. This paper presents the use of generative adversarial
networks (GAN) to perform the task of lung segmentation on a given CXR. GANs
are popular to generate realistic data by learning the mapping from one domain
to another. In our work, the generator of the GAN is trained to generate a
segmented mask of a given input CXR. The discriminator distinguishes between a
ground truth and the generated mask, and updates the generator through the
adversarial loss measure. The objective is to generate masks for the input CXR,
which are as realistic as possible compared to the ground truth masks. The
model is trained and evaluated using four different discriminators referred to
as D1, D2, D3, and D4, respectively. Experimental results on three different
CXR datasets reveal that the proposed model is able to achieve a dice-score of
0.9740, and IOU score of 0.943, which are better than other reported
state-of-the art results.
- Abstract(参考訳): Chest X-ray (CXR) は低コストの医用イメージング技術である。
MRI、CT、PETスキャンと比較すると、多くの呼吸器疾患を同定する一般的な方法である。
本稿では,特定のcxr上での肺分画作業を行うために,gan(generative adversarial network)を用いた。
GANは、あるドメインから別のドメインへのマッピングを学習することで、現実的なデータを生成するのに人気がある。
我々の研究では、GANの生成元を訓練し、与えられた入力CXRのセグメンテッドマスクを生成する。
判別器は、地上の真実と生成されたマスクとを区別し、対向損失対策により発電機を更新する。
目的は、入力されたcxrのマスクを生成することである。
D1、D2、D3、D4と呼ばれる4つの異なる識別器を用いて、モデルを訓練し評価する。
3つの異なるcxrデータセットにおける実験結果から,提案手法は0.9740のサイススコアと0.943のiouスコアを達成可能であることが明らかとなった。
関連論文リスト
- Lung-CADex: Fully automatic Zero-Shot Detection and Classification of Lung Nodules in Thoracic CT Images [45.29301790646322]
コンピュータ支援診断は早期の肺結節の検出に役立ち、その後の結節の特徴づけを促進する。
MedSAMと呼ばれるSegment Anything Modelの変種を用いて肺結節をゼロショットでセグメント化するためのCADeを提案する。
また、放射能特徴のギャラリーを作成し、コントラスト学習を通じて画像と画像のペアを整列させることにより、良性/良性としての結節的特徴付けを行うCADxを提案する。
論文 参考訳(メタデータ) (2024-07-02T19:30:25Z) - A Two-Stage Generative Model with CycleGAN and Joint Diffusion for
MRI-based Brain Tumor Detection [41.454028276986946]
本稿では,脳腫瘍の検出とセグメンテーションを改善するための2段階生成モデル(TSGM)を提案する。
CycleGANは、未ペアデータに基づいてトレーニングされ、データとして正常な画像から異常な画像を生成する。
VE-JPは、合成対の異常画像をガイドとして使用して、健康な画像の再構成を行う。
論文 参考訳(メタデータ) (2023-11-06T12:58:26Z) - Validated respiratory drug deposition predictions from 2D and 3D medical
images with statistical shape models and convolutional neural networks [47.187609203210705]
患者固有の沈着モデリングのための自動計算フレームワークを開発し,検証することを目的としている。
2次元胸部X線と3次元CT画像から3次元患者の呼吸動態を生成できる画像処理手法が提案されている。
論文 参考訳(メタデータ) (2023-03-02T07:47:07Z) - RGMIM: Region-Guided Masked Image Modeling for Learning Meaningful Representations from X-Ray Images [49.24576562557866]
X線画像から意味のある表現を学習するための領域誘導マスク画像モデリング(RGMIM)を提案する。
RGMIMは、トレーニングセットの5%や10%といった小さなデータボリュームのパフォーマンスを、他の方法と比較して大幅に改善した。
論文 参考訳(メタデータ) (2022-11-01T07:41:03Z) - Multi-task Swin Transformer for Motion Artifacts Classification and
Cardiac Magnetic Resonance Image Segmentation [0.4419843514606336]
CMRxMotionの課題であるCMRセグメンテーションとモーションアーティファクト分類の2つのタスクを同時に解くためのマルチタスク・スイニング・UNEt TRansformerネットワークを提案する。
セグメンテーションと分類の両方をマルチタスク学習アプローチとして利用し、CMRの診断品質を判定し、同時にマスクを生成する。
論文 参考訳(メタデータ) (2022-09-06T13:14:44Z) - A Novel Mask R-CNN Model to Segment Heterogeneous Brain Tumors through
Image Subtraction [0.0]
画像セグメンテーション(画像セグメンテーション)と呼ばれる放射線学者による手法を用いて機械学習モデルに適用し,より優れたセグメンテーションを証明した。
Mask R-CNNは、RSNA肺炎検出チャレンジデータセットで事前トレーニングされたResNetバックボーンであり、Brats 2020 Brain tumorデータセットでモデルをトレーニングすることができる。
DICE係数(F1スコア)、リコール、未タッチテストセットの精度による画像サブトラクションを伴わないモデルと比較することにより、画像サブトラクションの手法がいかにうまく機能するかを確認できる。
論文 参考訳(メタデータ) (2022-04-04T01:45:11Z) - Improving Classification Model Performance on Chest X-Rays through Lung
Segmentation [63.45024974079371]
本稿では, セグメンテーションによる異常胸部X線(CXR)識別性能を向上させるための深層学習手法を提案する。
提案手法は,CXR画像中の肺領域を局所化するための深層ニューラルネットワーク(XLSor)と,大規模CXRデータセットで事前学習した自己教師あり運動量コントラスト(MoCo)モデルのバックボーンを用いたCXR分類モデルである。
論文 参考訳(メタデータ) (2022-02-22T15:24:06Z) - Unsupervised COVID-19 Lesion Segmentation in CT Using Cycle Consistent
Generative Adversarial Network [9.845581652243583]
新型コロナウイルスは世界的なパンデミックとなり、依然として公衆に深刻な健康リスクをもたらしている。
そこで我々は, 周期一貫した生成逆数ネットワーク (cycle-GAN) を用いた新しい非教師的アプローチを提案し, 病変のデライン化を自動化し, 高速化する。
提案手法は, 自動新型コロナウイルス病変のデライン化において高い精度と効率を実現した。
論文 参考訳(メタデータ) (2021-11-23T01:47:34Z) - Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for
Thoracic Disease Identification [83.6017225363714]
ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。
胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。
本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
論文 参考訳(メタデータ) (2021-02-26T02:29:30Z) - Deep LF-Net: Semantic Lung Segmentation from Indian Chest Radiographs
Including Severely Unhealthy Images [5.826056983051642]
胸部X線写真(胸部X線、CxR)は、様々な肺疾患の診断において重要な役割を担っている。
正確な肺分画は、健康問題、年齢、性別による肺の形状のばらつきから非常に困難である。
提案研究は,CxRからの肺の正確な分画に対する効率的な深部畳み込みニューラルネットワークの使用について検討した。
論文 参考訳(メタデータ) (2020-11-19T07:21:02Z) - SAG-GAN: Semi-Supervised Attention-Guided GANs for Data Augmentation on
Medical Images [47.35184075381965]
本稿では,GAN(Cycle-Consistency Generative Adversarial Networks)を用いた医用画像生成のためのデータ拡張手法を提案する。
提案モデルでは,正常画像から腫瘍画像を生成することができ,腫瘍画像から正常画像を生成することもできる。
本研究では,従来のデータ拡張手法と合成画像を用いた分類モデルを用いて,実画像を用いた分類モデルを訓練する。
論文 参考訳(メタデータ) (2020-11-15T14:01:24Z)
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。