論文の概要: ESTAN: Enhanced Small Tumor-Aware Network for Breast Ultrasound Image Segmentation

• arxiv url: http://arxiv.org/abs/2009.12894v1
• Date: Sun, 27 Sep 2020 16:42:59 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-14 03:35:56.381733
• Title: ESTAN: Enhanced Small Tumor-Aware Network for Breast Ultrasound Image Segmentation
• Title（参考訳）: ESTAN:乳房超音波画像分割のための小型腫瘍認識ネットワーク
• Authors: Bryar Shareef, Alex Vakanski, Min Xian, Phoebe E. Freer
• Abstract要約: 本稿では,乳腺腫瘍を正確に分類するための新しいディープニューラルネットワークアーキテクチャであるESTAN(Enhanced Small tumor-Aware Network)を提案する。 ESTANは、2つのエンコーダを導入し、異なるスケールで画像コンテキスト情報を抽出し、フューズする。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Breast tumor segmentation is a critical task in computer-aided diagnosis (CAD) systems for breast cancer detection because accurate tumor size, shape and location are important for further tumor quantification and classification. However, segmenting small tumors in ultrasound images is challenging, due to the speckle noise, varying tumor shapes and sizes among patients, and the existence of tumor-like image regions. Recently, deep learning-based approaches have achieved great success for biomedical image analysis, but current state-of-the-art approaches achieve poor performance for segmenting small breast tumors. In this paper, we propose a novel deep neural network architecture, namely Enhanced Small Tumor-Aware Network (ESTAN), to accurately and robustly segment breast tumors. ESTAN introduces two encoders to extract and fuse image context information at different scales and utilizes row-column-wise kernels in the encoder to adapt to breast anatomy. We validate the proposed approach and compare it to nine state-of-the-art approaches on three public breast ultrasound datasets using seven quantitative metrics. The results demonstrate that the proposed approach achieves the best overall performance and outperforms all other approaches on small tumor segmentation.
• Abstract（参考訳）: 乳がん検出のためのcadシステムでは,腫瘍の正確な大きさ,形状,位置が腫瘍の定量化や分類に重要であるため,乳がんの分節化は重要な課題である。 しかし, 超音波画像中の小腫瘍の分割は, スペックルノイズ, 患者間の腫瘍形状や大きさの変化, 腫瘍様画像領域の存在などにより困難である。 近年、深層学習に基づくアプローチは、生体画像解析で大きな成功を収めているが、現在の最先端のアプローチでは、小乳腺腫瘍の分節化において性能が低下している。 本稿では,乳腺腫瘍を正確に,かつ頑健に分類するための新しいディープニューラルネットワークアーキテクチャであるESTAN(Enhanced Small tumor-Aware Network)を提案する。 estanは2つのエンコーダを導入し、異なるスケールで画像コンテキスト情報を抽出・融合し、エンコーダ内の行列のカーネルを利用して乳房解剖学に適応する。 提案手法の有効性を検証し、7つの定量的指標を用いて3つの乳房超音波データセットに対する最先端の9つのアプローチと比較した。 以上の結果から, 提案手法は全体の性能を最大化し, 腫瘍セグメンテーションにおける他のアプローチよりも優れることが示された。

関連論文リスト

• Multilevel Perception Boundary-guided Network for Breast Lesion Segmentation in Ultrasound Images [9.252383213566947]
  超音波画像から乳腺腫瘍を分離する多レベルグローバル認識モジュール(MGPM)と境界誘導モジュール(BGM)で構成されるPBNetを提案する。 MGPMでは、単一レベル特徴写像におけるボクセル間の長距離空間依存性をモデル化し、次いで多レベル意味情報を融合する。 BGMでは,腫瘍の境界線を最大プールの希釈および浸食効果を用いて高レベルセマンティックマップから抽出する。
  論文  参考訳（メタデータ） (2023-10-23T07:21:02Z)
• Post-Hoc Explainability of BI-RADS Descriptors in a Multi-task Framework for Breast Cancer Detection and Segmentation [48.08423125835335]
  MT-BI-RADSは乳房超音波(BUS)画像における腫瘍検出のための新しい深層学習手法である。 放射線科医が腫瘍の悪性度を予測するための意思決定プロセスを理解するための3つのレベルの説明を提供する。
  論文  参考訳（メタデータ） (2023-08-27T22:07:42Z)
• Comparative Analysis of Segment Anything Model and U-Net for Breast Tumor Detection in Ultrasound and Mammography Images [0.15833270109954137]
  この技術は、2つの高度なディープラーニングアーキテクチャ、すなわち U-Net と SAM を腫瘍セグメンテーションに用いている。 U-Netモデルは医用画像セグメンテーション用に特別に設計されている。 事前訓練されたSAMアーキテクチャには、空間的依存関係をキャプチャし、セグメンテーション結果を生成するメカニズムが組み込まれている。
  論文  参考訳（メタデータ） (2023-06-21T18:49:21Z)
• BreastSAM: A Study of Segment Anything Model for Breast Tumor Detection in Ultrasound Images [2.752682633344525]
  超音波画像における乳腺腫瘍のインタラクティブセグメンテーションのためのセグメンテーションモデル(SAM)について検討した。 ViT_h, ViT_l, ViT_bの3種類の事前学習モデルについて検討した。 本研究は悪性腫瘍と良性乳癌の分節化におけるモデルの性能の差について検討した。
  論文  参考訳（メタデータ） (2023-05-21T12:40:25Z)
• EMT-NET: Efficient multitask network for computer-aided diagnosis of breast cancer [58.720142291102135]
  乳腺腫瘍の分類と分別を同時に行うための,効率的で軽量な学習アーキテクチャを提案する。 腫瘍分類ネットワークにセグメンテーションタスクを組み込むことにより,腫瘍領域に着目したバックボーンネットワークで表現を学習する。 腫瘍分類の精度、感度、特異性はそれぞれ88.6%、94.1%、85.3%である。
  論文  参考訳（メタデータ） (2022-01-13T05:24:40Z)
• RCA-IUnet: A residual cross-spatial attention guided inception U-Net model for tumor segmentation in breast ultrasound imaging [0.6091702876917281]
  本稿では,腫瘍セグメンテーションのトレーニングパラメータが最小限に抑えられたRCA-IUnetモデルについて紹介する。 RCA-IUnetモデルは、U-Netトポロジに従い、奥行きの深い分離可能な畳み込みとハイブリッドプール層を持つ。 無関係な特徴を抑え、対象構造に焦点を合わせるために、空間横断型アテンションフィルタが加えられる。
  論文  参考訳（メタデータ） (2021-08-05T10:35:06Z)
• Learned super resolution ultrasound for improved breast lesion characterization [52.77024349608834]
  超高分解能超音波局在顕微鏡は毛細血管レベルでの微小血管のイメージングを可能にする。 この作業では、これらの課題に対処するために、信号構造を効果的に活用するディープニューラルネットワークアーキテクチャを使用します。 トレーニングしたネットワークを利用することで,従来のPSF知識を必要とせず,UCAの分離性も必要とせず,短時間で微小血管構造を復元する。
  論文  参考訳（メタデータ） (2021-07-12T09:04:20Z)
• 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)
• Spectral-Spatial Recurrent-Convolutional Networks for In-Vivo Hyperspectral Tumor Type Classification [49.32653090178743]
  ハイパースペクトル画像とディープラーニングを用いたin-vivo腫瘍型分類の可能性を示した。 我々の最良のモデルは76.3%のAUCを達成し、従来の学習手法とディープラーニング手法を著しく上回っている。
  論文  参考訳（メタデータ） (2020-07-02T12:00:53Z)
• Stan: Small tumor-aware network for breast ultrasound image segmentation [68.8204255655161]
  本研究では,小腫瘍認識ネットワーク(Small tumor-Aware Network,STAN)と呼ばれる新しいディープラーニングアーキテクチャを提案する。 提案手法は, 乳腺腫瘍の分節化における最先端のアプローチよりも優れていた。
  論文  参考訳（メタデータ） (2020-02-03T22:25:01Z)

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。