論文の概要: Tubular Shape Aware Data Generation for Semantic Segmentation in Medical Imaging

• arxiv url: http://arxiv.org/abs/2010.00907v2
• Date: Mon, 7 Dec 2020 15:11:33 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-12 02:17:49.409659
• Title: Tubular Shape Aware Data Generation for Semantic Segmentation in Medical Imaging
• Title（参考訳）: 医用画像におけるセマンティックセグメンテーションのための管状形状認識データ生成
• Authors: Ilyas Sirazitdinov, Heinrich Schulz, Axel Saalbach, Steffen Renisch and Dmitry V. Dylov
• Abstract要約: 本稿では, 管状物体の合成データ生成手法を提案する。 提案手法は,ペア画像マスクデータの必要性を排除し,弱いラベル付きデータセットのみを必要とする。 X線画像における管およびカテーテルの分割作業に対するアプローチの適用性について報告する。
• 参考スコア（独自算出の注目度）: 2.6673784948574215
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Chest X-ray is one of the most widespread examinations of the human body. In interventional radiology, its use is frequently associated with the need to visualize various tube-like objects, such as puncture needles, guiding sheaths, wires, and catheters. Detection and precise localization of these tube-like objects in the X-ray images is, therefore, of utmost value, catalyzing the development of accurate target-specific segmentation algorithms. Similar to the other medical imaging tasks, the manual pixel-wise annotation of the tubes is a resource-consuming process. In this work, we aim to alleviate the lack of the annotated images by using artificial data. Specifically, we present an approach for synthetic data generation of the tube-shaped objects, with a generative adversarial network being regularized with a prior-shape constraint. Our method eliminates the need for paired image--mask data and requires only a weakly-labeled dataset (10--20 images) to reach the accuracy of the fully-supervised models. We report the applicability of the approach for the task of segmenting tubes and catheters in the X-ray images, whereas the results should also hold for the other imaging modalities.
• Abstract（参考訳）: 胸部X線は人体の最も広く見られる検査の一つである。 インターベンション放射線学では、その使用は、穿刺針、導線、ワイヤー、カテーテルなど、様々なチューブ状の物体を可視化する必要性としばしば関連している。 X線画像中のこれらの管状物体の検出と正確な位置決めは、極端に価値があり、正確なターゲット特異的セグメンテーションアルゴリズムの開発を触媒する。 他の医療画像処理と同様に、チューブの手動ピクセルワイドアノテーションは資源消費のプロセスである。 本研究では,人工データを用いて注釈付き画像の欠如を軽減することを目的とする。 具体的には, 管状物体の合成データ生成において, 生成的逆ネットワークを事前の制約で定式化する手法を提案する。 提案手法は,ペア画像マスクデータの必要性を排除し,完全教師付きモデルの精度に到達するためには,弱いラベル付きデータセット(10～20画像)のみを必要とする。 また,X線画像における管およびカテーテルの分割作業に対するアプローチの適用性について報告し,他の画像モダリティについても検討する。

関連論文リスト

• 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)
• X-Ray to CT Rigid Registration Using Scene Coordinate Regression [1.1687067206676627]
  本稿では,極端視点に頑健な完全自動登録手法を提案する。 これは、与えられたX線画像の重なり合う座標を回帰する完全な畳み込みニューラルネットワーク(CNN)に基づいている。 提案手法は, 模擬試験データセットの50パーセンタイルにおける平均平均目標登録誤差(mTRE)を3.79mmとし, ペルビス登録のための実フルオロスコープ画像の50パーセンタイルにおける平均目標登録誤差(mTRE)を9.65mmと予測した。
  論文  参考訳（メタデータ） (2023-11-25T17:48:46Z)
• Generation of Anonymous Chest Radiographs Using Latent Diffusion Models for Training Thoracic Abnormality Classification Systems [7.909848251752742]
  胸部X線写真における生体認証は、研究目的のためにそのようなデータの公開を妨げている。 この研究は、高品質なクラス条件画像の匿名胸部X線データセットを合成するために潜時拡散モデルを用いている。
  論文  参考訳（メタデータ） (2022-11-02T17:43:02Z)
• SQUID: Deep Feature In-Painting for Unsupervised Anomaly Detection [76.01333073259677]
  無線画像からの異常検出のための空間認識型メモリキューを提案する(略してSQUID)。 SQUIDは, 微細な解剖学的構造を逐次パターンに分類でき, 推測では画像中の異常(見えない/修正されたパターン)を識別できる。
  論文  参考訳（メタデータ） (2021-11-26T13:47:34Z)
• Generative Residual Attention Network for Disease Detection [51.60842580044539]
  本稿では, 条件付き生成逆学習を用いたX線疾患発生のための新しいアプローチを提案する。 我々は,患者の身元を保存しながら,対象領域に対応する放射線画像を生成する。 次に、ターゲット領域で生成されたX線画像を用いてトレーニングを増強し、検出性能を向上させる。
  論文  参考訳（メタデータ） (2021-10-25T14:15:57Z)
• Cross-Modal Contrastive Learning for Abnormality Classification and Localization in Chest X-rays with Radiomics using a Feedback Loop [63.81818077092879]
  医療画像のためのエンドツーエンドのセミスーパーバイスドクロスモーダルコントラスト学習フレームワークを提案する。 まず、胸部X線を分類し、画像特徴を生成するために画像エンコーダを適用する。 放射能の特徴は別の専用エンコーダを通過し、同じ胸部x線から生成された画像の特徴の正のサンプルとして機能する。
  論文  参考訳（メタデータ） (2021-04-11T09:16:29Z)
• XraySyn: Realistic View Synthesis From a Single Radiograph Through CT Priors [118.27130593216096]
  放射線写真は、X線を用いて患者の内部解剖を視覚化し、3D情報を2次元平面に投影する。 私たちの知る限りでは、ラジオグラフィビューの合成に関する最初の研究である。 本手法は,3次元空間におけるX線撮影の理解を得ることにより,地中骨ラベルを使わずに,X線撮影による骨抽出と骨抑制に応用できることが示唆された。
  論文  参考訳（メタデータ） (2020-12-04T05:08:53Z)
• Towards Unsupervised Learning for Instrument Segmentation in Robotic Surgery with Cycle-Consistent Adversarial Networks [54.00217496410142]
  本稿では、入力された内視鏡画像と対応するアノテーションとのマッピングを学習することを目的として、未ペア画像から画像への変換を提案する。 当社のアプローチでは,高価なアノテーションを取得することなく,イメージセグメンテーションモデルをトレーニングすることが可能です。 提案手法をEndovis 2017チャレンジデータセットで検証し,教師付きセグメンテーション手法と競合することを示す。
  論文  参考訳（メタデータ） (2020-07-09T01:39:39Z)
• Separation of target anatomical structure and occlusions in chest radiographs [2.0478628221188497]
  本稿では,無線画像から望ましくない視覚構造を抑圧する完全畳み込みネットワークを提案する。 提案アルゴリズムは高分解能CTスキャンから再構成されたラジオグラフィーと地上構造データを生成する。
  論文  参考訳（メタデータ） (2020-02-03T14:01:06Z)

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。