論文の概要: Rethinking the Extraction and Interaction of Multi-Scale Features for
Vessel Segmentation
- arxiv url: http://arxiv.org/abs/2010.04428v1
- Date: Fri, 9 Oct 2020 08:22:54 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-09 06:16:19.786081
- Title: Rethinking the Extraction and Interaction of Multi-Scale Features for
Vessel Segmentation
- Title(参考訳): 容器セグメンテーションのためのマルチスケール特徴抽出と相互作用の再考
- Authors: Yicheng Wu, Chengwei Pan, Shuqi Wang, Ming Zhang, Yong Xia, Yizhou Yu
- Abstract要約: 網膜血管と主要動脈を2次元基底画像と3次元CTアンギオグラフィー(CTA)スキャンで分割する,PC-Netと呼ばれる新しいディープラーニングモデルを提案する。
PC-Netでは、ピラミッド圧縮励起(PSE)モジュールが各畳み込みブロックに空間情報を導入し、より効果的なマルチスケール特徴を抽出する能力を高めている。
- 参考スコア(独自算出の注目度): 53.187152856583396
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Analyzing the morphological attributes of blood vessels plays a critical role
in the computer-aided diagnosis of many cardiovascular and ophthalmologic
diseases. Although being extensively studied, segmentation of blood vessels,
particularly thin vessels and capillaries, remains challenging mainly due to
the lack of an effective interaction between local and global features. In this
paper, we propose a novel deep learning model called PC-Net to segment retinal
vessels and major arteries in 2D fundus image and 3D computed tomography
angiography (CTA) scans, respectively. In PC-Net, the pyramid
squeeze-and-excitation (PSE) module introduces spatial information to each
convolutional block, boosting its ability to extract more effective multi-scale
features, and the coarse-to-fine (CF) module replaces the conventional decoder
to enhance the details of thin vessels and process hard-to-classify pixels
again. We evaluated our PC-Net on the Digital Retinal Images for Vessel
Extraction (DRIVE) database and an in-house 3D major artery (3MA) database
against several recent methods. Our results not only demonstrate the
effectiveness of the proposed PSE module and CF module, but also suggest that
our proposed PC-Net sets new state of the art in the segmentation of retinal
vessels (AUC: 98.31%) and major arteries (AUC: 98.35%) on both databases,
respectively.
- Abstract(参考訳): 血管の形態的特性の分析は、多くの心血管疾患や眼科疾患のコンピュータ診断において重要な役割を担っている。
広範囲に研究されているが、特に細い血管や毛細血管などの血管の分断は、主に局所的特徴とグローバル的特徴との効果的な相互作用が欠如しているために困難である。
本稿では,2次元基底画像と3次元CTアンギオグラフィー(CTA)スキャンで網膜血管と主要動脈を分割する,PC-Netと呼ばれる新しいディープラーニングモデルを提案する。
PC-Netでは、ピラミッド圧縮励起(PSE)モジュールが各畳み込みブロックに空間情報を導入し、より効果的なマルチスケール特徴を抽出する能力を高め、粗く細いデコーダ(CF)モジュールは従来のデコーダに取って代わり、細い容器の細部を拡大し、ピクセルを分類しにくくする。
我々は,Digital Retinal Images for Vessel extract (DRIVE)データベースと社内3D大動脈(3MA)データベースを用いたPC-Netの評価を行った。
提案したPSEモジュールとCFモジュールの有効性を示すだけでなく,提案したPC-Netは網膜血管の分節(AUC:98.31%)と大動脈(AUC:98.35%)を両データベースでそれぞれ新たな状態に設定することが示唆された。
関連論文リスト
- KLDD: Kalman Filter based Linear Deformable Diffusion Model in Retinal Image Segmentation [51.03868117057726]
本稿では,網膜血管分割のためのKLDDモデルを提案する。
我々のモデルは、変形可能な畳み込みの柔軟な受容場を利用して、分割を反復的に洗練する拡散過程を用いる。
実験は網膜基底画像データセット(DRIVE,CHASE_DB1)とOCTA-500データセットの3mm,6mmで評価された。
論文 参考訳(メタデータ) (2024-09-19T14:21:38Z) - Deep Learning for Vascular Segmentation and Applications in Phase
Contrast Tomography Imaging [33.23991248643144]
本稿では,多様な臓器にまたがる機械学習技術の現状を概説する。
我々のゴールは、このトピックの基礎を提供し、新しい画像モダリティで血管セグメンテーションに適用するための堅牢なベースラインモデルを特定することである。
HiP CTは、1ボクセルあたり20mmという前例のない解像度で、完全な臓器の3Dイメージングを可能にする。
論文 参考訳(メタデータ) (2023-11-22T11:15:38Z) - Synthetic optical coherence tomography angiographs for detailed retinal
vessel segmentation without human annotations [12.571349114534597]
本稿では,より高速でリアルなOCTA合成のために,空間コロニー化に基づく網膜血管網の軽量なシミュレーションを行う。
本研究では,3つの公開データセットに対する定量的および定性的実験において,提案手法の優れたセグメンテーション性能を示す。
論文 参考訳(メタデータ) (2023-06-19T14:01:47Z) - Affinity Feature Strengthening for Accurate, Complete and Robust Vessel
Segmentation [48.638327652506284]
血管セグメンテーションは、冠動脈狭窄、網膜血管疾患、脳動脈瘤などの多くの医学的応用において重要である。
コントラストに敏感なマルチスケールアフィニティアプローチを用いて,幾何学的手法と画素単位のセグメンテーション特徴を連成的にモデル化する新しいアプローチであるAFNを提案する。
論文 参考訳(メタデータ) (2022-11-12T05:39:17Z) - Multimodal Multi-Head Convolutional Attention with Various Kernel Sizes
for Medical Image Super-Resolution [56.622832383316215]
超解像CTおよびMRIスキャンのための新しいマルチヘッド畳み込みアテンションモジュールを提案する。
我々の注目モジュールは、畳み込み操作を用いて、複数の入力テンソルに対して共同的な空間チャネルアテンションを行う。
それぞれの頭部は空間的注意に対する特定の減少率に応じた受容野の大きさの異なる複数の注意ヘッドを導入している。
論文 参考訳(メタデータ) (2022-04-08T07:56:55Z) - Pulmonary Vessel Segmentation based on Orthogonal Fused U-Net++ of Chest
CT Images [1.8692254863855962]
胸部CT画像から肺血管セグメンテーションの枠組みと改善過程について検討した。
アプローチの鍵となるのは、3つの軸から2.5D区分けネットワークを応用し、堅牢で完全に自動化された肺血管区分け結果を示す。
提案手法は,他のネットワーク構造よりも大きなマージンで優れ,平均DICEスコア0.9272,精度0.9310を極端に上回っている。
論文 参考訳(メタデータ) (2021-07-03T21:46:29Z) - Contextual Information Enhanced Convolutional Neural Networks for
Retinal Vessel Segmentation in Color Fundus Images [0.0]
自動網膜血管セグメンテーションシステムは、臨床診断及び眼科研究を効果的に促進することができる。
ディープラーニングベースの手法が提案され、いくつかのカスタマイズされたモジュールが有名なエンコーダデコーダアーキテクチャU-netに統合されている。
その結果,提案手法は先行技術よりも優れ,感性/リコール,F1スコア,MCCの最先端性能を実現している。
論文 参考訳(メタデータ) (2021-03-25T06:10:47Z) - Multi-Task Neural Networks with Spatial Activation for Retinal Vessel
Segmentation and Artery/Vein Classification [49.64863177155927]
本稿では,網膜血管,動脈,静脈を同時に分割する空間活性化機構を備えたマルチタスクディープニューラルネットワークを提案する。
提案するネットワークは,容器分割における画素ワイド精度95.70%,A/V分類精度94.50%を実現している。
論文 参考訳(メタデータ) (2020-07-18T05:46:47Z) - ROSE: A Retinal OCT-Angiography Vessel Segmentation Dataset and New
Model [41.444917622855606]
OCT-Aセグメンテーションデータセット(ROSE)は229枚のOCT-A画像からなり、中心線レベルまたは画素レベルで血管アノテーションを付加する。
次に,スプリットをベースとしたSCF-Net(Coarse-to-Fine vessel segmentation Network)を提案する。
SCF-Netでは、スプリットベース粗いセグメンテーション(SCS)モジュールを最初に導入し、スプリットベースリファインメント(SRN)モジュールを使用して形状・形状を最適化する。
論文 参考訳(メタデータ) (2020-07-10T06:54:19Z) - Retinopathy of Prematurity Stage Diagnosis Using Object Segmentation and
Convolutional Neural Networks [68.96150598294072]
未熟児網膜症(英: Retinopathy of Prematurity、ROP)は、主に体重の低い未熟児に影響を及ぼす眼疾患である。
網膜の血管の増殖を招き、視力喪失を招き、最終的には網膜剥離を招き、失明を引き起こす。
近年,ディープラーニングを用いて診断を自動化する試みが盛んに行われている。
本稿では,従来のモデルの成功を基盤として,オブジェクトセグメンテーションと畳み込みニューラルネットワーク(CNN)を組み合わせた新しいアーキテクチャを開発する。
提案システムでは,まず対象分割モデルを訓練し,画素レベルでの区切り線を識別し,その結果のマスクを追加の"カラー"チャネルとして付加する。
論文 参考訳(メタデータ) (2020-04-03T14:07:41Z)
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。