Fugu-MT 論文翻訳(概要): 3D Segmentation Networks for Excessive Numbers of Classes: Distinct Bone Segmentation in Upper Bodies

論文の概要: 3D Segmentation Networks for Excessive Numbers of Classes: Distinct Bone Segmentation in Upper Bodies

arxiv url: http://arxiv.org/abs/2010.07045v1
Date: Wed, 14 Oct 2020 12:54:15 GMT
ステータス: 処理完了
システム内更新日: 2022-10-07 13:11:25.797910
Title: 3D Segmentation Networks for Excessive Numbers of Classes: Distinct Bone Segmentation in Upper Bodies
Title（参考訳）: 過剰なクラス数のための3次元分割ネットワーク:上半身の特定骨分割
Authors: Eva Schnider, Antal Horv\'ath, Georg Rauter, Azhar Zam, Magdalena M\"uller-Gerbl, Philippe C. Cattin
Abstract要約: 本稿では,多ラベル環境下での3次元セグメンテーションネットワークの訓練の複雑さについて論じる。ネットワークアーキテクチャ、損失関数、データ拡張に必要となる変更を示す。その結果,CTスキャンから学習した100以上の骨を同時に分割し,その頑健さを実証した。
参考スコア（独自算出の注目度）: 1.2023648183416153
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Segmentation of distinct bones plays a crucial role in diagnosis, planning, navigation, and the assessment of bone metastasis. It supplies semantic knowledge to visualisation tools for the planning of surgical interventions and the education of health professionals. Fully supervised segmentation of 3D data using Deep Learning methods has been extensively studied for many tasks but is usually restricted to distinguishing only a handful of classes. With 125 distinct bones, our case includes many more labels than typical 3D segmentation tasks. For this reason, the direct adaptation of most established methods is not possible. This paper discusses the intricacies of training a 3D segmentation network in a many-label setting and shows necessary modifications in network architecture, loss function, and data augmentation. As a result, we demonstrate the robustness of our method by automatically segmenting over one hundred distinct bones simultaneously in an end-to-end learnt fashion from a CT-scan.
Abstract（参考訳）: 骨の分離は、診断、計画、ナビゲーション、骨転移の評価において重要な役割を担っている。外科的介入の計画と医療専門家の教育のための可視化ツールに意味知識を提供する。ディープラーニングを用いた3次元データの完全教師付きセグメンテーションは、多くのタスクで広く研究されてきたが、通常は少数のクラスしか区別できない。 125個の骨があり、典型的な3Dセグメンテーションタスクよりも多くのラベルが含まれている。このため、ほとんどの確立された方法の直接的適応は不可能である。本稿では,多ラベル環境での3次元セグメンテーションネットワークのトレーニングの複雑さについて論じ,ネットワークアーキテクチャ,損失関数,データ拡張に必要となる変更点を示す。その結果,本手法のロバスト性は,ct-scanを用いたエンド・ツー・エンドの学習方法で,100以上の異なる骨を同時に分割することで示される。

関連論文リスト

Enhancing Weakly Supervised 3D Medical Image Segmentation through Probabilistic-aware Learning [52.249748801637196]
3次元医用画像のセグメンテーションは、疾患の診断と治療計画に重要な意味を持つ課題である。近年の深層学習の進歩は、完全に教師付き医療画像のセグメンテーションを著しく強化している。本稿では,3次元医用画像に特化して設計された,確率的適応型弱教師付き学習パイプラインを提案する。
論文参考訳（メタデータ） (2024-03-05T00:46:53Z)
MedContext: Learning Contextual Cues for Efficient Volumetric Medical Segmentation [25.74088298769155]
医用3次元セグメンテーションのためのユニバーサルトレーニングフレームワークMedContextを提案する。本手法は,教師付きボクセルセグメンテーションタスクと協調して,自己教師付きコンテキストキューを効果的に学習する。 MedContextの有効性は、複数の3D医療データセットと4つの最先端モデルアーキテクチャで検証されている。
論文参考訳（メタデータ） (2024-02-27T17:58:05Z)
The impact of training dataset size and ensemble inference strategies on head and neck auto-segmentation [0.0]
コンボリューショナルニューラルネットワーク(CNN)は、放射線治療において臓器とリスクのセグメンテーションを自動化するためにますます使われている。頭部・頸部自動分離モデルの正確かつ堅牢な訓練に要するデータ量について検討した。確立された3D CNNは、スクラッチから異なるサイズのデータセット(25-1000スキャン)を用いて訓練され、脳幹、耳下腺、脊髄をCTで分割した。これらのモデルの性能向上のために,複数のアンサンブル手法を評価した。
論文参考訳（メタデータ） (2023-03-30T12:14:07Z)
Continual Segment: Towards a Single, Unified and Accessible Continual Segmentation Model of 143 Whole-body Organs in CT Scans [31.388497540849297]
全身143の臓器をセグメント化するための1つの深部分割モデルを学習するための新しいアーキテクチャCSS学習フレームワークを提案する。私たちは4つのデータセットから2500人以上の患者の3DCTをトレーニングし、検証しました。
論文参考訳（メタデータ） (2023-02-01T00:49:21Z)
Learning from partially labeled data for multi-organ and tumor segmentation [102.55303521877933]
本稿では,トランスフォーマーに基づく動的オンデマンドネットワーク(TransDoDNet)を提案する。動的ヘッドにより、ネットワークは複数のセグメンテーションタスクを柔軟に達成することができる。我々はMOTSと呼ばれる大規模にラベル付けされたMulti-Organ and tumorベンチマークを作成し、他の競合相手よりもTransDoDNetの方が優れた性能を示す。
論文参考訳（メタデータ） (2022-11-13T13:03:09Z)
Multi-organ Segmentation Network with Adversarial Performance Validator [10.775440368500416]
本稿では,2次元から3次元のセグメンテーションフレームワークに対向的な性能検証ネットワークを導入する。提案したネットワークは, 2次元粗い結果から3次元高品質なセグメンテーションマスクへの変換を行い, 共同最適化によりセグメンテーション精度が向上する。 NIH膵分節データセットの実験では、提案したネットワークが小臓器分節の最先端の精度を達成し、過去の最高性能を上回った。
論文参考訳（メタデータ） (2022-04-16T18:00:29Z)
A unified 3D framework for Organs at Risk Localization and Segmentation for Radiation Therapy Planning [56.52933974838905]
現在の医療ワークフローは、OAR(Organs-at-risk)のマニュアル記述を必要とする本研究は,OARローカライゼーション・セグメンテーションのための統合された3Dパイプラインの導入を目的とする。提案手法は医用画像に固有の3Dコンテキスト情報の活用を可能にする。
論文参考訳（メタデータ） (2022-03-01T17:08:41Z)
Generalized Organ Segmentation by Imitating One-shot Reasoning using Anatomical Correlation [55.1248480381153]
そこで我々は,アノテーション付きオルガンクラスから一般化されたオルガン概念を学習し,その概念を未知のクラスに転送するOrganNetを提案する。そこで,OrganNetは臓器形態の幅広い変化に効果的に抵抗でき,一発分節タスクで最先端の結果が得られることを示す。
論文参考訳（メタデータ） (2021-03-30T13:41:12Z)
DoDNet: Learning to segment multi-organ and tumors from multiple partially labeled datasets [102.55303521877933]
本稿では,複数の臓器と腫瘍を部分的にラベル付けしたデータセット上に分割する動的オンデマンドネットワーク(DoDNet)を提案する。 DoDNetは共有エンコーダデコーダアーキテクチャ、タスク符号化モジュール、動的畳み込みフィルタを生成するコントローラ、そして単一だが動的セグメンテーションヘッドで構成されている。
論文参考訳（メタデータ） (2020-11-20T04:56:39Z)
SAR: Scale-Aware Restoration Learning for 3D Tumor Segmentation [23.384259038420005]
3次元腫瘍分割のためのSAR(Scale-Aware Restoration)を提案する。新たなプロキシタスク、すなわちスケール差別は、自己回復タスクと組み合わせて3Dニューラルネットワークを事前訓練するために定式化される。脳腫瘍セグメンテーション(Brain tumor segmentation),すなわち膵腫瘍セグメンテーション(Pancreas tumor segmentation)の2つの課題に対して,本手法の有効性を実証した。
論文参考訳（メタデータ） (2020-10-13T01:23:17Z)
3D medical image segmentation with labeled and unlabeled data using autoencoders at the example of liver segmentation in CT images [58.720142291102135]
本研究では、畳み込みニューラルネットワークによるセグメンテーションを改善するために、オートエンコーダ抽出機能の可能性を検討する。コンボリューション・オートエンコーダを用いてラベルのないデータから特徴を抽出し,CT画像における3次元肝セグメンテーションの目標タスクを実行するために,マルチスケールの完全畳み込みCNNを用いた。
論文参考訳（メタデータ） (2020-03-17T20:20:43Z)

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。