論文の概要: CS2-Net: Deep Learning Segmentation of Curvilinear Structures in Medical Imaging

• arxiv url: http://arxiv.org/abs/2010.07486v2
• Date: Mon, 19 Oct 2020 14:39:41 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-07 05:02:53.337857
• Title: CS2-Net: Deep Learning Segmentation of Curvilinear Structures in Medical Imaging
• Title（参考訳）: CS2-Net:医療画像における曲線構造の深層学習セグメンテーション
• Authors: Lei Mou, Yitian Zhao, Huazhu Fu, Yonghuai Liu, Jun Cheng, Yalin Zheng, Pan Su, Jianlong Yang, Li Chen, Alejandro F Frang, Masahiro Akiba, Jiang Liu
• Abstract要約: カービリニア構造のセグメンテーションのための汎用的で統一的な畳み込みニューラルネットワークを提案する。 エンコーダとデコーダに自己アテンション機構を含む新しいカービリニア構造分割ネットワーク(CS2-Net)を導入する。
• 参考スコア（独自算出の注目度）: 90.78899127463445
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Automated detection of curvilinear structures, e.g., blood vessels or nerve fibres, from medical and biomedical images is a crucial early step in automatic image interpretation associated to the management of many diseases. Precise measurement of the morphological changes of these curvilinear organ structures informs clinicians for understanding the mechanism, diagnosis, and treatment of e.g. cardiovascular, kidney, eye, lung, and neurological conditions. In this work, we propose a generic and unified convolution neural network for the segmentation of curvilinear structures and illustrate in several 2D/3D medical imaging modalities. We introduce a new curvilinear structure segmentation network (CS2-Net), which includes a self-attention mechanism in the encoder and decoder to learn rich hierarchical representations of curvilinear structures. Two types of attention modules - spatial attention and channel attention - are utilized to enhance the inter-class discrimination and intra-class responsiveness, to further integrate local features with their global dependencies and normalization, adaptively. Furthermore, to facilitate the segmentation of curvilinear structures in medical images, we employ a 1x3 and a 3x1 convolutional kernel to capture boundary features. ...
• Abstract（参考訳）: 医学的・生医学的な画像から血管や神経繊維などのカルビリナー構造の自動検出は、多くの疾患の管理に関連する自動画像解釈における重要な初期段階である。 これらの組織構造の形態的変化の精密な測定は、臨床医に、例えば心臓血管、腎臓、眼、肺、神経疾患のメカニズム、診断、治療を理解することを知らせる。 本研究では,線形構造のセグメンテーションのための汎用的・統一的な畳み込みニューラルネットワークを提案する。 本稿では,エンコーダとデコーダに自己アテンション機構を備えた新しいカービリニア構造セグメンテーションネットワーク(CS2-Net)を導入し,カービリニア構造のリッチな階層表現を学習する。 2種類の注意モジュール(空間的注意とチャネル的注意)を用いて、クラス間識別とクラス内応答性を高め、グローバルな依存関係と正規化とを適応的に統合する。 さらに, 医用画像における曲線構造のセグメンテーションを容易にするため, 1x3と3x1畳み込みカーネルを用いて境界特徴を捉える。 ...

関連論文リスト

• Anatomy-guided Pathology Segmentation [56.883822515800205]
  本研究では, 解剖学的特徴と病理学的情報を組み合わせた汎用的セグメンテーションモデルを構築し, 病理学的特徴のセグメンテーション精度を高めることを目的とする。 我々の解剖学・病理学交流(APEx)訓練では,ヒト解剖学の問合せ表現に結合特徴空間をデコードする問合せベースのセグメンテーション変換器を用いている。 これにより、FDG-PET-CTとChest X-Rayの病理分類タスクにおいて、強力なベースライン法に比べて最大3.3%のマージンで、ボード全体で最高の結果を報告できる。
  論文  参考訳（メタデータ） (2024-07-08T11:44:15Z)
• Self-Supervised Alignment Learning for Medical Image Segmentation [26.114595114732644]
  医用画像セグメンテーションのためのニューラルネットワークを事前学習するための,新たな自己教師付きアライメント学習フレームワークを提案する。 提案するフレームワークは,新たな局所的なアライメント損失とグローバルな位置損失から構成される。 実験の結果,提案したアライメント学習は,既存のCTおよびMRIデータセットの自己教師付き事前学習手法と競合することが示された。
  論文  参考訳（メタデータ） (2024-06-22T00:47:39Z)
• Functional2Structural: Cross-Modality Brain Networks Representation Learning [55.24969686433101]
  脳ネットワーク上のグラフマイニングは、臨床表現型および神経変性疾患のための新しいバイオマーカーの発見を促進する可能性がある。 本稿では,Deep Signed Brain Networks (DSBN) と呼ばれる新しいグラフ学習フレームワークを提案する。 臨床表現型および神経変性疾患予測の枠組みを,2つの独立した公開データセットを用いて検証した。
  論文  参考訳（メタデータ） (2022-05-06T03:45:36Z)
• Two-Stream Graph Convolutional Network for Intra-oral Scanner Image Segmentation [133.02190910009384]
  本稿では,2ストリームグラフ畳み込みネットワーク(TSGCN)を提案する。 TSGCNは3次元歯(表面)セグメンテーションにおいて最先端の方法よりも優れています。
  論文  参考訳（メタデータ） (2022-04-19T10:41:09Z)
• Neuroplastic graph attention networks for nuclei segmentation in histopathology images [17.30043617044508]
  細胞核のセマンティックセグメンテーションのための新しいアーキテクチャを提案する。 このアーキテクチャは、新しい神経可塑性グラフアテンションネットワークで構成されている。 実験的な評価では、我々のフレームワークは最先端のニューラルネットワークのアンサンブルよりも優れています。
  論文  参考訳（メタデータ） (2022-01-10T22:19:14Z)
• Self-Supervised Graph Representation Learning for Neuronal Morphologies [75.38832711445421]
  ラベルのないデータセットから3次元神経形態の低次元表現を学習するためのデータ駆動型アプローチであるGraphDINOを提案する。 2つの異なる種と複数の脳領域において、この方法では、専門家による手動の特徴に基づく分類と同程度に形態学的細胞型クラスタリングが得られることを示す。 提案手法は,大規模データセットにおける新しい形態的特徴や細胞型の発見を可能にする可能性がある。
  論文  参考訳（メタデータ） (2021-12-23T12:17:47Z)
• 3D Reconstruction of Curvilinear Structures with Stereo Matching DeepConvolutional Neural Networks [52.710012864395246]
  本稿では,立体対における曲線構造の検出とマッチングのための完全自動パイプラインを提案する。 主に、TEM画像のステレオ対から転位を3次元再構成することに焦点を当てる。
  論文  参考訳（メタデータ） (2021-10-14T23:05:47Z)
• 2D histology meets 3D topology: Cytoarchitectonic brain mapping with Graph Neural Networks [0.8602553195689513]
  細胞構造は脳内の神経細胞の空間的構造を記述する。 脳を皮質下領域と皮質下核に分離することができる。 領域間の境界をマッピングするには 組織学的領域を 顕微鏡でスキャンする必要がある
  論文  参考訳（メタデータ） (2021-03-09T07:09:42Z)
• Visualization for Histopathology Images using Graph Convolutional Neural Networks [1.8939984161954087]
  我々は、組織組織を核のグラフとしてモデル化するアプローチを採用し、疾患診断のためのグラフ畳み込みネットワークフレームワークを開発した。 我々は,浸潤性乳癌とin-situ性乳癌の鑑別を訓練し,Gleason 3, 4前立腺癌は解釈可能なビジュアルマップを生成する。
  論文  参考訳（メタデータ） (2020-06-16T19:14:19Z)

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。