論文の概要: Brain Atlas Guided Attention U-Net for White Matter Hyperintensity
Segmentation
- arxiv url: http://arxiv.org/abs/2010.09586v2
- Date: Tue, 22 Dec 2020 01:44:10 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-05 23:01:28.654515
- Title: Brain Atlas Guided Attention U-Net for White Matter Hyperintensity
Segmentation
- Title（参考訳）: ホワイトマター高強度セグメンテーションのための脳アトラスガイドU-Net
- Authors: Zicong Zhang, Kimerly Powell, Changchang Yin, Shilei Cao, Dani
Gonzalez, Yousef Hannawi, Ping Zhang
- Abstract要約: ホワイトマター・ハイパーインテンシティ(White Matter Hyperintensities, WMH)は、脳MRIにおける脳小血管疾患(cSVD)の最も一般的な症状である。
既存のWMHセグメンテーションアルゴリズムの多くは、流体減衰インバージョンリカバリ(FLAIR)画像とT1重み付き画像の両方を入力として必要とする。
我々は,空間登録された白色物質(WM)脳アトラスを用いたFLAIR画像のみを利用して,競争力のあるWMHセグメンテーション性能を得る新しい脳アトラス(BAGAU-Net)を提案する。
- 参考スコア（独自算出の注目度）: 7.722043714235414
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: White Matter Hyperintensities (WMH) are the most common manifestation of
cerebral small vessel disease (cSVD) on the brain MRI. Accurate WMH
segmentation algorithms are important to determine cSVD burden and its clinical
consequences. Most of existing WMH segmentation algorithms require both fluid
attenuated inversion recovery (FLAIR) images and T1-weighted images as inputs.
However, T1-weighted images are typically not part of standard clinicalscans
which are acquired for patients with acute stroke. In this paper, we propose a
novel brain atlas guided attention U-Net (BAGAU-Net) that leverages only FLAIR
images with a spatially-registered white matter (WM) brain atlas to yield
competitive WMH segmentation performance. Specifically, we designed a dual-path
segmentation model with two novel connecting mechanisms, namely multi-input
attention module (MAM) and attention fusion module (AFM) to fuse the
information from two paths for accurate results. Experiments on two publicly
available datasets show the effectiveness of the proposed BAGAU-Net. With only
FLAIR images and WM brain atlas, BAGAU-Net outperforms the state-of-the-art
method with T1-weighted images, paving the way for effective development of WMH
segmentation. Availability:https://github.com/Ericzhang1/BAGAU-Net
- Abstract（参考訳）: ホワイトマター・ハイパーインテンシティ(White Matter Hyperintensities, WMH)は、脳MRIにおける脳小血管疾患(cSVD)の最も一般的な症状である。
正確なWMHセグメンテーションアルゴリズムは、cSVD負荷とその臨床効果を決定するために重要である。
既存のWMHセグメンテーションアルゴリズムの多くは、流体減衰インバージョンリカバリ(FLAIR)画像とT1強調画像の両方を入力として必要とする。
しかし、T1強調画像は通常、急性脳卒中患者のために取得される標準的な臨床スキャンの一部ではない。
本稿では,空間登録された白色物質(WM)脳アトラスを用いたFLAIR画像のみを利用して,競争力のあるWMHセグメンテーション性能を実現する新しい脳アトラスを提案する。
具体的には,マルチ入力アテンション・モジュール (mam) とアテンション・フュージョン・モジュール (afm) という,2つの新たな接続機構を備えたデュアルパス・セグメンテーション・モデルを設計した。
2つの公開データセットの実験は、提案されたBAGAU-Netの有効性を示している。
FLAIR画像とWM脳アトラスのみを用いて、BAGAU-NetはT1強調画像で最先端の手法より優れており、WMHセグメンテーションの効果的な開発への道を開いた。
可用性:https://github.com/Ericzhang1/BAGAU-Net
関連論文リスト
- MFA-Net: Multi-Scale feature fusion attention network for liver tumor segmentation [36.837642256513426]
本稿では,MFA-Net というアテンション機構に基づく新たなセグメンテーションフレームワークを提案する。
提案するフレームワークは,複数のスケールでより意味のある特徴マップを学習し,より正確な自動セグメンテーションを実現する。
論文 参考訳（メタデータ） (2024-05-07T07:10:44Z) - An L2-Normalized Spatial Attention Network For Accurate And Fast
Classification Of Brain Tumors In 2D T1-Weighted CE-MRI Images [21.369333654766233]
MRI画像における脳腫瘍の分類のための高精度かつ高速な分類網を提案する。
3種類の脳腫瘍を含む2次元T1強調CE-MRIデータセットを用いて実験を行った。
論文 参考訳（メタデータ） (2023-08-01T12:22:58Z) - Self-Supervised Correction Learning for Semi-Supervised Biomedical Image
Segmentation [84.58210297703714]
半教師付きバイオメディカルイメージセグメンテーションのための自己教師付き補正学習パラダイムを提案する。
共有エンコーダと2つの独立デコーダを含むデュアルタスクネットワークを設計する。
異なるタスクのための3つの医用画像分割データセットの実験により,本手法の優れた性能が示された。
論文 参考訳（メタデータ） (2023-01-12T08:19:46Z) - Using U-Net Network for Efficient Brain Tumor Segmentation in MRI Images [4.3310896118860445]
本稿では,脳腫瘍セグメンテーションのためのU-Netの軽量実装を提案する。
提案アーキテクチャでは,提案する軽量U-Netをトレーニングするために大量のデータを必要としない。
軽量なU-NetはBITEデータセット上で非常に有望な結果を示し、平均交叉対合同(IoU)は89%に達する。
論文 参考訳（メタデータ） (2022-11-03T15:19:58Z) - Segmenting white matter hyperintensities on isotropic three-dimensional
Fluid Attenuated Inversion Recovery magnetic resonance images: Assessing deep
learning tools on norwegian imaging database [0.0]
白色物質高強度症(WMHs)は脳小血管疾患とアルツハイマー病の指標である
近年の研究では、3次元FLAIR強調画像からWMHの自動分割と特徴付けを可能にするディープラーニングツールの展開について詳述している。
論文 参考訳（メタデータ） (2022-07-18T09:36:44Z) - 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) - 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) - Category Guided Attention Network for Brain Tumor Segmentation in MRI [6.685945448824158]
カテゴリー案内注意U-Net(CGA U-Net)という新しいセグメンテーションネットワークを提案する。
本モデルでは,より正確かつ安定した特徴写像の長距離依存性を計算コストを伴わずに捉えることのできる,注目機構に基づくスーパービジョンアテンションモジュール(SAM)を設計する。
BraTS 2019データセットの実験的結果は、提案手法がセグメント化性能と計算複雑性の両方において最先端のアルゴリズムより優れていることを示している。
論文 参考訳（メタデータ） (2022-03-29T09:22:29Z) - InDuDoNet+: A Model-Driven Interpretable Dual Domain Network for Metal
Artifact Reduction in CT Images [53.4351366246531]
InDuDoNet+と呼ばれる新しい解釈可能な二重ドメインネットワークを構築し、CT画像の微細な埋め込みを行う。
異なる組織間のCT値を分析し,InDuDoNet+の事前観測ネットワークにマージすることで,その一般化性能を著しく向上させる。
論文 参考訳（メタデータ） (2021-12-23T15:52:37Z) - Cross-Modality Brain Tumor Segmentation via Bidirectional
Global-to-Local Unsupervised Domain Adaptation [61.01704175938995]
本論文では,UDAスキームに基づくBiGL(Bidirectional Global-to-Local)適応フレームワークを提案する。
具体的には、脳腫瘍をセグメント化するために、双方向画像合成およびセグメンテーションモジュールを提案する。
提案手法は, 最先端の非教師なし領域適応法を大きなマージンで上回っている。
論文 参考訳（メタデータ） (2021-05-17T10:11:45Z) - Few-shot Medical Image Segmentation using a Global Correlation Network
with Discriminative Embedding [60.89561661441736]
医療画像分割のための新しい手法を提案する。
深層畳み込みネットワークを用いた数ショット画像セグメンタを構築します。
深層埋め込みの識別性を高め,同一クラスの特徴領域のクラスタリングを促進する。
論文 参考訳（メタデータ） (2020-12-10T04:01:07Z)
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。