論文の概要: Upgraded W-Net with Attention Gates and its Application in Unsupervised
3D Liver Segmentation
- arxiv url: http://arxiv.org/abs/2011.10654v1
- Date: Fri, 20 Nov 2020 21:45:28 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-23 05:49:36.849329
- Title: Upgraded W-Net with Attention Gates and its Application in Unsupervised
3D Liver Segmentation
- Title（参考訳）: 注意ゲートを用いたW-Netの高度化と教師なし3次元肝セグメンテーションへの応用
- Authors: Dhanunjaya Mitta, Soumick Chatterjee, Oliver Speck and Andreas
N\"urnberger
- Abstract要約: 自動セグメンテーションのための教師なしディープラーニングに基づくアプローチを提案する。
我々はW-Netアーキテクチャを使用し、それを3Dボリュームに適用できるように修正した。
提案法は,手動セグメンテーションと比較して肝臓セグメンテーションに対するサイス係数0.88で有望な結果を示した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Segmentation of biomedical images can assist radiologists to make a better
diagnosis and take decisions faster by helping in the detection of
abnormalities, such as tumors. Manual or semi-automated segmentation, however,
can be a time-consuming task. Most deep learning based automated segmentation
methods are supervised and rely on manually segmented ground-truth. A possible
solution for the problem would be an unsupervised deep learning based approach
for automated segmentation, which this research work tries to address. We use a
W-Net architecture and modified it, such that it can be applied to 3D volumes.
In addition, to suppress noise in the segmentation we added attention gates to
the skip connections. The loss for the segmentation output was calculated using
soft N-Cuts and for the reconstruction output using SSIM. Conditional Random
Fields were used as a post-processing step to fine-tune the results. The
proposed method has shown promising results, with a dice coefficient of 0.88
for the liver segmentation compared against manual segmentation.
- Abstract（参考訳）: 生体医用画像の分離は、放射線医が腫瘍などの異常の検出を助けることで、より良い診断と判断を迅速に行えるように助けることができる。
しかし、手動または半自動セグメンテーションは時間を要する作業である。
ディープラーニングに基づく自動セグメンテーション手法の多くは教師あり、手動でセグメンテーションを行う。
この問題の可能性のある解決策は、自動化セグメンテーションのための教師なしのディープラーニングベースのアプローチである。
我々はW-Netアーキテクチャを使用し、それを3Dボリュームに適用できるように修正した。
さらに,セグメンテーションのノイズを抑制するため,スキップ接続に注意ゲートを追加した。
分割出力の損失はソフトN-CutsとSSIMを用いた再構成出力で計算した。
条件付きランダムフィールドは、結果を微調整するための後処理ステップとして使用された。
提案法は,手動セグメンテーションと比較して肝臓セグメンテーションに対するサイス係数0.88で有望な結果を示した。
関連論文リスト
- Bayesian Self-Training for Semi-Supervised 3D Segmentation [59.544558398992386]
3Dセグメンテーションはコンピュータビジョンの中核的な問題である。
完全に教師されたトレーニングを採用するために、3Dポイントクラウドを密にラベル付けすることは、労働集約的で高価です。
半教師付きトレーニングは、ラベル付きデータの小さなセットのみを付与し、より大きなラベル付きデータセットを伴って、より実用的な代替手段を提供する。
論文 参考訳（メタデータ） (2024-09-12T14:54:31Z) - Leveraging Frequency Domain Learning in 3D Vessel Segmentation [50.54833091336862]
本研究では,Fourier領域学習を3次元階層分割モデルにおけるマルチスケール畳み込みカーネルの代用として活用する。
管状血管分割作業において,新しいネットワークは顕著なサイス性能(ASACA500が84.37%,ImageCASが80.32%)を示した。
論文 参考訳（メタデータ） (2024-01-11T19:07:58Z) - Geometric Learning-Based Transformer Network for Estimation of
Segmentation Errors [1.376408511310322]
そこで本研究では,セグメントマップ内の誤り領域を同定し,測定する手法を提案する。
提案手法は, 疑似ボリューム分割マップから生成された3次元メッシュの任意の点やノードにおける誤差を推定できる。
我々は,ヒト内耳骨迷路構造の高分解能マイクロCTデータセットを用いてネットワークの評価を行った。
論文 参考訳（メタデータ） (2023-08-09T16:58:03Z) - Unsupervised Segmentation of Fetal Brain MRI using Deep Learning
Cascaded Registration [2.494736313545503]
従来の深層学習に基づく自動セグメンテーションは、グランドトラストラベルによる広範なトレーニングデータを必要とする。
ラベル付きデータに頼らずに複数の組織を正確にセグメンテーションするマルチアトラスセグメンテーションに基づく新しい手法を提案する。
提案手法では,3次元画像登録のためのカスケード深層学習ネットワークを用いて,移動画像への小さなインクリメンタルな変形を計算し,それを固定画像と正確に整合させる。
論文 参考訳（メタデータ） (2023-07-07T13:17:12Z) - 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) - Automatic CT Segmentation from Bounding Box Annotations using
Convolutional Neural Networks [2.554905387213585]
提案手法は,1)k平均クラスタリングによる境界ボックスアノテーションを用いた擬似マスクの生成,2)分割モデルとして3次元U-Net畳み込みニューラルネットワークを反復的に訓練する。
肝臓、脾臓、腎臓のセグメンテーションでは、それぞれ95.19%、92.11%、91.45%の精度を達成した。
論文 参考訳（メタデータ） (2021-05-29T14:48:16Z) - Dense Regression Activation Maps For Lesion Segmentation in CT scans of
COVID-19 patients [9.313053265087262]
重回帰アクティベーションマップ(dRAM)に基づく弱教師付きセグメンテーション手法を提案する。
提案手法は,CAMに基づく弱教師付きセグメンテーション方式の0.335から0.495への結合を著しく改善する。
論文 参考訳（メタデータ） (2021-05-25T08:29:35Z) - An Uncertainty-Driven GCN Refinement Strategy for Organ Segmentation [53.425900196763756]
本研究では,不確実性解析とグラフ畳み込みネットワークに基づくセグメンテーション改善手法を提案する。
半教師付きグラフ学習問題を定式化するために、特定の入力ボリュームにおける畳み込みネットワークの不確実性レベルを用いる。
本手法は膵臓で1%,脾臓で2%向上し,最先端のCRF改善法よりも優れていた。
論文 参考訳（メタデータ） (2020-12-06T18:55:07Z) - Inter-slice Context Residual Learning for 3D Medical Image Segmentation [38.43650000401734]
本稿では,3次元医用画像の正確なセグメンテーションのための3次元コンテキスト残差ネットワーク(ConResNet)を提案する。
このモデルはエンコーダ、セグメンテーションデコーダ、コンテキスト残留デコーダで構成される。
提案したConResNetは,脳腫瘍セグメンテーションにおける上位6つの方法と膵腫瘍セグメンテーションにおける上位7つの方法より正確である。
論文 参考訳（メタデータ） (2020-11-28T16:03:39Z) - Weakly-supervised Learning For Catheter Segmentation in 3D Frustum
Ultrasound [74.22397862400177]
超音波を用いた新しいカテーテルセグメンテーション法を提案する。
提案手法は,1ボリュームあたり0.25秒の効率で最先端の性能を実現した。
論文 参考訳（メタデータ） (2020-10-19T13:56:22Z) - 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。