論文の概要: Inter-slice Context Residual Learning for 3D Medical Image Segmentation
- arxiv url: http://arxiv.org/abs/2011.14155v1
- Date: Sat, 28 Nov 2020 16:03:39 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-19 19:46:56.569551
- Title: Inter-slice Context Residual Learning for 3D Medical Image Segmentation
- Title(参考訳): 3次元医用画像分割のためのスライス間残差学習
- Authors: Jianpeng Zhang, Yutong Xie, Yan Wang, Yong Xia
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 38.43650000401734
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Automated and accurate 3D medical image segmentation plays an essential role
in assisting medical professionals to evaluate disease progresses and make fast
therapeutic schedules. Although deep convolutional neural networks (DCNNs) have
widely applied to this task, the accuracy of these models still need to be
further improved mainly due to their limited ability to 3D context perception.
In this paper, we propose the 3D context residual network (ConResNet) for the
accurate segmentation of 3D medical images. This model consists of an encoder,
a segmentation decoder, and a context residual decoder. We design the context
residual module and use it to bridge both decoders at each scale. Each context
residual module contains both context residual mapping and context attention
mapping, the formal aims to explicitly learn the inter-slice context
information and the latter uses such context as a kind of attention to boost
the segmentation accuracy. We evaluated this model on the MICCAI 2018 Brain
Tumor Segmentation (BraTS) dataset and NIH Pancreas Segmentation (Pancreas-CT)
dataset. Our results not only demonstrate the effectiveness of the proposed 3D
context residual learning scheme but also indicate that the proposed ConResNet
is more accurate than six top-ranking methods in brain tumor segmentation and
seven top-ranking methods in pancreas segmentation. Code is available at
https://git.io/ConResNet
- Abstract(参考訳): 3次元医用画像の自動分割は、医療従事者が病気の進行を評価し、迅速に治療スケジュールを作るのを助ける上で重要な役割を担っている。
深層畳み込みニューラルネットワーク(deep convolutional neural network, dcnns)はこの課題に広く応用されているが,3次元文脈知覚能力の制限により,これらのモデルの精度はさらに向上する必要がある。
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、コンテキスト残差デコーダで構成される。
コンテキスト残差モジュールを設計し、それぞれのスケールで両方のデコーダをブリッジするために使用します。
それぞれのコンテキスト残差モジュールはコンテキスト残差マッピングとコンテキストアテンションマッピングの両方を含み、形式はスライス間のコンテキスト情報を明確に学習することを目的としており、後者はセグメンテーションの精度を高めるための一種のアテンションとしてコンテキストを使用する。
このモデルをMICCAI 2018 Brain tumor Segmentation (BraTS) データセットとNIH Pancreas Segmentation (Pancreas-CT) データセットで評価した。
提案した3次元文脈残差学習法の有効性を示すだけでなく,提案手法は脳腫瘍の6つの最上位法と膵の7つの最上位法より正確であることを示す。
コードはhttps://git.io/ConResNetで入手できる。
関連論文リスト
- A Novel Convolutional-Free Method for 3D Medical Imaging Segmentation [0.0]
畳み込みニューラルネットワーク(CNN)がこの分野を支配し、3次元の医用画像セグメンテーションで大きな成功を収めている。
TransUNetやnnFormerのような最近のトランスフォーマーベースのモデルは、これらの制限に対処することを約束している。
本稿では,トランスアーキテクチャと自己認識機構に基づく,新しい完全畳み込みフリーモデルを提案する。
論文 参考訳(メタデータ) (2025-02-08T00:52:45Z) - 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) - Self-supervised learning via inter-modal reconstruction and feature
projection networks for label-efficient 3D-to-2D segmentation [4.5206601127476445]
ラベル効率のよい3D-to-2Dセグメンテーションのための新しい畳み込みニューラルネットワーク(CNN)と自己教師付き学習(SSL)手法を提案する。
異なるデータセットの結果から、提案されたCNNは、ラベル付きデータに制限のあるシナリオにおいて、Diceスコアの最大8%まで、アートの状態を著しく改善することが示された。
論文 参考訳(メタデータ) (2023-07-06T14:16:25Z) - 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) - 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) - Atrous Residual Interconnected Encoder to Attention Decoder Framework
for Vertebrae Segmentation via 3D Volumetric CT Images [1.8146155083014204]
本稿では,3次元容積CT画像を用いた新しい椎骨分割法を提案する。
提案モデルは,ミニバッチトレーニング性能の最適化にレイヤ正規化を用いた,エンコーダからデコーダへの構造に基づく。
実験の結果,本モデルは他の医学的意味セグメンテーション法と比較して競争力が得られた。
論文 参考訳(メタデータ) (2021-04-08T12:09:16Z) - Bidirectional RNN-based Few Shot Learning for 3D Medical Image
Segmentation [11.873435088539459]
対象臓器アノテーションの限られたトレーニングサンプルを用いて, 正確な臓器分類を行うための3次元ショットセグメンテーションフレームワークを提案する。
U-Netのようなネットワークは、サポートデータの2次元スライスとクエリイメージの関係を学習することでセグメンテーションを予測するように設計されている。
異なる臓器のアノテーションを付加した3つの3次元CTデータセットを用いて,提案モデルの評価を行った。
論文 参考訳(メタデータ) (2020-11-19T01:44:55Z) - 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。