論文の概要: An Uncertainty-Driven GCN Refinement Strategy for Organ Segmentation

• arxiv url: http://arxiv.org/abs/2012.03352v1
• Date: Sun, 6 Dec 2020 18:55:07 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-22 04:34:43.300575
• Title: An Uncertainty-Driven GCN Refinement Strategy for Organ Segmentation
• Title（参考訳）: 臓器分離のための不確実性駆動型GCNリファインメント戦略
• Authors: Roger D. Soberanis-Mukul, Nassir Navab, Shadi Albarqouni
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 53.425900196763756
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Organ segmentation in CT volumes is an important pre-processing step in many computer assisted intervention and diagnosis methods. In recent years, convolutional neural networks have dominated the state of the art in this task. However, since this problem presents a challenging environment due to high variability in the organ's shape and similarity between tissues, the generation of false negative and false positive regions in the output segmentation is a common issue. Recent works have shown that the uncertainty analysis of the model can provide us with useful information about potential errors in the segmentation. In this context, we proposed a segmentation refinement method based on uncertainty analysis and graph convolutional networks. We employ the uncertainty levels of the convolutional network in a particular input volume to formulate a semi-supervised graph learning problem that is solved by training a graph convolutional network. To test our method we refine the initial output of a 2D U-Net. We validate our framework with the NIH pancreas dataset and the spleen dataset of the medical segmentation decathlon. We show that our method outperforms the state-of-the-art CRF refinement method by improving the dice score by 1% for the pancreas and 2% for spleen, with respect to the original U-Net's prediction. Finally, we perform a sensitivity analysis on the parameters of our proposal and discuss the applicability to other CNN architectures, the results, and current limitations of the model for future work in this research direction. For reproducibility purposes, we make our code publicly available at https://github.com/rodsom22/gcn_refinement.
• Abstract（参考訳）: CTボリュームの臓器セグメンテーションは、多くのコンピュータ支援の介入と診断方法において重要な前処理ステップである。 近年では、畳み込みニューラルネットワークがこのタスクにおける最先端技術を支配している。 しかし, 臓器形状の多様性と組織間の類似性により, この問題は困難な環境を呈しているため, 出力セグメンテーションにおける偽陰性領域と偽陽性領域の生成は一般的な問題である。 近年の研究では、モデルの不確実性解析により、セグメンテーションにおける潜在的なエラーに関する有用な情報が得られることが示されている。 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。 我々は,グラフ畳み込みネットワークをトレーニングすることで解け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。 提案手法をテストするために,2次元U-Netの初期出力を精査する。 我々はこのフレームワークをnih pancreasデータセットとspleen dataset of the medical segmentation decathlonを用いて検証した。 本手法は膵臓のdiceスコアを1%改善し, 脾臓を2%改善することにより, 最先端のcrf改良法に勝ることを示す。 最後に,提案手法のパラメータの感度解析を行い,他のcnnアーキテクチャへの適用性,結果,今後の研究に向けたモデルの限界について考察する。 再現性のために、コードをhttps://github.com/rodsom22/gcn_refinement.comで公開しています。

関連論文リスト

• 3D PETCT Tumor Lesion Segmentation via GCN Refinement [4.929126432666667]
  グラフ畳み込みニューラルネットワーク(GCN)に基づく後処理手法を提案する。 MICCIA2022 autoPET ChallengeにおいてPET/CTデータセットの腫瘍分画実験を行った。 実験結果から, nnUNet-GCNの改良により偽陽性率が効果的に減少することが示唆された。
  論文  参考訳（メタデータ） (2023-02-24T10:52:08Z)
• Efficient Bayesian Uncertainty Estimation for nnU-Net [3.8186085899889943]
  医用画像セグメンテーションにおけるnnU-Net不確実性を推定する新しい手法を提案する。 我々は,マルチモーダル後部モデルにより,元のnnU-Netよりもセグメンテーション性能を向上する。 提案手法は,領域分割精度と品質管理の両面から,医用画像分割のためのnnU-Netをさらに強化する。
  論文  参考訳（メタデータ） (2022-12-12T23:12:19Z)
• Reliable Joint Segmentation of Retinal Edema Lesions in OCT Images [55.83984261827332]
  本稿では,信頼性の高いマルチスケールウェーブレットエンハンストランスネットワークを提案する。 本研究では,ウェーブレット型特徴抽出器ネットワークとマルチスケール変圧器モジュールを統合したセグメンテーションバックボーンを開発した。 提案手法は,他の最先端セグメンテーション手法と比較して信頼性の高いセグメンテーション精度を実現する。
  論文  参考訳（メタデータ） (2022-12-01T07:32:56Z)
• Fuzzy Attention Neural Network to Tackle Discontinuity in Airway Segmentation [67.19443246236048]
  気道セグメンテーションは肺疾患の検査、診断、予後に重要である。 いくつかの小型の気道支線(気管支や終端など)は自動セグメンテーションの難しさを著しく増す。 本稿では,新しいファジィアテンションニューラルネットワークと包括的損失関数を備える,気道セグメンテーションの効率的な手法を提案する。
  論文  参考訳（メタデータ） (2022-09-05T16:38:13Z)
• Unsupervised Domain Adaptation through Shape Modeling for Medical Image Segmentation [23.045760366698634]
  医用画像のセグメンテーションを支援するために, 形状を明示的にモデル化し, 利用することを目的としている。 従来の方法では、特定の臓器の形状の分布を学習するための変分オートエンコーダ(VAE)モデルが提案されていた。 本研究では,教師/学生の学習パラダイムの下で,擬似的損失とVAE再構成損失に基づく教師なしドメイン適応パイプラインを提案する。
  論文  参考訳（メタデータ） (2022-07-06T09:16:42Z)
• Interpolation-based Correlation Reduction Network for Semi-Supervised Graph Learning [49.94816548023729]
  補間型相関低減ネットワーク(ICRN)と呼ばれる新しいグラフコントラスト学習手法を提案する。 提案手法では,決定境界のマージンを大きくすることで,潜在特徴の識別能力を向上させる。 この2つの設定を組み合わせることで、豊富なラベル付きノードと稀に価値あるラベル付きノードから豊富な監視情報を抽出し、離散表現学習を行う。
  論文  参考訳（メタデータ） (2022-06-06T14:26:34Z)
• Preservation of High Frequency Content for Deep Learning-Based Medical Image Classification [74.84221280249876]
  大量の胸部ラジオグラフィーの効率的な分析は、医師や放射線技師を助けることができる。 本稿では,視覚情報の効率的な識別と符号化のための離散ウェーブレット変換(DWT)を提案する。
  論文  参考訳（メタデータ） (2022-05-08T15:29:54Z)
• DFENet: A Novel Dimension Fusion Edge Guided Network for Brain MRI Segmentation [0.0]
  本稿では,2次元CNNと3次元CNNの特徴を融合させることにより,これらの要件を満たす新しいDFENetを提案する。 提案手法は, 既存の方法よりも頑健で正確であり, バイオメディカルな応用に頼ることができる。
  論文  参考訳（メタデータ） (2021-05-17T15:43:59Z)
• Collaborative Boundary-aware Context Encoding Networks for Error Map Prediction [65.44752447868626]
  本稿では,AEP-Net と呼ばれる協調的コンテキスト符号化ネットワークを提案する。 具体的には、画像とマスクのより優れた特徴融合のための協調的な特徴変換分岐と、エラー領域の正確な局所化を提案する。 AEP-Netはエラー予測タスクの平均DSCが0.8358,0.8164であり、ピアソン相関係数が0.9873である。
  論文  参考訳（メタデータ） (2020-06-25T12:42:01Z)

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。