Fugu-MT 論文翻訳(概要): Multiple Sclerosis Lesion Segmentation -- A Survey of Supervised CNN-Based Methods

論文の概要: Multiple Sclerosis Lesion Segmentation -- A Survey of Supervised CNN-Based Methods

arxiv url: http://arxiv.org/abs/2012.08317v2
Date: Sat, 26 Dec 2020 23:54:04 GMT
ステータス: 処理完了
システム内更新日: 2021-05-10 05:20:51.927133
Title: Multiple Sclerosis Lesion Segmentation -- A Survey of Supervised CNN-Based Methods
Title（参考訳）: 多発性硬化性病変の分節化 : CNN法の検討
Authors: Huahong Zhang and Ipek Oguz
Abstract要約: 病変分割は、多発性硬化症患者のMRIスキャンを定量的に分析するためのコアタスクです。最近のディープラーニング技術の成功は、この困難な問題に対するコミュニティの関心を再び高めている。
参考スコア（独自算出の注目度）: 0.6091702876917279
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Lesion segmentation is a core task for quantitative analysis of MRI scans of Multiple Sclerosis patients. The recent success of deep learning techniques in a variety of medical image analysis applications has renewed community interest in this challenging problem and led to a burst of activity for new algorithm development. In this survey, we investigate the supervised CNN-based methods for MS lesion segmentation. We decouple these reviewed works into their algorithmic components and discuss each separately. For methods that provide evaluations on public benchmark datasets, we report comparisons between their results.
Abstract（参考訳）: 病変分割は多発性硬化症患者のmriスキャンを定量的に解析するための重要な課題である。近年,様々な医療画像解析アプリケーションにおける深層学習技術の成功により,この課題に対するコミュニティの関心が高まり,新たなアルゴリズム開発に向けた活動が活発化している。そこで本研究では,CNNを用いたMS病変分類法について検討した。レビューした作品をアルゴリズムコンポーネントに分離し,それぞれを別々に議論する。公開ベンチマークデータセットの評価を行う手法については,結果の比較を報告する。

関連論文リスト

ICPR 2024 Competition on Multiple Sclerosis Lesion Segmentation -- Methods and Results [4.719658284343234]
このコンペティションは、MRIスキャンで複数の硬化病変を自動的に分類する手法を開発することを目的としていた。 MSLesSegは、患者の未検査コホートの多発性硬化病変を独立に分断できるアルゴリズムの開発に重点を置いている。
論文参考訳（メタデータ） (2024-10-10T13:49:47Z)
Multi-task Explainable Skin Lesion Classification [54.76511683427566]
少ないラベル付きデータでよく一般化する皮膚病変に対する数発のショットベースアプローチを提案する。提案手法は,アテンションモジュールや分類ネットワークとして機能するセグメンテーションネットワークの融合を含む。
論文参考訳（メタデータ） (2023-10-11T05:49:47Z)
A Bibliography of Multiple Sclerosis Lesions Detection Methods using Brain MRIs [1.7205106391379026]
多発性硬化症(Multiple Sclerosis、MS)は、世界中の何百万人もの人に影響を与える慢性疾患である。医師がMS病変を診断するのを助けるため、コンピュータ支援法が広く用いられている。
論文参考訳（メタデータ） (2023-02-19T09:26:19Z)
MS Lesion Segmentation: Revisiting Weighting Mechanisms for Federated Learning [92.91544082745196]
フェデレートラーニング(FL)は医用画像解析に広く用いられている。 FLのパフォーマンスは、多発性硬化症(MS)病変セグメンテーションタスクに制限される。 2つの効果的な再重み付け機構によるFLMS病変分割フレームワークを提案する。
論文参考訳（メタデータ） (2022-05-03T14:06:03Z)
MyoPS: A Benchmark of Myocardial Pathology Segmentation Combining Three-Sequence Cardiac Magnetic Resonance Images [84.02849948202116]
本研究は,MyoPS(MyoPS)の医療画像解析における新たな課題を定義するものである。 myoPSは、MICCAI 2020とともにMyoPSチャレンジで最初に提案された3シーケンスの心臓磁気共鳴(CMR)画像を組み合わせている。この課題は45対のCMR画像と予め整列されたCMR画像を提供し、アルゴリズムは3つのCMRシーケンスから補完的な情報を結合して病理領域を分割することを可能にする。
論文参考訳（メタデータ） (2022-01-10T06:37:23Z)
Revealing Lung Affections from CTs. A Comparative Analysis of Various Deep Learning Approaches for Dealing with Volumetric Data [0.0]
本稿では,肺CTにおける結核関連病変を自動的に検出するための深層学習手法を提示し,比較検討した。報告された研究は、競争で最高の結果を得たSenticLab.UAICチームに属する。
論文参考訳（メタデータ） (2020-09-09T08:34:18Z)
A Global Benchmark of Algorithms for Segmenting Late Gadolinium-Enhanced Cardiac Magnetic Resonance Imaging [90.29017019187282]
現在世界最大の心臓LGE-MRIデータセットである154個の3D LGE-MRIを用いた「2018 left Atrium Challenge」。技術および生物学的指標を用いた提案アルゴリズムの解析を行った。その結果, 最上部法は93.2%, 平均表面は0.7mmであった。
論文参考訳（メタデータ） (2020-04-26T08:49:17Z)
Robust Medical Instrument Segmentation Challenge 2019 [56.148440125599905]
腹腔鏡装置の術中追跡は、しばしばコンピュータとロボットによる介入の必要条件である。本研究の課題は,30の手術症例から取得した10,040枚の注釈画像からなる外科的データセットに基づいていた。結果は、初期仮説、すなわち、アルゴリズムの性能がドメインギャップの増大とともに低下することを確認する。
論文参考訳（メタデータ） (2020-03-23T14:35:08Z)
VerSe: A Vertebrae Labelling and Segmentation Benchmark for Multi-detector CT Images [121.31355003451152]
大規模Vertebrae Challenge(VerSe)は、2019年と2020年に開催されたMICCAI(International Conference on Medical Image Computing and Computer Assisted Intervention)と共同で設立された。本評価の結果を報告するとともに,脊椎レベル,スキャンレベル,および異なる視野での性能変化について検討した。
論文参考訳（メタデータ） (2020-01-24T21:09:18Z)
Spinal Metastases Segmentation in MR Imaging using Deep Convolutional Neural Networks [0.0]
本研究の目的は,深層学習を用いた診断MR画像における脊髄転移の分節化である。 U-Net様アーキテクチャを用いて40例の臨床検査を行った。専門的な注釈付き病変のセグメンテーションと比較すると、Diceの平均スコアは77.6%、平均感度は78.9%という有望な結果を得た。
論文参考訳（メタデータ） (2020-01-08T10:59:31Z)

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。