Fugu-MT 論文翻訳(概要): Learning-Based Algorithms for Vessel Tracking: A Review

論文の概要: Learning-Based Algorithms for Vessel Tracking: A Review

arxiv url: http://arxiv.org/abs/2012.08929v1
Date: Wed, 16 Dec 2020 13:31:51 GMT
ステータス: 翻訳完了
システム内更新日: 2021-05-03 03:03:33.295696
Title: Learning-Based Algorithms for Vessel Tracking: A Review
Title（参考訳）: 容器追跡のための学習アルゴリズム : レビュー
Authors: Dengqiang Jia, Xiahai Zhuang
Abstract要約: 船舶追跡は、キー(種子)ポイント検出、センターライン抽出、血管分割などの認識問題を解決することを目指しています。本稿では,機械学習に基づく船舶追跡手法に関する文献レビューを行う。
参考スコア（独自算出の注目度）: 12.18340575383456
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Developing efficient vessel-tracking algorithms is crucial for imaging-based diagnosis and treatment of vascular diseases. Vessel tracking aims to solve recognition problems such as key (seed) point detection, centerline extraction, and vascular segmentation. Extensive image-processing techniques have been developed to overcome the problems of vessel tracking that are mainly attributed to the complex morphologies of vessels and image characteristics of angiography. This paper presents a literature review on vessel-tracking methods, focusing on machine-learning-based methods. First, the conventional machine-learning-based algorithms are reviewed, and then, a general survey of deep-learning-based frameworks is provided. On the basis of the reviewed methods, the evaluation issues are introduced. The paper is concluded with discussions about the remaining exigencies and future research.
Abstract（参考訳）: 血管疾患の診断と治療において,効率的な血管追跡アルゴリズムの開発が重要である。血管追跡は、キー(シード)ポイントの検出、中心線抽出、血管分割などの認識問題を解決することを目的としている。血管の複雑な形態と血管造影の像特性に起因する血管追跡の問題を克服するために,広範な画像処理技術が開発されている。本稿では,機械学習に基づく船舶追跡手法に関する文献レビューを行う。まず、従来の機械学習ベースのアルゴリズムをレビューし、次にディープラーニングベースのフレームワークに関する一般的な調査を行う。レビューした手法に基づいて,評価問題を提起する。本論文は, 残りの治験と今後の研究に関する議論で締めくくられる。

関連論文リスト

PathSegDiff: Pathology Segmentation using Diffusion model representations [63.20694440934692]
そこで我々は,Latent Diffusion Models (LDMs) を事前学習した特徴抽出器として活用する,病理組織像分割の新しい手法であるPathSegDiffを提案する。本手法は,H&E染色組織像から多彩な意味情報を抽出するために,自己教師型エンコーダによって誘導される病理特異的LCMを用いる。本実験は,BCSSおよびGlaSデータセットにおける従来の手法よりも大幅に改善されたことを示す。
論文参考訳（メタデータ） (2025-04-09T14:58:21Z)
RBAD: A Dataset and Benchmark for Retinal Vessels Branching Angle Detection [6.671669971067487]
本稿では,自己設定画像処理技術を用いて網膜分岐角を検出する新しい手法を提案する。我々は、オープンソースのアノテーションツールと、網膜分岐角を付加した40の画像からなるベンチマークデータセットを提供する。
論文参考訳（メタデータ） (2024-07-17T02:37:39Z)
An automated framework for brain vessel centerline extraction from CTA images [28.173407996203153]
CTA画像から脳血管中心を抽出する自動フレームワークを提案する。提案手法は,平均対称中心線距離 (ASCD) と重なり (OV) の観点から,最先端手法より優れている。サブグループ分析では,脳卒中治療における臨床応用において,提案する枠組みが有望であることが示唆された。
論文参考訳（メタデータ） (2024-01-13T11:01:00Z)
Adaptive Semi-Supervised Segmentation of Brain Vessels with Ambiguous Labels [63.415444378608214]
提案手法は, 進歩的半教師付き学習, 適応的学習戦略, 境界拡張など, 革新的な手法を取り入れたものである。 3DRAデータセットによる実験結果から,メッシュベースのセグメンテーション指標を用いて,本手法の優位性を示す。
論文参考訳（メタデータ） (2023-08-07T14:16:52Z)
Overview of Deep Learning Methods for Retinal Vessel Segmentation [0.0]
多くの眼・全身疾患の治療・診断において, 自動網膜血管セグメンテーション法が重要な役割を担っている。深層学習法の急速な発展に伴い、より多くの網膜血管分割法が深層ニューラルネットワークとして実装されている。
論文参考訳（メタデータ） (2023-06-01T17:05:18Z)
Deep Algorithm Unrolling for Biomedical Imaging [99.73317152134028]
本章では,アルゴリズムのアンロールによるバイオメディカル応用とブレークスルーについて概説する。我々はアルゴリズムのアンローリングの起源を辿り、反復アルゴリズムをディープネットワークにアンローリングする方法に関する包括的なチュートリアルを提供する。オープンな課題を議論し、今後の研究方向性を提案することで、この章を締めくくります。
論文参考訳（メタデータ） (2021-08-15T01:06:26Z)
Recent advances and clinical applications of deep learning in medical image analysis [7.132678647070632]
我々は最近200以上の論文をレビュー・要約し、様々な医用画像解析タスクにおける深層学習手法の適用の概要を概観した。特に,医用画像における最先端の非教師あり半教師あり深層学習の進歩と貢献を強調した。
論文参考訳（メタデータ） (2021-05-27T18:05:12Z)
Explaining Clinical Decision Support Systems in Medical Imaging using Cycle-Consistent Activation Maximization [112.2628296775395]
ディープニューラルネットワークを用いた臨床意思決定支援は、着実に関心が高まりつつあるトピックとなっている。臨床医は、その根底にある意思決定プロセスが不透明で理解しにくいため、この技術の採用をためらうことが多い。そこで我々は,より小さなデータセットであっても,分類器決定の高品質な可視化を生成するCycleGANアクティベーションに基づく,新たな意思決定手法を提案する。
論文参考訳（メタデータ） (2020-10-09T14:39:27Z)
Learning Binary Semantic Embedding for Histology Image Classification and Retrieval [56.34863511025423]
バイナリ・セマンティック・エンベディング(LBSE)の学習方法を提案する。効率的な埋め込み、分類、検索を行い、組織像の解釈可能なコンピュータ支援診断を提供する。 3つのベンチマークデータセットで実施された実験は、様々なシナリオにおいてLBSEの優位性を検証する。
論文参考訳（メタデータ） (2020-10-07T08:36:44Z)
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)
Deep Learning-Based Solvability of Underdetermined Inverse Problems in Medical Imaging [3.2214522506924093]
本研究は,ディープラーニングに適したトレーニングデータの構造に関する因果関係を学習し,高度に過小評価された逆問題を解決することに焦点を当てた。医用画像における未決定線形システムの解法のほとんどは非線形である。さらに、トレーニングデータから所望の再構成マップを学習可能かどうか、および過小判定システムから分析する。
論文参考訳（メタデータ） (2020-01-06T07:52:37Z)

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。