論文の概要: Multiple Instance Segmentation in Brachial Plexus Ultrasound Image Using BPMSegNet

• arxiv url: http://arxiv.org/abs/2012.12012v1
• Date: Tue, 22 Dec 2020 13:57:30 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-26 07:30:01.810189
• Title: Multiple Instance Segmentation in Brachial Plexus Ultrasound Image Using BPMSegNet
• Title（参考訳）: BPMSegNetを用いた腕神経叢超音波像の複数症例分割
• Authors: Yi Ding, Qiqi Yang, Guozheng Wu, Jian Zhang, Zhiguang Qin
• Abstract要約: 超音波画像における神経識別は,局所麻酔の性能を向上させるための重要なステップである。 BPMSegNetは超音波画像中の異なる組織(神経、動脈、静脈、筋肉)を特定するために提案されている。 提案するネットワークは, 超音波画像から複数の組織を分離し, 良好な性能が得られる。
• 参考スコア（独自算出の注目度）: 7.562735089700208
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The identification of nerve is difficult as structures of nerves are challenging to image and to detect in ultrasound images. Nevertheless, the nerve identification in ultrasound images is a crucial step to improve performance of regional anesthesia. In this paper, a network called Brachial Plexus Multi-instance Segmentation Network (BPMSegNet) is proposed to identify different tissues (nerves, arteries, veins, muscles) in ultrasound images. The BPMSegNet has three novel modules. The first is the spatial local contrast feature, which computes contrast features at different scales. The second one is the self-attention gate, which reweighs the channels in feature maps by their importance. The third is the addition of a skip concatenation with transposed convolution within a feature pyramid network. The proposed BPMSegNet is evaluated by conducting experiments on our constructed Ultrasound Brachial Plexus Dataset (UBPD). Quantitative experimental results show the proposed network can segment multiple tissues from the ultrasound images with a good performance.
• Abstract（参考訳）: 神経の構造が画像化や超音波画像の検出に困難であるため、神経の同定は困難である。 それでも, 超音波画像における神経識別は, 局所麻酔の性能を向上させる重要なステップである。 本稿では,超音波画像中の異なる組織(神経,動脈,静脈,筋肉)を同定するために,ブラキアルplexus multi-instance segmentation network (bpmsegnet) と呼ばれるネットワークを提案する。 BPMSegNetには3つの新しいモジュールがある。 1つ目は、異なるスケールでコントラスト特徴を計算する空間的局所コントラスト特徴である。 2つめはセルフアテンションゲートで、フィーチャーマップのチャンネルの重要性を強調するものだ。 3つ目は、フィーチャーピラミッドネットワーク内の転向した畳み込みを伴うスキップ結合の追加である。 提案したBPMSegNetは、構築したUltrasound Brachial Plexus Dataset (UBPD)の実験により評価される。 定量的実験の結果,提案するネットワークは,超音波画像から複数の組織を分離できることがわかった。

関連論文リスト

• Orientation-guided Graph Convolutional Network for Bone Surface Segmentation [51.51690515362261]
  骨表面をセグメント化しながら接続性を向上する指向性グラフ畳み込みネットワークを提案する。 提案手法は,接続距離を5.01%向上させる。
  論文  参考訳（メタデータ） (2022-06-16T23:01:29Z)
• Two-Stream Graph Convolutional Network for Intra-oral Scanner Image Segmentation [133.02190910009384]
  本稿では,2ストリームグラフ畳み込みネットワーク(TSGCN)を提案する。 TSGCNは3次元歯(表面)セグメンテーションにおいて最先端の方法よりも優れています。
  論文  参考訳（メタデータ） (2022-04-19T10:41:09Z)
• Omni-Seg: A Single Dynamic Network for Multi-label Renal Pathology Image Segmentation using Partially Labeled Data [6.528287373027917]
  非癌病理学では、学習アルゴリズムにより、より包括的な組織型を同時に調べることができる。 それまでは、ドメイン固有の知識に合わせて複数のセグメンテーションネットワークをトレーニングする必要があった。 パッチワイドの病理画像15万点から学習することにより,提案したOmni-Segネットワークはセグメンテーション精度が向上し,資源消費量も低減した。
  論文  参考訳（メタデータ） (2021-12-23T16:02:03Z)
• Automatic Semantic Segmentation of the Lumbar Spine. Clinical Applicability in a Multi-parametric and Multi-centre MRI study [0.0]
  この文書は、最も正確なセグメンテーションを得たニューラルネットワークの設計結果について記述し、分析する。 提案するいくつかの設計は、ベースラインとして使用される標準のU-Netよりも優れており、特に複数のニューラルネットワークの出力が異なる戦略に従って結合されるアンサンブルで使用される場合である。
  論文  参考訳（メタデータ） (2021-11-16T17:33:05Z)
• Voice-assisted Image Labelling for Endoscopic Ultrasound Classification using Neural Networks [48.732863591145964]
  本稿では,臨床医が提示した生音声からのEUS画像にラベルを付けるマルチモーダル畳み込みニューラルネットワークアーキテクチャを提案する。 その結果,5つのラベルを持つデータセットにおいて,画像レベルでの予測精度は76%であった。
  論文  参考訳（メタデータ） (2021-10-12T21:22:24Z)
• Deep Learning for Ultrasound Beamforming [120.12255978513912]
  受信した超音波エコーを空間画像領域にマッピングするビームフォーミングは、超音波画像形成チェーンの心臓に位置する。 現代の超音波イメージングは、強力なデジタル受信チャネル処理の革新に大きく依存している。 ディープラーニング手法は、デジタルビームフォーミングパイプラインにおいて魅力的な役割を果たす。
  論文  参考訳（メタデータ） (2021-09-23T15:15:21Z)
• Self-Supervised Multi-Modal Alignment for Whole Body Medical Imaging [70.52819168140113]
  我々は、英国バイオバンクの2万名以上の被験者のデータセットを使用し、全体Dixon法磁気共鳴法(MR)スキャンとデュアルエネルギーX線吸収率法(DXA)スキャンを併用した。 マルチモーダル画像マッチングコントラストフレームワークを導入し、同一対象の異なるモダリティスキャンを高精度にマッチングすることができる。 適応がなければ、この対照的なトレーニングステップで学習した対応が、自動クロスモーダルスキャン登録の実行に利用できることを示す。
  論文  参考訳（メタデータ） (2021-07-14T12:35:05Z)
• Automatic Segmentation of the Prostate on 3D Trans-rectal Ultrasound Images using Statistical Shape Models and Convolutional Neural Networks [3.9121134770873733]
  本稿では,畳み込みニューラルネットワーク(CNN)と統計的形状モデル(SSM)を用いて,経直腸超音波(TRUS)画像のデータセット上に前立腺を分割することを提案する。 TRUSは軟組織コントラストが限られており、前立腺のセグメンテーションが困難である。
  論文  参考訳（メタデータ） (2021-06-17T17:11:53Z)
• Hybrid Deep Neural Network for Brachial Plexus Nerve Segmentation in Ultrasound Images [0.0764671395172401]
  超音波ガイド下局所麻酔(UGRA)は鎖骨外科手術後の腕神経叢(BP)に応用できる。 超音波画像からのBPの同定は、訓練された専門家にとっても困難である。 超音波画像中のBP神経領域を分割するための分類モデルとセグメンテーションモデルを組み合わせたハイブリッドモデルを提案する。
  論文  参考訳（メタデータ） (2021-06-01T10:31:47Z)
• Global Guidance Network for Breast Lesion Segmentation in Ultrasound Images [84.03487786163781]
  我々は,大域的誘導ブロック(GGB)と乳房病変境界検出モジュールを備えた深部畳み込みニューラルネットワークを開発した。 当社のネットワークは、乳房超音波病変分割における他の医療画像分割方法および最近のセマンティックセグメンテーション方法よりも優れています。
  論文  参考訳（メタデータ） (2021-04-05T13:15:22Z)

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。