論文の概要: RAP-Net: Coarse-to-Fine Multi-Organ Segmentation with Single Random
Anatomical Prior
- arxiv url: http://arxiv.org/abs/2012.12425v2
- Date: Thu, 24 Dec 2020 01:43:14 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-25 18:02:41.301775
- Title: RAP-Net: Coarse-to-Fine Multi-Organ Segmentation with Single Random
Anatomical Prior
- Title(参考訳): RAP-Net:単一解剖学的前駆体を用いた多臓器分離
- Authors: Ho Hin Lee, Yucheng Tang, Shunxing Bao, Richard G. Abramson, Yuankai
Huo, Bennett A. Landman
- Abstract要約: 粗密な腹部マルチオルガンセグメンテーションは、高解像度セグメンテーションの抽出を容易にします。
複数の臓器に対応するモデルに代えて,全腹部臓器を分節する単一改良モデルを提案する。
提案手法は,平均diceスコアが84.58%と,81.69% (p0.0001) の13モデルにおいて,最先端を上回っている。
- 参考スコア(独自算出の注目度): 4.177877537413942
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Performing coarse-to-fine abdominal multi-organ segmentation facilitates to
extract high-resolution segmentation minimizing the lost of spatial contextual
information. However, current coarse-to-refine approaches require a significant
number of models to perform single organ refine segmentation corresponding to
the extracted organ region of interest (ROI). We propose a coarse-to-fine
pipeline, which starts from the extraction of the global prior context of
multiple organs from 3D volumes using a low-resolution coarse network, followed
by a fine phase that uses a single refined model to segment all abdominal
organs instead of multiple organ corresponding models. We combine the
anatomical prior with corresponding extracted patches to preserve the
anatomical locations and boundary information for performing high-resolution
segmentation across all organs in a single model. To train and evaluate our
method, a clinical research cohort consisting of 100 patient volumes with 13
organs well-annotated is used. We tested our algorithms with 4-fold
cross-validation and computed the Dice score for evaluating the segmentation
performance of the 13 organs. Our proposed method using single auto-context
outperforms the state-of-the-art on 13 models with an average Dice score 84.58%
versus 81.69% (p<0.0001).
- Abstract(参考訳): 広義の腹腔内マルチオルガンセグメンテーションの実行は,空間的文脈情報の損失を最小化する高分解能セグメンテーションの抽出を容易にする。
しかし、現在の粗分別アプローチは、抽出された臓器の関心領域(ROI)に対応する単一の臓器精製セグメンテーションを実行するために、かなりの数のモデルを必要とする。
低分解能の粗いネットワークを用いて3dボリュームから多臓器の大域的先行コンテキストを抽出することから始まり、さらに1つの洗練されたモデルを用いて複数の臓器に対応するモデルに代えてすべての腹部臓器を区分する微細なフェーズを提案する。
解剖学的先行とそれに対応するパッチを組み合わせて解剖学的位置と境界情報を保存し,全臓器の高分解能セグメンテーションを単一モデルで行う。
本方法の訓練と評価には,13臓器を注記した100症例を対象とした臨床研究コホートを用いた。
4倍のクロスバリデーションでアルゴリズムをテストし,13臓器のセグメンテーション性能を評価するためにdiceスコアを計算した。
提案手法は,13モデルにおいて,平均diceスコアが84.58%に対して81.69% (p<0.0001。
関連論文リスト
- A novel open-source ultrasound dataset with deep learning benchmarks for
spinal cord injury localization and anatomical segmentation [1.02101998415327]
ブタ脊髄の矢状切片からなる10,223モード(Bモード)画像の超音波データセットを提案する。
損傷部位をローカライズするために,いくつかの最先端オブジェクト検出アルゴリズムの性能指標をベンチマークした。
ヒトの超音波脊髄画像におけるセグメンテーションモデルのゼロショット一般化能力を評価する。
論文 参考訳(メタデータ) (2024-09-24T20:22:59Z) - Abdominal organ segmentation via deep diffeomorphic mesh deformations [5.4173776411667935]
CTとMRIによる腹部臓器の分節は,手術計画とコンピュータ支援ナビゲーションシステムにとって必須の要件である。
肝, 腎, 膵, 脾の分節に対するテンプレートベースのメッシュ再構成法を応用した。
結果として得られたUNetFlowは4つの器官すべてによく当てはまり、新しいデータに基づいて簡単に微調整できる。
論文 参考訳(メタデータ) (2023-06-27T14:41:18Z) - Accurate Fine-Grained Segmentation of Human Anatomy in Radiographs via
Volumetric Pseudo-Labeling [66.75096111651062]
我々は,10,021個の胸部CTと157個のラベルの大規模データセットを作成した。
解剖学的擬似ラベル抽出のために3次元解剖分類モデルのアンサンブルを適用した。
得られたセグメンテーションモデルはCXRで顕著な性能を示した。
論文 参考訳(メタデータ) (2023-06-06T18:01:08Z) - Med-Query: Steerable Parsing of 9-DoF Medical Anatomies with Query
Embedding [15.98677736544302]
本稿では,3次元医療データ中の解剖の検出,識別,セグメンテーションを行うための,安定かつ堅牢で効率的な計算フレームワークを提案する。
解剖学の複雑な形状、大きさ、配向を考えると、9自由度(9-DoF)のポーズ推定解をフル3次元空間で提示する。
胸骨, 脊椎, 腹部臓器の3つの画像解析課題について, 提案手法の有効性を検証した。
論文 参考訳(メタデータ) (2022-12-05T04:04:21Z) - TotalSegmentator: robust segmentation of 104 anatomical structures in CT
images [48.50994220135258]
身体CT画像の深層学習セグメント化モデルを提案する。
このモデルは、臓器の容積、疾患の特徴、外科的または放射線療法計画などのユースケースに関連する104の解剖学的構造を区分することができる。
論文 参考訳(メタデータ) (2022-08-11T15:16:40Z) - 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) - FocusNetv2: Imbalanced Large and Small Organ Segmentation with
Adversarial Shape Constraint for Head and Neck CT Images [82.48587399026319]
organ-at-risk (oars) は、健康な臓器の損傷を避けるために放射線治療計画において重要なステップである。
本研究では,この課題を解決するために,2段階の深層ニューラルネットワークであるFocusNetv2を提案する。
従来のFocusNetに加えて,小臓器に新たな対角的形状制約を導入し,推定小臓器形状と臓器形状との整合性を確保する。
論文 参考訳(メタデータ) (2021-04-05T04:45:31Z) - Generalized Organ Segmentation by Imitating One-shot Reasoning using
Anatomical Correlation [55.1248480381153]
そこで我々は,アノテーション付きオルガンクラスから一般化されたオルガン概念を学習し,その概念を未知のクラスに転送するOrganNetを提案する。
そこで,OrganNetは臓器形態の幅広い変化に効果的に抵抗でき,一発分節タスクで最先端の結果が得られることを示す。
論文 参考訳(メタデータ) (2021-03-30T13:41:12Z) - AbdomenCT-1K: Is Abdominal Organ Segmentation A Solved Problem? [30.338209680140913]
今回,12の医療センターから1000 (1K) 以上のCT検査を行い, 腹部CT臓器分節データセットAbdomenCT-1Kについて検討した。
肝,腎,脾,膵の分画について大規模に検討し,SOTA法の未解決分画問題を明らかにする。
未解決の問題を推し進めるために, 完全教師付き, 半教師付き, 弱教師付き, 連続学習のための4つのオルガンセグメンテーションベンチマークを構築した。
論文 参考訳(メタデータ) (2020-10-28T08:15:27Z) - 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) - AttentionAnatomy: A unified framework for whole-body organs at risk
segmentation using multiple partially annotated datasets [30.23917416966188]
CT(Computed tomography)におけるOAR(Organs-at-risk)記述は,放射線治療(RT)計画において重要なステップである。
提案したエンドツーエンドの畳み込みニューラルネットワークモデルである textbfAttentionAnatomy は、3つの部分注釈付きデータセットで共同でトレーニングできる。
提案手法の実験結果から, ソレンセン・ディース係数 (DSC) と95%ハウスドルフ距離の両面で有意な改善が得られた。
論文 参考訳(メタデータ) (2020-01-13T18:31:34Z)
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。