Fugu-MT 論文翻訳(概要): Ensembled ResUnet for Anatomical Brain Barriers Segmentation

論文の概要: Ensembled ResUnet for Anatomical Brain Barriers Segmentation

arxiv url: http://arxiv.org/abs/2012.14567v2
Date: Mon, 4 Jan 2021 08:37:53 GMT
ステータス: 処理完了
システム内更新日: 2021-04-18 20:30:59.022274
Title: Ensembled ResUnet for Anatomical Brain Barriers Segmentation
Title（参考訳）: 解剖学的脳バリアセグメンテーションのための組立ResUnet
Authors: Munan Ning, Cheng Bian, Chenglang Yuan, Kai Ma, Yefeng Zheng
Abstract要約: 深いエンコーダと浅いデコーダで残留ブロックベースのU字型ネットワークを構築します。また、異なるフォアグラウンドとバックグラウンドクラス間のクラス不均衡の問題に対処するために、Tversky損失を導入する。
参考スコア（独自算出の注目度）: 25.330927334373072
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Accuracy segmentation of brain structures could be helpful for glioma and radiotherapy planning. However, due to the visual and anatomical differences between different modalities, the accurate segmentation of brain structures becomes challenging. To address this problem, we first construct a residual block based U-shape network with a deep encoder and shallow decoder, which can trade off the framework performance and efficiency. Then, we introduce the Tversky loss to address the issue of the class imbalance between different foreground and the background classes. Finally, a model ensemble strategy is utilized to remove outliers and further boost performance.
Abstract（参考訳）: 脳構造の高精度分割はグリオーマや放射線治療計画に有用である。しかし、異なるモダリティの視覚的および解剖学的差異により、脳構造の正確なセグメンテーションが困難になる。この問題に対処するために、我々はまずディープエンコーダと浅層デコーダを備えた残差ブロックベースのU字型ネットワークを構築し、フレームワークの性能と効率をトレードオフできる。次に,異なる前景と背景クラス間のクラス不均衡の問題に対処するために,Tversky損失を導入する。最後に,モデルアンサンブル戦略を用いて,異常値の除去とさらなる性能向上を図る。

関連論文リスト

MBDRes-U-Net: Multi-Scale Lightweight Brain Tumor Segmentation Network [0.0]
本研究では,マルチブランチ残差ブロックを統合した3次元U-Netフレームワークを用いたMBDRes-U-Netモデルを提案する。モデルの計算負担は分岐戦略によって低減され、マルチモーダル画像のリッチな局所的特徴を効果的に活用する。
論文参考訳（メタデータ） (2024-11-04T09:03:43Z)
Teaching AI the Anatomy Behind the Scan: Addressing Anatomical Flaws in Medical Image Segmentation with Learnable Prior [34.54360931760496]
臓器の数、形状、相対的な位置などの重要な解剖学的特徴は、堅牢な多臓器分割モデルの構築に不可欠である。我々は Anatomy-Informed Network (AIC-Net) と呼ばれる新しいアーキテクチャを導入する。 AIC-Netは、患者固有の解剖学に適応できる「解剖学的事前」と呼ばれる学習可能な入力を組み込んでいる。
論文参考訳（メタデータ） (2024-03-27T10:46:24Z)
Dual-scale Enhanced and Cross-generative Consistency Learning for Semi-supervised Medical Image Segmentation [49.57907601086494]
医用画像のセグメンテーションはコンピュータ支援診断において重要な役割を担っている。半教師型医用画像(DEC-Seg)のための新しいDual-scale Enhanced and Cross-generative consistency learning frameworkを提案する。
論文参考訳（メタデータ） (2023-12-26T12:56:31Z)
Scale-aware Super-resolution Network with Dual Affinity Learning for Lesion Segmentation from Medical Images [50.76668288066681]
低解像度医用画像から様々な大きさの病変を適応的に分割する,スケールアウェアな超解像ネットワークを提案する。提案するネットワークは,他の最先端手法と比較して一貫した改善を実現した。
論文参考訳（メタデータ） (2023-05-30T14:25:55Z)
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)
Confidence-Guided Unsupervised Domain Adaptation for Cerebellum Segmentation [11.196772863166585]
小脳の包括的高分解能アトラスの欠如は、正常な脳機能と疾患に対する小脳の関与の研究を妨げている。本稿では、まずアレン脳小脳をBigBrainと視覚的類似性を共有する空間に転送する2段階のフレームワークを提案する。次に、自信マップを用いた自己学習戦略を導入し、ノイズの多い擬似ラベルからモデル学習を誘導する。
論文参考訳（メタデータ） (2022-06-14T16:12:46Z)
HMRNet: High and Multi-Resolution Network with Bidirectional Feature Calibration for Brain Structure Segmentation in Radiotherapy [22.395591111209995]
マルチスケール特徴学習と高分解能分岐からなる高分解能・高分解能ネットワーク(HMRNet)を提案する。 ABC 構造の大きさや位置を考慮し,各構造が大まかに局所化されてより細かなセグメンテーション結果が得られるようにネットワークを適用した。提案手法は, ABCの2020年大会で2位を獲得し, 脳腫瘍のCTVのより正確かつ合理的なデライン化の可能性を秘めている。
論文参考訳（メタデータ） (2022-06-07T01:23:40Z)
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)
An Uncertainty-Driven GCN Refinement Strategy for Organ Segmentation [53.425900196763756]
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。
論文参考訳（メタデータ） (2020-12-06T18:55:07Z)
DONet: Dual Objective Networks for Skin Lesion Segmentation [77.9806410198298]
本稿では,皮膚病変のセグメンテーションを改善するために,Dual Objective Networks (DONet) という,シンプルで効果的なフレームワークを提案する。我々のDONetは2つの対称デコーダを採用し、異なる目標に近づくための異なる予測を生成する。皮膚内視鏡画像における多種多様な病変のスケールと形状の課題に対処するために,再帰的コンテキスト符号化モジュール(RCEM)を提案する。
論文参考訳（メタデータ） (2020-08-19T06:02:46Z)
RevPHiSeg: A Memory-Efficient Neural Network for Uncertainty Quantification in Medical Image Segmentation [8.413049356622198]
メモリ効率のよいニューラルネットワークアーキテクチャを構築するための可逆ブロック。 RevPHiSegアーキテクチャは、医用画像セグメンテーションにおける不確実性定量化のために開発された。その結果、RevPHiSegはPHiSegに比べて30%少ないメモリを消費し、非常によく似たセグメンテーション精度を実現している。
論文参考訳（メタデータ） (2020-08-16T21:16:19Z)

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。