論文の概要: Cutting-edge 3D Medical Image Segmentation Methods in 2020: Are Happy Families All Alike?

• arxiv url: http://arxiv.org/abs/2101.00232v1
• Date: Fri, 1 Jan 2021 13:39:26 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-16 11:07:47.047812
• Title: Cutting-edge 3D Medical Image Segmentation Methods in 2020: Are Happy Families All Alike?
• Title（参考訳）: 2020年の医療用3D画像の切り抜き方法:幸せな家族はみんな似ているか?
• Authors: Jun Ma
• Abstract要約: 本稿では,2020年における3次元医用画像セグメンテーション課題の上位10項目について概観する。 最先端セグメンテーション手法における「幸福な家族」の実践は,強力なセグメンテーション手法の開発に有用である。 我々は将来解決すべきオープンリサーチの問題について議論する。
• 参考スコア（独自算出の注目度）: 9.247774141419134
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Segmentation is one of the most important and popular tasks in medical image analysis, which plays a critical role in disease diagnosis, surgical planning, and prognosis evaluation. During the past five years, on the one hand, thousands of medical image segmentation methods have been proposed for various organs and lesions in different medical images, which become more and more challenging to fairly compare different methods. On the other hand, international segmentation challenges can provide a transparent platform to fairly evaluate and compare different methods. In this paper, we present a comprehensive review of the top methods in ten 3D medical image segmentation challenges during 2020, covering a variety of tasks and datasets. We also identify the "happy-families" practices in the cutting-edge segmentation methods, which are useful for developing powerful segmentation approaches. Finally, we discuss open research problems that should be addressed in the future. We also maintain a list of cutting-edge segmentation methods at \url{https://github.com/JunMa11/SOTA-MedSeg}.
• Abstract（参考訳）: セグメンテーションは医療画像解析において最も重要かつ一般的な課題の1つであり、疾患診断、手術計画、予後評価において重要な役割を果たしている。 過去5年間、異なる医療画像における様々な臓器や病変に対して、何千もの医療画像分割法が提案されてきた。 一方で、国際的なセグメンテーションの課題は、異なる手法を公平に評価し比較するための透明なプラットフォームを提供することができる。 本稿では,2020年における10の医療画像セグメンテーション課題におけるトップメソッドの総合的なレビューを行い,様々な課題とデータセットについて紹介する。 また,最先端セグメンテーション手法における「幸福な家族」の実践も確認し,強力なセグメンテーション手法の開発に有用である。 最後に,今後解決すべきオープンリサーチの課題について論じる。 また、私たちは \url{https://github.com/JunMa11/SOTA-MedSeg} の最先端セグメンテーションメソッドのリストも維持しています。

関連論文リスト

• 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)
• MA-SAM: Modality-agnostic SAM Adaptation for 3D Medical Image Segmentation [58.53672866662472]
  我々はMA-SAMと命名されたモダリティに依存しないSAM適応フレームワークを提案する。 本手法は,重量増加のごく一部だけを更新するためのパラメータ効率の高い微調整戦略に根ざしている。 画像エンコーダのトランスバータブロックに一連の3Dアダプタを注入することにより,事前学習した2Dバックボーンが入力データから3次元情報を抽出することができる。
  論文  参考訳（メタデータ） (2023-09-16T02:41:53Z)
• From CNN to Transformer: A Review of Medical Image Segmentation Models [7.3150850275578145]
  医用画像セグメンテーションのための深層学習が主流となっている。 本稿では,近年最も代表的な4つの医用画像セグメンテーションモデルについて調査する。 理論的にこれらのモデルの特徴を解析し、2つのベンチマークデータセット上でそれらの性能を定量的に評価する。
  論文  参考訳（メタデータ） (2023-08-10T02:48:57Z)
• Self-Supervised Correction Learning for Semi-Supervised Biomedical Image Segmentation [84.58210297703714]
  半教師付きバイオメディカルイメージセグメンテーションのための自己教師付き補正学習パラダイムを提案する。 共有エンコーダと2つの独立デコーダを含むデュアルタスクネットワークを設計する。 異なるタスクのための3つの医用画像分割データセットの実験により,本手法の優れた性能が示された。
  論文  参考訳（メタデータ） (2023-01-12T08:19:46Z)
• U-Net and its variants for Medical Image Segmentation : A short review [0.0]
  本論文は,U-Netとその変種を用いた医用画像のセグメンテーションの簡単なレビューである。 また,医療画像のセグメンテーションの進展を鳥の目で観察する。
  論文  参考訳（メタデータ） (2022-04-17T15:26:51Z)
• A survey on shape-constraint deep learning for medical image segmentation [0.46023882211671957]
  畳み込みニューラルネットワークとその多くのバリエーションは、ディープラーニングベースの医療画像セグメンテーションの現代の風景を完全に変えました。 これらの手法のピクセルレベルの分類と回帰に対する過度の依存は、問題として早期に特定されている。 セグメンテーション結果が解剖学的に一貫性があることを確認するために、マルコフ/条件付きランダムフィールドに基づくアプローチは、統計的シェイプモデルがますます普及しています。
  論文  参考訳（メタデータ） (2021-01-19T16:52:10Z)
• Weakly supervised multiple instance learning histopathological tumor segmentation [51.085268272912415]
  スライド画像全体のセグメント化のための弱教師付きフレームワークを提案する。 トレーニングモデルに複数のインスタンス学習スキームを利用する。 提案するフレームワークは,The Cancer Genome AtlasとPatchCamelyonデータセットのマルチロケーションとマルチ中心公開データに基づいて評価されている。
  論文  参考訳（メタデータ） (2020-04-10T13:12:47Z)
• 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)
• Deep Learning in Medical Ultrasound Image Segmentation: a Review [9.992387025633805]
  これは、ヒトの組織を3Dで再構成するなど、臨床診断のための信頼性の高い基盤を提供するための重要なステップである。 深層学習に基づく超音波画像セグメンテーション法は,6つの主要群に分類される。 最後に,医療用超音波画像セグメンテーションの課題と今後の研究の方向性について論じる。
  論文  参考訳（メタデータ） (2020-02-18T16:33:22Z)
• 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)

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。