論文の概要: Comparative Evaluation of 3D and 2D Deep Learning Techniques for
Semantic Segmentation in CT Scans
- arxiv url: http://arxiv.org/abs/2101.07612v1
- Date: Tue, 19 Jan 2021 13:23:43 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-23 02:50:10.313124
- Title: Comparative Evaluation of 3D and 2D Deep Learning Techniques for
Semantic Segmentation in CT Scans
- Title（参考訳）: CTスキャンにおけるセマンティックセグメンテーションのための3次元および2次元深層学習手法の比較評価
- Authors: Abhishek Shivdeo, Rohit Lokwani, Viraj Kulkarni, Amit Kharat,
Aniruddha Pant
- Abstract要約: 本稿では,3次元CTスキャンにおける立体スタックを用いた深層学習手法を提案する。
本研究では,この3D手法と従来の2D深層学習手法とのセグメンテーション結果,コンテキスト情報保持,推論時間に基づく比較について述べる。
3D技術により、2D技術と比較して推論時間が5倍短縮されます。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Image segmentation plays a pivotal role in several medical-imaging
applications by assisting the segmentation of the regions of interest. Deep
learning-based approaches have been widely adopted for semantic segmentation of
medical data. In recent years, in addition to 2D deep learning architectures,
3D architectures have been employed as the predictive algorithms for 3D medical
image data. In this paper, we propose a 3D stack-based deep learning technique
for segmenting manifestations of consolidation and ground-glass opacities in 3D
Computed Tomography (CT) scans. We also present a comparison based on the
segmentation results, the contextual information retained, and the inference
time between this 3D technique and a traditional 2D deep learning technique. We
also define the area-plot, which represents the peculiar pattern observed in
the slice-wise areas of the pathology regions predicted by these deep learning
models. In our exhaustive evaluation, 3D technique performs better than the 2D
technique for the segmentation of CT scans. We get dice scores of 79% and 73%
for the 3D and the 2D techniques respectively. The 3D technique results in a 5X
reduction in the inference time compared to the 2D technique. Results also show
that the area-plots predicted by the 3D model are more similar to the ground
truth than those predicted by the 2D model. We also show how increasing the
amount of contextual information retained during the training can improve the
3D model's performance.
- Abstract（参考訳）: 画像セグメンテーションは、関心領域のセグメンテーションを支援することで、いくつかの医療画像アプリケーションにおいて重要な役割を果たす。
深層学習に基づくアプローチは医学データのセマンティクスセグメンテーションに広く採用されている。
近年,2次元深層学習アーキテクチャに加えて,3次元医用画像データの予測アルゴリズムとして3次元アーキテクチャが採用されている。
本稿では, 3次元ctスキャンにおいて, 固化と接地ガラスの不透明さをセグメント化するための3次元スタックベース深層学習手法を提案する。
また,この3D手法と従来の2D深層学習手法のセグメンテーション結果,文脈情報保持時間,および推論時間に基づいて比較を行った。
また、これらの深層学習モデルにより予測される病理領域のスライスワイズ領域で観察される特異なパターンを表す領域プロットを定義する。
総括評価では,CTスキャンのセグメンテーションにおいて,3次元法の方が2次元法より優れていた。
3D法と2D法では,それぞれ79%,73%のダイススコアが得られた。
3D法は2D法と比較して推論時間を5倍に短縮する。
また, 3次元モデルによって予測される領域プロットは, 2次元モデルで予測されるものよりも基底的真理に類似していることが示された。
また,トレーニング中に保持する文脈情報の量を増やすことで,3次元モデルの性能が向上することを示す。
- 全文 参考訳へのリンク
関連論文リスト
- RiCS: A 2D Self-Occlusion Map for Harmonizing Volumetric Objects [68.85305626324694]
カメラ空間における光マーチング (RiCS) は、3次元における前景物体の自己閉塞を2次元の自己閉塞マップに表現する新しい手法である。
表現マップは画像の質を高めるだけでなく,時間的コヒーレントな複雑な影効果をモデル化できることを示す。
論文 参考訳（メタデータ） (2022-05-14T05:35:35Z) - Segmentation with Super Images: A New 2D Perspective on 3D Medical Image
Analysis [0.0]
本稿では,2次元スーパーイメージにボリュームデータをキャストし,セグメンテーションタスクに2次元ネットワークを用いることを提案する。
この方法は、スライスを並べて3D画像を処理し、超解像度画像を生成する。
深度情報は失われていますが、深度ニューラルネットワークがこれらの特徴を捕捉し、学習できると期待しています。
論文 参考訳（メタデータ） (2022-05-05T09:59:03Z) - Homography Loss for Monocular 3D Object Detection [54.04870007473932]
ホログラフィーロス(Homography Loss)と呼ばれる,2次元情報と3次元情報の両方を利用する識別可能なロス関数を提案する。
提案手法は,KITTI 3Dデータセットにおいて,他の最先端技術と比較して高い性能を示す。
論文 参考訳（メタデータ） (2022-04-02T03:48:03Z) - Data Efficient 3D Learner via Knowledge Transferred from 2D Model [30.077342050473515]
我々は、RGB-D画像を介して強力な2Dモデルから知識を伝達することで、3Dタスクのデータ不足に対処する。
擬似ラベルを用いたRGB-D画像の強化には,2次元画像の強いセマンティック・セマンティック・セマンティック・セマンティック・セマンティクス・モデルを用いる。
提案手法は,3次元ラベルの効率向上に適した既存の最先端技術よりも優れている。
論文 参考訳（メタデータ） (2022-03-16T09:14:44Z) - Simultaneous Alignment and Surface Regression Using Hybrid 2D-3D
Networks for 3D Coherent Layer Segmentation of Retina OCT Images [33.99874168018807]
本研究では,ハイブリッド2D-3D畳み込みニューラルネットワーク(CNN)を用いた新しいフレームワークを提案し,OCTから連続した3次元網膜層表面を得る。
本フレームワークは, 層分割精度とクロスBスキャン3D連続性の両方の観点から, 最先端の2D手法よりも優れた結果が得られる。
論文 参考訳（メタデータ） (2022-03-04T15:55:09Z) - 3-Dimensional Deep Learning with Spatial Erasing for Unsupervised
Anomaly Segmentation in Brain MRI [55.97060983868787]
我々は,MRIボリュームと空間消去を組み合わせた空間文脈の増大が,教師なしの異常セグメンテーション性能の向上に繋がるかどうかを検討する。
本稿では,2次元変分オートエンコーダ(VAE)と3次元の相違点を比較し,3次元入力消去を提案し,データセットサイズが性能に与える影響を体系的に検討する。
入力消去による最高の3D VAEは、平均DICEスコアが31.40%となり、2D VAEは25.76%となった。
論文 参考訳（メタデータ） (2021-09-14T09:17:27Z) - 3D-to-2D Distillation for Indoor Scene Parsing [78.36781565047656]
大規模3次元データリポジトリから抽出した3次元特徴を有効活用し,RGB画像から抽出した2次元特徴を向上する手法を提案する。
まず,事前学習した3Dネットワークから3D知識を抽出して2Dネットワークを監督し,トレーニング中の2D特徴からシミュレーションされた3D特徴を学習する。
次に,2次元の正規化方式を設計し,2次元特徴と3次元特徴のキャリブレーションを行った。
第3に,非ペアの3dデータを用いたトレーニングのフレームワークを拡張するために,意味を意識した対向的トレーニングモデルを設計した。
論文 参考訳（メタデータ） (2021-04-06T02:22:24Z) - Automated Model Design and Benchmarking of 3D Deep Learning Models for
COVID-19 Detection with Chest CT Scans [72.04652116817238]
3D胸部CTスキャン分類のための3D DLモデルを自動的に検索するための差別化可能なニューラルネットワーク探索(DNAS)フレームワークを提案する。
また,我々のモデルのクラスアクティベーションマッピング(cam)技術を利用して,結果の解釈可能性を提供する。
論文 参考訳（メタデータ） (2021-01-14T03:45:01Z) - Spatial Context-Aware Self-Attention Model For Multi-Organ Segmentation [18.76436457395804]
マルチ組織セグメンテーションは、医学画像解析におけるディープラーニングの最も成功した応用の1つである。
深部畳み込みニューラルネット(CNN)は,CT画像やMRI画像上で臨床応用画像のセグメンテーション性能を達成する上で非常に有望である。
本研究では,高分解能2次元畳み込みによりセグメンテーションを実現する3次元モデルと2次元モデルを組み合わせた新しい枠組みを提案する。
論文 参考訳（メタデータ） (2020-12-16T21:39:53Z) - Revisiting 3D Context Modeling with Supervised Pre-training for
Universal Lesion Detection in CT Slices [48.85784310158493]
CTスライスにおける普遍的病変検出のための3Dコンテキスト強化2D特徴を効率的に抽出するための修飾擬似3次元特徴ピラミッドネットワーク(MP3D FPN)を提案する。
新たな事前学習手法により,提案したMP3D FPNは,DeepLesionデータセット上での最先端検出性能を実現する。
提案された3Dプリトレーニングウェイトは、他の3D医療画像分析タスクのパフォーマンスを高めるために使用できる。
論文 参考訳（メタデータ） (2020-12-16T07:11:16Z)
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。