論文の概要: Automatic Liver Segmentation from CT Images Using Deep Learning
Algorithms: A Comparative Study
- arxiv url: http://arxiv.org/abs/2101.09987v1
- Date: Mon, 25 Jan 2021 10:05:46 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-14 19:13:11.474379
- Title: Automatic Liver Segmentation from CT Images Using Deep Learning
Algorithms: A Comparative Study
- Title（参考訳）: ディープラーニングアルゴリズムを用いたct画像からの自動肝分画法の比較検討
- Authors: K. E. Sengun, Y. T. Cetin, M.S Guzel, S. Can and E. Bostanci
- Abstract要約: 本稿では,Liverセグメンテーションのための最も効率的なDLアーキテクチャを提案する。
完全自動肝セグメンテーションのための最も効率的かつ正確なDLアーキテクチャを明らかにすることを目的としている。
その結果,DLアルゴリズムはDICOM画像からの臓器分割を高精度に自動化できることが判明した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Medical imaging has been employed to support medical diagnosis and treatment.
It may also provide crucial information to surgeons to facilitate optimal
surgical preplanning and perioperative management. Essentially, semi-automatic
organ and tumor segmentation has been studied by many researchers. Recently,
with the development of Deep Learning (DL) algorithms, automatic organ
segmentation has been gathered lots of attention from the researchers. This
paper addresses to propose the most efficient DL architectures for Liver
segmentation by adapting and comparing state-of-the-art DL frameworks, studied
in different disciplines. These frameworks are implemented and adapted into a
Commercial software, 'LiverVision'. It is aimed to reveal the most effective
and accurate DL architecture for fully automatic liver segmentation. Equal
conditions were provided to all architectures in the experiments so as to
measure the effectiveness of algorithms accuracy, and Dice coefficient metrics
were also employed to support comparative analysis. Experimental results prove
that 'U-Net' and 'SegNet' have been superior in line with the experiments
conducted considering the concepts of time, cost, and effectiveness.
Considering both architectures, 'SegNet' was observed to be more successful in
eliminating false-positive values. Besides, it was seen that the accuracy
metric used to measure effectiveness in image segmentation alone was not
enough. Results reveal that DL algorithms are able to automate organ
segmentation from DICOM images with high accuracy. This contribution is
critical for surgical preplanning and motivates author to apply this approach
to the different organs and field of medicine.
- Abstract（参考訳）: 医学的診断と治療を支援するために医療画像が使用されている。
また、最適な手術前計画と周術期管理を容易にするために、外科医に重要な情報を提供する。
本質的に、半自動臓器と腫瘍の分割は多くの研究者によって研究されている。
近年、ディープラーニング(DL)アルゴリズムの開発により、自動臓器分割が研究者から多くの注目を集めています。
本稿では,最先端のdlフレームワークを適用・比較することにより,肝分画のための最も効率的なdlアーキテクチャを提案する。
これらのフレームワークは'LiverVision'という商用ソフトウェアに実装・適応されている。
完全自動肝セグメンテーションのための最も効率的かつ正確なDLアーキテクチャを明らかにすることを目的としている。
アルゴリズムの精度を計測するために実験中の全てのアーキテクチャに等条件が与えられ、比較分析をサポートするためにサイス係数メトリクスも用いられた。
実験結果から, 「U-Net」と「SegNet」は, 時間, コスト, 有効性といった概念を考慮した実験よりも優れていることが示された。
両方のアーキテクチャを考えると、"SegNet"は偽陽性の値を削除することに成功している。
また,画像分割のみの有効性を測定するための精度指標は不十分であった。
その結果,DLアルゴリズムはDICOM画像からの臓器分割を高精度に自動化できることが判明した。
この貢献は外科的事前計画に不可欠であり、このアプローチを異なる臓器および医学分野に適用する動機づけとなる。
関連論文リスト
- FAST-AID Brain: Fast and Accurate Segmentation Tool using Artificial
Intelligence Developed for Brain [0.8376091455761259]
ヒト脳の132領域への高速かつ正確なセグメンテーションのための新しい深層学習法を提案する。
提案モデルは、効率的なU-Netライクなネットワークと、異なるビューと階層関係の交差点の利点を利用する。
提案手法は,画像の事前処理や性能低下を伴わずに頭蓋骨や他の人工物を含む脳MRIデータに適用することができる。
論文 参考訳（メタデータ） (2022-08-30T16:06:07Z) - Multi-organ Segmentation Network with Adversarial Performance Validator [10.775440368500416]
本稿では,2次元から3次元のセグメンテーションフレームワークに対向的な性能検証ネットワークを導入する。
提案したネットワークは, 2次元粗い結果から3次元高品質なセグメンテーションマスクへの変換を行い, 共同最適化によりセグメンテーション精度が向上する。
NIH膵分節データセットの実験では、提案したネットワークが小臓器分節の最先端の精度を達成し、過去の最高性能を上回った。
論文 参考訳（メタデータ） (2022-04-16T18:00:29Z) - SECP-Net: SE-Connection Pyramid Network of Organ At Risk Segmentation
for Nasopharyngeal Carcinoma [0.0]
深層学習モデルは医用画像セグメンテーションタスクに広く応用されている。
従来のディープニューラルネットワークは、グローバルおよびマルチサイズ情報の使用が欠如しているため、セグメンテーション時に性能が低下する。
本稿ではセグメンテーション性能を向上させるための新しいSE-Connection Pyramid Network(SECP-Net)を提案する。
論文 参考訳（メタデータ） (2021-12-28T07:48:18Z) - Incremental Cross-view Mutual Distillation for Self-supervised Medical
CT Synthesis [88.39466012709205]
本稿では,スライス間の分解能を高めるために,新しい医療スライスを構築した。
臨床実践において, 根本・中間医療スライスは常に欠落していることを考慮し, 相互蒸留の段階的相互蒸留戦略を導入する。
提案手法は,最先端のアルゴリズムよりも明確なマージンで優れる。
論文 参考訳（メタデータ） (2021-12-20T03:38:37Z) - Surgical Gesture Recognition Based on Bidirectional Multi-Layer
Independently RNN with Explainable Spatial Feature Extraction [10.469989981471254]
本研究では, 説明可能な特徴抽出プロセスを用いて, 効果的な外科的ジェスチャー認識手法の開発を目指す。
本稿では,双方向マルチ層独立RNN(BML-indRNN)モデルを提案する。
dcnnのブラックボックス効果を解消するために、勾配重み付けクラスアクティベーションマッピング(grad-cam)を用いる。
その結果,提案手法に基づく縫合作業の精度は87.13%であり,最先端のアルゴリズムよりも優れていた。
論文 参考訳（メタデータ） (2021-05-02T12:47:19Z) - Deep ensembles based on Stochastic Activation Selection for Polyp
Segmentation [82.61182037130406]
本研究は,大腸内視鏡検査における画像分割,特に正確なポリープ検出とセグメンテーションを扱う。
イメージセグメンテーションの基本アーキテクチャはエンコーダとデコーダで構成されている。
我々はデコーダのバックボーンを変更することで得られるDeepLabアーキテクチャのバリエーションを比較した。
論文 参考訳（メタデータ） (2021-04-02T02:07:37Z) - 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) - Few-shot Medical Image Segmentation using a Global Correlation Network
with Discriminative Embedding [60.89561661441736]
医療画像分割のための新しい手法を提案する。
深層畳み込みネットワークを用いた数ショット画像セグメンタを構築します。
深層埋め込みの識別性を高め,同一クラスの特徴領域のクラスタリングを促進する。
論文 参考訳（メタデータ） (2020-12-10T04:01:07Z) - 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) - Automatic Gesture Recognition in Robot-assisted Surgery with
Reinforcement Learning and Tree Search [63.07088785532908]
共同手術におけるジェスチャー分割と分類のための強化学習と木探索に基づく枠組みを提案する。
我々のフレームワークは,JIGSAWSデータセットのサチューリングタスクにおいて,精度,編集スコア,F1スコアの点で,既存の手法よりも一貫して優れています。
論文 参考訳（メタデータ） (2020-02-20T13:12:38Z) - Abdominal multi-organ segmentation with cascaded convolutional and
adversarial deep networks [0.36944296923226316]
深層学習を用いた腹部CTおよびMR画像からの完全自動多臓器分画について検討した。
我々のパイプラインは、最先端のエンコーダデコーダスキームよりも優れた結果をもたらす。
論文 参考訳（メタデータ） (2020-01-26T21:28:04Z)
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。