論文の概要: Multi-Structure Deep Segmentation with Shape Priors and Latent
Adversarial Regularization
- arxiv url: http://arxiv.org/abs/2101.10173v1
- Date: Mon, 25 Jan 2021 15:43:40 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-14 19:00:14.856160
- Title: Multi-Structure Deep Segmentation with Shape Priors and Latent
Adversarial Regularization
- Title(参考訳): 形状優先型マルチストラクチャーディープセグメンテーションと遅延逆正規化
- Authors: Arnaud Boutillon, Bhushan Borotikar, Christelle Pons, Val\'erie
Burdin, Pierre-Henri Conze
- Abstract要約: MR画像における多構造骨変形の深層学習に基づく正規化セグメンテーション法を提案する。
新たに考案した形状コード判別器に基づき,本手法は深層ネットワークに解剖学の学習可能な形状表現に従うよう強制する。
本研究は足関節および肩関節からの2つの小児筋骨格イメージングデータセットにおける術中正規化法と比較した。
- 参考スコア(独自算出の注目度): 0.5249805590164902
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Automatic segmentation of the musculoskeletal system in pediatric magnetic
resonance (MR) images is a challenging but crucial task for morphological
evaluation in clinical practice. We propose a deep learning-based regularized
segmentation method for multi-structure bone delineation in MR images, designed
to overcome the inherent scarcity and heterogeneity of pediatric data. Based on
a newly devised shape code discriminator, our adversarial regularization scheme
enforces the deep network to follow a learnt shape representation of the
anatomy. The novel shape priors based adversarial regularization (SPAR)
exploits latent shape codes arising from ground truth and predicted masks to
guide the segmentation network towards more consistent and plausible
predictions. Our contribution is compared to state-of-the-art regularization
methods on two pediatric musculoskeletal imaging datasets from ankle and
shoulder joints.
- Abstract(参考訳): 小児MRI画像における筋骨格系の自動分割は, 臨床における形態学的評価の課題であるが重要な課題である。
そこで本研究では,mr画像における多構造骨境界化のための深層学習に基づく正規化セグメンテーション法を提案する。
新たに考案した形状コード判別器に基づき,本手法は深層ネットワークに解剖学の学習可能な形状表現に従うよう強制する。
新たな形状先行型逆正則化(SPAR)は、地上の真実と予測マスクから生じる潜時的な形状コードを利用して、より一貫性があり、妥当な予測に向けてセグメンテーションネットワークを導く。
本研究は足関節および肩関節からの2つの小児筋骨格イメージングデータセットにおける術中正規化法と比較した。
関連論文リスト
- Unsupervised Image Registration Towards Enhancing Performance and
Explainability in Cardiac And Brain Image Analysis [3.5718941645696485]
モダリティ内およびモダリティ内アフィンおよび非リグイド画像登録は、臨床画像診断において必須の医用画像解析プロセスである。
本稿では、アフィンおよび非剛性変換を正確にモデル化できる教師なしディープラーニング登録手法を提案する。
本手法は,モーダリティ不変の潜在反感を学習するために,双方向のモーダリティ画像合成を行う。
論文 参考訳(メタデータ) (2022-03-07T12:54:33Z) - AWSnet: An Auto-weighted Supervision Attention Network for Myocardial
Scar and Edema Segmentation in Multi-sequence Cardiac Magnetic Resonance
Images [23.212429566838203]
マルチシーケンスCMRデータから傷痕と浮腫のセグメンテーションに取り組むための,新しい自動重み付け監視フレームワークを開発した。
また, より小さな心筋病変領域の分画を, 形状の事前知識で促進する, 粗大から細大の枠組みを設計した。
マルチシーケンスCMRデータを用いた心筋病理診断の進歩に期待できる。
論文 参考訳(メタデータ) (2022-01-14T08:59:54Z) - InDuDoNet+: A Model-Driven Interpretable Dual Domain Network for Metal
Artifact Reduction in CT Images [53.4351366246531]
InDuDoNet+と呼ばれる新しい解釈可能な二重ドメインネットワークを構築し、CT画像の微細な埋め込みを行う。
異なる組織間のCT値を分析し,InDuDoNet+の事前観測ネットワークにマージすることで,その一般化性能を著しく向上させる。
論文 参考訳(メタデータ) (2021-12-23T15:52:37Z) - Symmetry-Enhanced Attention Network for Acute Ischemic Infarct
Segmentation with Non-Contrast CT Images [50.55978219682419]
急性虚血性梗塞セグメンテーションのための対称性増強型注意ネットワーク(SEAN)を提案する。
提案するネットワークは、入力されたCT画像を、脳組織が左右対称な標準空間に自動的に変換する。
提案したSEANは、ダイス係数と梗塞局所化の両方の観点から、対称性に基づく最先端の手法より優れている。
論文 参考訳(メタデータ) (2021-10-11T07:13:26Z) - A Self-Supervised Deep Framework for Reference Bony Shape Estimation in
Orthognathic Surgical Planning [55.30223654196882]
仮想的な矯正手術計画では、3次元顔面骨形状モデルにおける顎変形の外科的修正をシミュレートする。
正常な解剖を表現した基準顔骨形状モデルは、計画精度を向上させるための客観的ガイダンスを提供することができる。
本稿では,顔面骨の形状モデルを自動的に推定する自己教師型ディープフレームワークを提案する。
論文 参考訳(メタデータ) (2021-09-11T05:24:40Z) - Automatic size and pose homogenization with spatial transformer network
to improve and accelerate pediatric segmentation [51.916106055115755]
空間変換器ネットワーク(STN)を利用することにより、ポーズとスケール不変の新たなCNNアーキテクチャを提案する。
私たちのアーキテクチャは、トレーニング中に一緒に見積もられる3つのシーケンシャルモジュールで構成されています。
腹部CTスキャナーを用いた腎および腎腫瘍の分節法について検討した。
論文 参考訳(メタデータ) (2021-07-06T14:50:03Z) - Multi-Task, Multi-Domain Deep Segmentation with Shared Representations
and Contrastive Regularization for Sparse Pediatric Datasets [0.5249805590164902]
マルチタスクおよびマルチドメイン学習フレームワークを用いて,解剖学の異なる部分から生じるセグメンテーションモデルをトレーニングすることを提案する。
提案するセグメンテーションネットワークは、共有畳み込みフィルタ、各データセット統計を計算するドメイン固有のバッチ正規化パラメータを含む。
骨分節に対する足関節および肩関節の2つの小児画像データセットについて検討した。
論文 参考訳(メタデータ) (2021-05-21T12:26:05Z) - Evaluation of Complexity Measures for Deep Learning Generalization in
Medical Image Analysis [77.60508571062958]
PAC-ベイズ平坦度とパスノルムに基づく測度は、モデルとデータの組み合わせについて最も一貫した説明をもたらす。
また,乳房画像に対するマルチタスク分類とセグメンテーションのアプローチについても検討した。
論文 参考訳(メタデータ) (2021-03-04T20:58:22Z) - Segmentation-Renormalized Deep Feature Modulation for Unpaired Image
Harmonization [0.43012765978447565]
サイクル一貫性のある生成共役ネットワークは、ソースとターゲットドメイン間のイメージセットの調和に使われてきた。
これらの手法は、不安定性、コントラストの逆転、病理の難治性操作、および実際の医用画像における信頼性を制限したステガノグラフィーマッピングの傾向が強い。
解剖学的レイアウトを維持しながらスキャナ間の調和を低減するセグメンテーション正規化画像翻訳フレームワークを提案する。
論文 参考訳(メタデータ) (2021-02-11T23:53:51Z) - 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)
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。