論文の概要: Multi-Slice Low-Rank Tensor Decomposition Based Multi-Atlas
Segmentation: Application to Automatic Pathological Liver CT Segmentation
- arxiv url: http://arxiv.org/abs/2102.12056v1
- Date: Wed, 24 Feb 2021 04:09:39 GMT
- ステータス: 処理完了
- システム内更新日: 2021-02-25 13:36:14.672073
- Title: Multi-Slice Low-Rank Tensor Decomposition Based Multi-Atlas
Segmentation: Application to Automatic Pathological Liver CT Segmentation
- Title（参考訳）: Multi-Slice Low-Rank Tensor Decomposition based Multi-Atlas Segmentation: Automatic Pathological Liver CT Segmentationへの応用
- Authors: Changfa Shi, Min Xian, Xiancheng Zhou, Haotian Wang, Heng-Da Cheng
- Abstract要約: 腹部CT像からの肝分画は,肝癌のコンピュータ診断と手術計画に必須のステップである。
現在、既存の肝セグメンテーション法の精度と堅牢性は臨床応用の要件を満たしていない。
低ランクテンソル分解(LRTD)ベースのマルチアトラス分割(MAS)フレームワークを提案し、CT画像の正確で堅牢な病理学的肝分割を実現する。
- 参考スコア（独自算出の注目度）: 4.262342157729123
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Liver segmentation from abdominal CT images is an essential step for liver
cancer computer-aided diagnosis and surgical planning. However, both the
accuracy and robustness of existing liver segmentation methods cannot meet the
requirements of clinical applications. In particular, for the common clinical
cases where the liver tissue contains major pathology, current segmentation
methods show poor performance. In this paper, we propose a novel low-rank
tensor decomposition (LRTD) based multi-atlas segmentation (MAS) framework that
achieves accurate and robust pathological liver segmentation of CT images.
Firstly, we propose a multi-slice LRTD scheme to recover the underlying
low-rank structure embedded in 3D medical images. It performs the LRTD on small
image segments consisting of multiple consecutive image slices. Then, we
present an LRTD-based atlas construction method to generate tumor-free liver
atlases that mitigates the performance degradation of liver segmentation due to
the presence of tumors. Finally, we introduce an LRTD-based MAS algorithm to
derive patient-specific liver atlases for each test image, and to achieve
accurate pairwise image registration and label propagation. Extensive
experiments on three public databases of pathological liver cases validate the
effectiveness of the proposed method. Both qualitative and quantitative results
demonstrate that, in the presence of major pathology, the proposed method is
more accurate and robust than state-of-the-art methods.
- Abstract（参考訳）: 腹部CT像からの肝分画は,肝癌のコンピュータ診断と手術計画に必須のステップである。
しかし,既存の肝セグメンテーション法の精度と堅牢性は臨床応用の要件を満たしていない。
特に肝組織が主な病理組織を含む一般的な臨床例では,現在のセグメンテーション法は成績不良である。
本論文では、CT画像の正確かつ堅牢な病理学的肝分割を実現する低ランクテンソル分解(LRTD)ベースのマルチアトラス分割(MAS)フレームワークを提案する。
まず,3次元医用画像に埋め込まれた低ランク構造を復元するマルチスライスLRTD方式を提案する。
複数の連続画像スライスからなる小さな画像セグメントでLRTDを実行します。
そこで本研究では,LRTDベースのアトラス構築法を用いて腫瘍のない肝アトラスを作製し,腫瘍の存在による肝セグメンテーションの性能低下を緩和する。
最後に,各検査画像に対する患者固有の肝アトラスを導出し,高精度なペアワイズ画像登録とラベル伝播を実現するためのlrtdベースのmasアルゴリズムを提案する。
病理肝症例の3つの公開データベースに対する大規模な実験により,提案手法の有効性が検証された。
定性的および定量的な結果は、主要な病理学が存在する場合、提案手法は最先端の手法よりも正確で堅牢であることを示している。
関連論文リスト
- Coronary artery segmentation in non-contrast calcium scoring CT images
using deep learning [2.2687766762329886]
非コントラスト心エコー画像における冠状動脈のセグメンテーションのためのディープラーニングアルゴリズムを提案する。
テストGTを作成するために,手動メッシュ画像登録のための新しい手法を提案する。
実験結果から,トレーニングに使用するGTよりもトレーニングモデルの精度が有意に高く,相互変動に近いDiceとclDiceの測定値が得られた。
論文 参考訳（メタデータ） (2024-03-04T23:40:02Z) - Diffusion Models for Counterfactual Generation and Anomaly Detection in
Brain Images [59.85702949046042]
病気の画像の健全なバージョンを生成し,それを用いて画素単位の異常マップを得るための弱教師付き手法を提案する。
健常者を対象にした拡散モデルを用いて, サンプリングプロセスの各ステップで拡散拡散確率モデル (DDPM) と拡散拡散確率モデル (DDIM) を組み合わせる。
本手法が正常なサンプルに適用された場合,入力画像は大幅な修正を伴わずに再構成されることを確認した。
論文 参考訳（メタデータ） (2023-08-03T21:56:50Z) - A Cascaded Approach for ultraly High Performance Lesion Detection and
False Positive Removal in Liver CT Scans [15.352636778576171]
肝臓がんは世界中で高い死亡率と死亡率を持っている。
CT画像における肝病変の自動検出と分類は、臨床ワークフローを改善する可能性がある。
本研究では,多相CT画像のためのマルチオブジェクトラベリングツールをカスタマイズする。
論文 参考訳（メタデータ） (2023-06-28T09:11:34Z) - Structure-aware registration network for liver DCE-CT images [50.28546654316009]
セグメント化誘導深層登録網に関連臓器の構造情報を組み込んだ構造認識型登録手法を提案する。
提案手法は,最新技術よりも高い登録精度を達成し,解剖学的構造を効果的に維持することができる。
論文 参考訳（メタデータ） (2023-03-08T14:08:56Z) - 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) - CoRe: An Automated Pipeline for The Prediction of Liver Resection
Complexity from Preoperative CT Scans [53.561797148529664]
肝切除を複雑にするために重要な位置にある腫瘍が知られている。
CoReは、術後LRの複雑さを予測するための自動化された医療画像処理パイプラインである。
論文 参考訳（メタデータ） (2022-10-15T15:29:24Z) - Efficient liver segmentation with 3D CNN using computed tomography scans [0.0]
肝腫瘍による肝疾患は、世界で最も一般的な理由の1つである。
多くの画像モダリティは、肝腫瘍を検出するための補助ツールとして使用できる。
腹部CTから肝を検出・分画する効率的な自動肝分画フレームワークを提案する。
論文 参考訳（メタデータ） (2022-08-28T19:02:39Z) - A unified 3D framework for Organs at Risk Localization and Segmentation
for Radiation Therapy Planning [56.52933974838905]
現在の医療ワークフローは、OAR(Organs-at-risk)のマニュアル記述を必要とする
本研究は,OARローカライゼーション・セグメンテーションのための統合された3Dパイプラインの導入を目的とする。
提案手法は医用画像に固有の3Dコンテキスト情報の活用を可能にする。
論文 参考訳（メタデータ） (2022-03-01T17:08:41Z) - Context-aware PolyUNet for Liver and Lesion Segmentation from Abdominal
CT Images [2.5576691384612413]
本稿では,肝と病変の正確なセグメンテーションのための新しい文脈認識型PolyUNetを提案する。
特徴表現力と空間的文脈情報を豊かにするために、構造的多様性と連続的なt-アジャセントスライスを共同で検討する。
本手法は,MICCAI 2017 Liver tumor (LiTS) Challengeで非常に優れた成績を示した。
論文 参考訳（メタデータ） (2021-06-21T18:01:04Z) - Synergistic Learning of Lung Lobe Segmentation and Hierarchical
Multi-Instance Classification for Automated Severity Assessment of COVID-19
in CT Images [61.862364277007934]
3次元CT画像におけるCOVID-19の重症度自動評価のための相乗的学習フレームワークを提案する。
マルチタスクのディープネットワーク(M$2$UNet)が開発され、新型コロナウイルス患者の重症度を評価する。
われわれのM$2$UNetはパッチレベルのエンコーダと肺葉分画のためのセグメンテーションサブネットワークと重度評価のための分類サブネットワークから構成されている。
論文 参考訳（メタデータ） (2020-05-08T03:16:15Z) - Automatic segmentation and determining radiodensity of the liver in a
large-scale CT database [0.0]
この技術は、様々な患者位置で得られたCT画像を幅広い露光パラメーターで処理するために使用することができる。
実際の大規模医療データベースでは、100万以上の研究で低用量CTスキャンを処理できる。
論文 参考訳（メタデータ） (2019-12-31T12:41:05Z)
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。