論文の概要: Evaluation of Preprocessing Techniques for U-Net Based Automated Liver Segmentation

• arxiv url: http://arxiv.org/abs/2103.14301v1
• Date: Fri, 26 Mar 2021 07:31:25 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-29 12:51:41.755034
• Title: Evaluation of Preprocessing Techniques for U-Net Based Automated Liver Segmentation
• Title（参考訳）: u-netによる自動肝分画前処理法の評価
• Authors: Muhammad Islam, Kaleem Nawaz Khan, Muhammad Salman Khan
• Abstract要約: 本研究は,Hounsfield Unit (HU) ウィンドウリング,コントラスト限定適応ヒストグラム等化,zスコア正規化,中央フィルタリング,Block-Matching and 3D (BM3D) フィルタリングに焦点を当てた。 その結果,hu-windowing,centralral filter,z-score正規化の3つの手法を組み合わせると,ディス係数96.93%,90.77%,90.84%の最適性能が得られることがわかった。
• 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: To extract liver from medical images is a challenging task due to similar intensity values of liver with adjacent organs, various contrast levels, various noise associated with medical images and irregular shape of liver. To address these issues, it is important to preprocess the medical images, i.e., computerized tomography (CT) and magnetic resonance imaging (MRI) data prior to liver analysis and quantification. This paper investigates the impact of permutation of various preprocessing techniques for CT images, on the automated liver segmentation using deep learning, i.e., U-Net architecture. The study focuses on Hounsfield Unit (HU) windowing, contrast limited adaptive histogram equalization (CLAHE), z-score normalization, median filtering and Block-Matching and 3D (BM3D) filtering. The segmented results show that combination of three techniques; HU-windowing, median filtering and z-score normalization achieve optimal performance with Dice coefficient of 96.93%, 90.77% and 90.84% for training, validation and testing respectively.
• Abstract（参考訳）: 医用画像から肝臓を抽出することは, 隣り合う臓器との類似の肝臓強度値, コントラストレベル, 医用画像に関連する各種ノイズ, 肝臓の不規則形状などにより, 課題となる。 これらの問題に対処するためには、肝臓分析や定量化に先立って、CT(Computerized tomography)とMRI(MRI)データといった医療画像の事前処理が重要である。 本稿では, 深層学習, U-Netアーキテクチャを用いた自動肝セグメンテーションにおけるCT画像の様々な前処理手法の置換の影響について検討する。 本研究は,hounsfield unit (hu) ウィンドウニング,con contrast limited adaptive histogram equalization (clahe), z-score normalization, median filtering, block-matching, 3d (bm3d) フィルタに着目した。 その結果,hu-windowing,centralral filter,z-score正規化の3つの手法を組み合わせると,ディス係数96.93%,90.77%,90.84%の最適性能が得られることがわかった。

関連論文リスト

• QUBIQ: Uncertainty Quantification for Biomedical Image Segmentation Challenge [93.61262892578067]
  医用画像分割作業の不確実性、特にラター間変動性は重要な課題である。 この可変性は、自動セグメンテーションアルゴリズムの開発と評価に直接影響を及ぼす。 バイオメディカル画像量化チャレンジ(QUBIQ)における不確実性の定量化のベンチマーク結果を報告する。
  論文  参考訳（メタデータ） (2024-03-19T17:57:24Z)
• Acute ischemic stroke lesion segmentation in non-contrast CT images using 3D convolutional neural networks [0.0]
  非コントラストCT脳画像における急性虚血性脳梗塞の容積分画を目的とした自動アルゴリズムを提案する。 我々のディープラーニングアプローチは、人気のある3D U-Net畳み込みニューラルネットワークアーキテクチャに基づいている。
  論文  参考訳（メタデータ） (2023-01-17T10:39:39Z)
• Mediastinal Lymph Node Detection and Segmentation Using Deep Learning [1.7188280334580195]
  臨床ではCT(Computed tomography)とPET(positron emission tomography)が異常リンパ節(LN)を検出する 深層畳み込みニューラルネットワークは、しばしば医療写真にアイテムを分割する。 良質な深層学習手法であるUNetは、縦隔リンパ節の分節と検出のための戦略に基づいて、双線形および全一般化変異(TGV)を用いて修正された。 修正されたUNetはテクスチャの不連続を維持し、ノイズの多い領域を選択し、バックプロパゲーションを通じて適切なバランスポイントを検索し、画像の解像度を再現する。
  論文  参考訳（メタデータ） (2022-11-24T02:55:20Z)
• Stain-invariant self supervised learning for histopathology image analysis [74.98663573628743]
  乳がんのヘマトキシリンおよびエオシン染色像におけるいくつかの分類課題に対する自己監督アルゴリズムを提案する。 本手法は,いくつかの乳がんデータセット上での最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2022-11-14T18:16:36Z)
• Self-supervised 3D anatomy segmentation using self-distilled masked image transformer (SMIT) [2.7298989068857487]
  自己教師型学習は、畳み込みネットワークを用いた医用画像のセグメンテーションに成功している。 我々は、我々のアプローチがより正確で、他のプリテキストタスクよりも微調整データセットを少なくする必要があることを示した。
  論文  参考訳（メタデータ） (2022-05-20T17:55:14Z)
• Preservation of High Frequency Content for Deep Learning-Based Medical Image Classification [74.84221280249876]
  大量の胸部ラジオグラフィーの効率的な分析は、医師や放射線技師を助けることができる。 本稿では,視覚情報の効率的な識別と符号化のための離散ウェーブレット変換(DWT)を提案する。
  論文  参考訳（メタデータ） (2022-05-08T15:29:54Z)
• CyTran: A Cycle-Consistent Transformer with Multi-Level Consistency for Non-Contrast to Contrast CT Translation [56.622832383316215]
  コントラストCTを非コントラストCTに変換する手法を提案する。 提案手法は、CyTranを略して、サイクル一貫性のある生成逆転変換器に基づいている。 実験の結果、CyTranは競合するすべての手法より優れています。
  論文  参考訳（メタデータ） (2021-10-12T23:25:03Z)
• A deep learning based multiscale approach to segment cancer area in liver whole slide image [3.6868861317674524]
  本稿では,癌領域のセグメント化のためのエンド・ツー・エンド・エンド・ディープ・ニューラルネットワークの自動アルゴリズムに基づくマルチスケール画像処理手法を提案する。 提案手法は、7段階の様々な解像度(ピラミダルサブサンプリング)に適用されたU-Netに基づく。 その結果,提案手法の有効性が,最先端技術と比較すると,より優れたスコアが得られた。
  論文  参考訳（メタデータ） (2020-07-25T13:54:01Z)
• Improved Slice-wise Tumour Detection in Brain MRIs by Computing Dissimilarities between Latent Representations [68.8204255655161]
  磁気共鳴画像(MRI)の異常検出は教師なし手法で行うことができる。 本研究では,変分オートエンコーダの潜伏空間における相似関数の計算に基づいて,腫瘍検出のためのスライスワイズ半教師法を提案する。 本研究では,高解像度画像上でのモデルをトレーニングし,再現の質を向上させることにより,異なるベースラインに匹敵する結果が得られることを示す。
  論文  参考訳（メタデータ） (2020-07-24T14:02:09Z)
• 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。