論文の概要: Catalyzing Clinical Diagnostic Pipelines Through Volumetric Medical
Image Segmentation Using Deep Neural Networks: Past, Present, & Future
- arxiv url: http://arxiv.org/abs/2103.14969v1
- Date: Sat, 27 Mar 2021 19:05:11 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-01 11:19:06.948255
- Title: Catalyzing Clinical Diagnostic Pipelines Through Volumetric Medical
Image Segmentation Using Deep Neural Networks: Past, Present, & Future
- Title（参考訳）: 深層ニューラルネットワークを用いた体積医用画像セグメンテーションによる臨床診断パイプラインの触媒 : 過去・現在・未来
- Authors: Teofilo E. Zosa
- Abstract要約: 本稿では,最先端(sota)ニューラルネットワークに基づくセグメンテーションアルゴリズムについて概説する。
また、効果的なディープラーニングベースのソリューションの臨床的意義を示す。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Deep learning has made a remarkable impact in the field of natural image
processing over the past decade. Consequently, there is a great deal of
interest in replicating this success across unsolved tasks in related domains,
such as medical image analysis. Core to medical image analysis is the task of
semantic segmentation which enables various clinical workflows. Due to the
challenges inherent in manual segmentation, many decades of research have been
devoted to discovering extensible, automated, expert-level segmentation
techniques. Given the groundbreaking performance demonstrated by recent neural
network-based techniques, deep learning seems poised to achieve what classic
methods have historically been unable.
This paper will briefly overview some of the state-of-the-art (SoTA) neural
network-based segmentation algorithms with a particular emphasis on the most
recent architectures, comparing and contrasting the contributions and
characteristics of each network topology. Using ultrasonography as a motivating
example, it will also demonstrate important clinical implications of effective
deep learning-based solutions, articulate challenges unique to the modality,
and discuss novel approaches developed in response to those challenges,
concluding with the proposal of future directions in the field.
Given the generally observed ephemerality of the best deep learning
approaches (i.e. the extremely quick succession of the SoTA), the main
contributions of the paper are its contextualization of modern deep learning
architectures with historical background and the elucidation of the current
trajectory of volumetric medical image segmentation research.
- Abstract（参考訳）: ディープラーニングは、過去10年間に自然画像処理の分野に顕著な影響を与えてきた。
その結果、医療画像解析など、関連する領域における未解決タスク間でこの成功を複製することには、大きな関心がある。
医用画像分析の中核は、様々な臨床ワークフローを可能にするセグメンテーションのタスクである。
手動セグメンテーションに固有の課題のため、何十年もの間、拡張可能で自動化された専門家レベルのセグメンテーション技術を見つける研究が続けられてきた。
最近のニューラルネットワークベースの技術によって実証された画期的なパフォーマンスを考えると、ディープラーニングは歴史的に不可能だった方法を達成することができるように思える。
本稿では,最先端(sota)ニューラルネットワークに基づくセグメンテーションアルゴリズムについて,最新のアーキテクチャに着目し,各ネットワークトポロジーの貢献度と特性を比較し,比較する。
超音波検査をモチベーションの例として用いて、効果的な深層学習に基づくソリューションの臨床的意義を明らかにし、モダリティに特有の課題を明確にし、これらの課題に対応する新しいアプローチについて議論する。
最高の深層学習アプローチ(すなわち)の、一般的に観察される短命性を考える。
論文の主な貢献は、歴史的背景を持つ近代的な深層学習アーキテクチャの文脈化と、ボリューム医学画像セグメンテーション研究の現在の軌跡の解明である。
関連論文リスト
- Medical Image Analysis using Deep Relational Learning [1.8465474345655504]
医用画像セグメンテーションを行うために,特徴間の暗黙的関係情報を効果的にモデル化するコンテキスト対応完全畳み込みネットワークを提案する。
そこで我々は,隣接するフレーム間の空間的関係を学習し,正確な医用画像モザイクを実現するために,新しい階層的ホモグラフィー推定ネットワークを提案する。
論文 参考訳（メタデータ） (2023-03-28T16:10:12Z) - End-to-end Neuron Instance Segmentation based on Weakly Supervised
Efficient UNet and Morphological Post-processing [0.0]
組織像からNeuN染色神経細胞を自動的に検出し,分画するエンド・ツー・エンド・エンド・エンド型のフレームワークを提案する。
私たちは最先端のネットワークであるEfficientNetをU-Netのようなアーキテクチャに統合します。
論文 参考訳（メタデータ） (2022-02-17T14:35:45Z) - Deep Algorithm Unrolling for Biomedical Imaging [99.73317152134028]
本章では,アルゴリズムのアンロールによるバイオメディカル応用とブレークスルーについて概説する。
我々はアルゴリズムのアンローリングの起源を辿り、反復アルゴリズムをディープネットワークにアンローリングする方法に関する包括的なチュートリアルを提供する。
オープンな課題を議論し、今後の研究方向性を提案することで、この章を締めくくります。
論文 参考訳（メタデータ） (2021-08-15T01:06:26Z) - Recent advances and clinical applications of deep learning in medical
image analysis [7.132678647070632]
我々は最近200以上の論文をレビュー・要約し、様々な医用画像解析タスクにおける深層学習手法の適用の概要を概観した。
特に,医用画像における最先端の非教師あり半教師あり深層学習の進歩と貢献を強調した。
論文 参考訳（メタデータ） (2021-05-27T18:05:12Z) - Deep Recurrent Encoder: A scalable end-to-end network to model brain
signals [122.1055193683784]
複数の被験者の脳応答を一度に予測するために訓練されたエンドツーエンドのディープラーニングアーキテクチャを提案する。
1時間の読解作業で得られた大脳磁図(meg)記録を用いて,このアプローチを検証した。
論文 参考訳（メタデータ） (2021-03-03T11:39:17Z) - 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) - High-level Prior-based Loss Functions for Medical Image Segmentation: A
Survey [7.685715384001417]
深層畳み込みニューラルネットワーク(CNN)は、監督された医用画像のセグメンテーションにおける技術性能の状態を実証している。
近年の研究は、解剖学的に妥当なセグメンテーションを強制するために、空間情報や事前知識を取り入れることに焦点を当てている。
論文 参考訳（メタデータ） (2020-11-16T15:12:05Z) - Explaining Clinical Decision Support Systems in Medical Imaging using
Cycle-Consistent Activation Maximization [112.2628296775395]
ディープニューラルネットワークを用いた臨床意思決定支援は、着実に関心が高まりつつあるトピックとなっている。
臨床医は、その根底にある意思決定プロセスが不透明で理解しにくいため、この技術の採用をためらうことが多い。
そこで我々は,より小さなデータセットであっても,分類器決定の高品質な可視化を生成するCycleGANアクティベーションに基づく,新たな意思決定手法を提案する。
論文 参考訳（メタデータ） (2020-10-09T14:39:27Z) - NAS-Navigator: Visual Steering for Explainable One-Shot Deep Neural
Network Synthesis [53.106414896248246]
本稿では,分析者がドメイン知識を注入することで,解のサブグラフ空間を効果的に構築し,ネットワーク探索をガイドするフレームワークを提案する。
このテクニックを反復的に適用することで、アナリストは、与えられたアプリケーションに対して最高のパフォーマンスのニューラルネットワークアーキテクチャに収束することができる。
論文 参考訳（メタデータ） (2020-09-28T01:48:45Z) - Deep Learning in Photoacoustic Tomography: Current approaches and future
directions [2.631277214890658]
光音響トモグラフィーは、光吸収に基づく高解像度3次元軟組織像を提供することができる。
高速画像形成の必要性とデータ取得の実践的制約が新たなイメージ再構築の課題を呈している。
ディープ・ラーニング(ディープ・ニューラルネットワーク)やディープ・ニューラル・ネットワーク(ディープ・ニューラル・ネットワーク)がこの問題に多くの注目を集めている。
論文 参考訳（メタデータ） (2020-09-16T11:33:29Z) - Retinopathy of Prematurity Stage Diagnosis Using Object Segmentation and
Convolutional Neural Networks [68.96150598294072]
未熟児網膜症(英: Retinopathy of Prematurity、ROP)は、主に体重の低い未熟児に影響を及ぼす眼疾患である。
網膜の血管の増殖を招き、視力喪失を招き、最終的には網膜剥離を招き、失明を引き起こす。
近年,ディープラーニングを用いて診断を自動化する試みが盛んに行われている。
本稿では,従来のモデルの成功を基盤として,オブジェクトセグメンテーションと畳み込みニューラルネットワーク(CNN)を組み合わせた新しいアーキテクチャを開発する。
提案システムでは,まず対象分割モデルを訓練し,画素レベルでの区切り線を識別し,その結果のマスクを追加の"カラー"チャネルとして付加する。
論文 参考訳（メタデータ） (2020-04-03T14:07:41Z)
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。