論文の概要: Generalized Organ Segmentation by Imitating One-shot Reasoning using Anatomical Correlation

• arxiv url: http://arxiv.org/abs/2103.16344v1
• Date: Tue, 30 Mar 2021 13:41:12 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-31 14:54:08.565078
• Title: Generalized Organ Segmentation by Imitating One-shot Reasoning using Anatomical Correlation
• Title（参考訳）: 解剖学的相関を用いたワンショット推論の一般化
• Authors: Hong-Yu Zhou, Hualuo Liu, Shilei Cao, Dong Wei, Chixiang Lu, Yizhou Yu, Kai Ma, Yefeng Zheng
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 55.1248480381153
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Learning by imitation is one of the most significant abilities of human beings and plays a vital role in human's computational neural system. In medical image analysis, given several exemplars (anchors), experienced radiologist has the ability to delineate unfamiliar organs by imitating the reasoning process learned from existing types of organs. Inspired by this observation, we propose OrganNet which learns a generalized organ concept from a set of annotated organ classes and then transfer this concept to unseen classes. In this paper, we show that such process can be integrated into the one-shot segmentation task which is a very challenging but meaningful topic. We propose pyramid reasoning modules (PRMs) to model the anatomical correlation between anchor and target volumes. In practice, the proposed module first computes a correlation matrix between target and anchor computerized tomography (CT) volumes. Then, this matrix is used to transform the feature representations of both anchor volume and its segmentation mask. Finally, OrganNet learns to fuse the representations from various inputs and predicts segmentation results for target volume. Extensive experiments show that OrganNet can effectively resist the wide variations in organ morphology and produce state-of-the-art results in one-shot segmentation task. Moreover, even when compared with fully-supervised segmentation models, OrganNet is still able to produce satisfying segmentation results.
• Abstract（参考訳）: 模倣による学習は人間の最も重要な能力の1つであり、人間の計算神経システムにおいて重要な役割を果たす。 医療画像解析において、経験豊富な放射線技師は、既存の種類の臓器から学んだ推論過程を模倣することにより、慣れていない臓器を記述できる。 この観察から着想を得たOrganNet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び、その概念を目に見えないクラスに転送する。 本稿では,このようなプロセスが,非常に難しいが意味のあるトピックであるワンショットセグメンテーションタスクに統合可能であることを示す。 本研究では,アンカーとターゲットボリュームの解剖学的相関をモデル化するためのピラミッド推論モジュール(PRMs)を提案する。 実際に提案したモジュールは、まずターゲットとアンカーのコンピュータ断層撮影(CT)ボリュームの相関行列を計算する。 次に、この行列を用いてアンカーボリュームとセグメンテーションマスクの双方の特徴表現を変換する。 最後に、OrganNetは様々な入力から表現を融合させ、ターゲットボリュームのセグメンテーション結果を予測する。 大規模な実験により、OrganNetは臓器形態の幅広いバリエーションに効果的に抵抗し、1ショットのセグメンテーションタスクで最先端の結果を生み出すことが示されている。 さらに、完全な教師付きセグメンテーションモデルと比較しても、organnetはセグメンテーション結果を満たすことができる。

関連論文リスト

• Teaching AI the Anatomy Behind the Scan: Addressing Anatomical Flaws in Medical Image Segmentation with Learnable Prior [34.54360931760496]
  臓器の数、形状、相対的な位置などの重要な解剖学的特徴は、堅牢な多臓器分割モデルの構築に不可欠である。 我々は Anatomy-Informed Network (AIC-Net) と呼ばれる新しいアーキテクチャを導入する。 AIC-Netは、患者固有の解剖学に適応できる「解剖学的事前」と呼ばれる学習可能な入力を組み込んでいる。
  論文  参考訳（メタデータ） (2024-03-27T10:46:24Z)
• AnatoMix: Anatomy-aware Data Augmentation for Multi-organ Segmentation [6.471203541258319]
  本稿では,多臓器セグメンテーションデータセットの一般化性を高めるための新しいデータ拡張戦略を提案する。 オブジェクトレベルのマッチングと操作により,本手法は解剖学的に正しい画像を生成することができる。 拡張法は, ベースライン法74.8と比較して76.1ディスとなる。
  論文  参考訳（メタデータ） (2024-03-05T21:07:50Z)
• HALOS: Hallucination-free Organ Segmentation after Organ Resection Surgery [3.079885946230076]
  最先端のセグメンテーションモデルはしばしば臓器の幻覚、すなわち臓器の偽陽性予測を引き起こす。 臓器切除術後の症例を治療するMR画像における腹部臓器分割のためのHALOSを提案する。
  論文  参考訳（メタデータ） (2023-03-14T09:05:19Z)
• Learning from partially labeled data for multi-organ and tumor segmentation [102.55303521877933]
  本稿では,トランスフォーマーに基づく動的オンデマンドネットワーク(TransDoDNet)を提案する。 動的ヘッドにより、ネットワークは複数のセグメンテーションタスクを柔軟に達成することができる。 我々はMOTSと呼ばれる大規模にラベル付けされたMulti-Organ and tumorベンチマークを作成し、他の競合相手よりもTransDoDNetの方が優れた性能を示す。
  論文  参考訳（メタデータ） (2022-11-13T13:03:09Z)
• MetaMedSeg: Volumetric Meta-learning for Few-Shot Organ Segmentation [47.428577772279176]
  本稿では,容量医学データに対するメタラーニングタスクを再定義する,勾配に基づくメタラーニングアルゴリズムであるMetaMedSegを提案する。 実験では, 異なる臓器のCTおよびMRIから2Dスライスを抽出し, 医療用デカトロンデータセットの評価を行った。 提案したボリュームタスク定義は,関連するベースラインと比較してIoUで最大30%改善した。
  論文  参考訳（メタデータ） (2021-09-18T11:13:45Z)
• Medulloblastoma Tumor Classification using Deep Transfer Learning with Multi-Scale EfficientNets [63.62764375279861]
  本稿では,エンド・ツー・エンドのMB腫瘍分類を提案し,様々な入力サイズとネットワーク次元の一致した移動学習を提案する。 161ケースのデータセットを用いて、より大規模な入力解像度を持つ事前学習されたEfficientNetが、大幅な性能改善をもたらすことを実証した。
  論文  参考訳（メタデータ） (2021-09-10T13:07:11Z)
• 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)
• DoDNet: Learning to segment multi-organ and tumors from multiple partially labeled datasets [102.55303521877933]
  本稿では,複数の臓器と腫瘍を部分的にラベル付けしたデータセット上に分割する動的オンデマンドネットワーク(DoDNet)を提案する。 DoDNetは共有エンコーダデコーダアーキテクチャ、タスク符号化モジュール、動的畳み込みフィルタを生成するコントローラ、そして単一だが動的セグメンテーションヘッドで構成されている。
  論文  参考訳（メタデータ） (2020-11-20T04:56:39Z)
• Multi-organ Segmentation via Co-training Weight-averaged Models from Few-organ Datasets [45.14004510709325]
  そこで本研究では,少数のデータセットから統一的なマルチ組織セグメンテーションネットワークを学習するための平均重み付きモデルを提案する。 ネットワーク間のノイズの多い指導を緩和するため、より信頼性の高いソフトラベルを作成するために、平均的な重み付けモデルを採用する。
  論文  参考訳（メタデータ） (2020-08-17T08:39:16Z)

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。