論文の概要: HAD-Net: A Hierarchical Adversarial Knowledge Distillation Network for
Improved Enhanced Tumour Segmentation Without Post-Contrast Images
- arxiv url: http://arxiv.org/abs/2103.16617v1
- Date: Tue, 30 Mar 2021 18:41:29 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-01 14:41:43.905583
- Title: HAD-Net: A Hierarchical Adversarial Knowledge Distillation Network for
Improved Enhanced Tumour Segmentation Without Post-Contrast Images
- Title（参考訳）: HAD-Net: コントラスト後画像のないTumourセグメンテーション改善のための階層型対数知識蒸留ネットワーク
- Authors: Saverio Vadacchino, Raghav Mehta, Nazanin Mohammadi Sepahvand, Brennan
Nichyporuk, James J. Clark, and Tal Arbel
- Abstract要約: 本稿では,新しいオフライン逆知識蒸留(KD)技術であるHAD-Netを紹介する。
学生ネットワークにおいて、階層的な敵対訓練を通じて、重要な画像が欠如しているときに提示される大きなドメインシフトを克服するように教える。
提案されたネットワークは、BraTS 2019脳腫瘍セグメンテーションチャレンジデータセットでトレーニングおよびテストされます。
- 参考スコア（独自算出の注目度）: 3.811184252495268
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Segmentation of enhancing tumours or lesions from MRI is important for
detecting new disease activity in many clinical contexts. However, accurate
segmentation requires the inclusion of medical images (e.g., T1 post contrast
MRI) acquired after injecting patients with a contrast agent (e.g.,
Gadolinium), a process no longer thought to be safe. Although a number of
modality-agnostic segmentation networks have been developed over the past few
years, they have been met with limited success in the context of enhancing
pathology segmentation. In this work, we present HAD-Net, a novel offline
adversarial knowledge distillation (KD) technique, whereby a pre-trained
teacher segmentation network, with access to all MRI sequences, teaches a
student network, via hierarchical adversarial training, to better overcome the
large domain shift presented when crucial images are absent during inference.
In particular, we apply HAD-Net to the challenging task of enhancing tumour
segmentation when access to post-contrast imaging is not available. The
proposed network is trained and tested on the BraTS 2019 brain tumour
segmentation challenge dataset, where it achieves performance improvements in
the ranges of 16% - 26% over (a) recent modality-agnostic segmentation methods
(U-HeMIS, U-HVED), (b) KD-Net adapted to this problem, (c) the pre-trained
student network and (d) a non-hierarchical version of the network (AD-Net), in
terms of Dice scores for enhancing tumour (ET). The network also shows
improvements in tumour core (TC) Dice scores. Finally, the network outperforms
both the baseline student network and AD-Net in terms of uncertainty
quantification for enhancing tumour segmentation based on the BraTs 2019
uncertainty challenge metrics. Our code is publicly available at:
https://github.com/SaverioVad/HAD_Net
- Abstract（参考訳）: MRIから腫瘍や病変を切除することは、多くの臨床的文脈で新しい疾患活動を検出するのに重要である。
しかし、正確なセグメンテーションには、造影剤(例えばガドリニウム)を注射した後に取得した医用画像(例えば、T1ポストコントラストMRI)を含めることが必要である。
過去数年間、モダリティ非依存のセグメンテーションネットワークが開発されてきたが、病理セグメンテーションの強化という文脈では限られた成功を収めている。
そこで本研究では,すべてのmriシーケンスにアクセス可能な教師セグメンテーションネットワークで,階層的敵意トレーニングを通じて学生ネットワークを指導し,推論中に重要な画像が存在しない場合に提示される大きなドメインシフトを克服する,新しいオフライン・アドバーサル・ナレッジ・蒸留(kd)手法であるhad-netを提案する。
特に,コントラスト後画像へのアクセスが不可能な場合,腫瘍セグメンテーションの高度化という課題に対してHAD-Netを適用した。
提案したネットワークはBraTS 2019脳腫瘍セグメンテーションデータセットでトレーニングおよびテストされており、(a)最近のモダリティ非依存セグメンテーション手法(U-HeMIS, U-HVED),(b)KD-Netがこの問題に適応し、(c)事前訓練された学生ネットワークと(d)ネットワークの非階層バージョン(AD-Net)を用いて、腫瘍(ET)の強化のためのDiceスコアの観点から、16%から26%のパフォーマンス改善を実現している。
ネットワークはまた、腫瘍コア(TC)Diceスコアの改善も示す。
最後に、ネットワークは、BraTs 2019の不確実性課題メトリクスに基づいて、腫瘍セグメンテーションを強化するための不確実性定量化の観点から、ベースラインの学生ネットワークとAD-Netの両方を上回っている。
私たちのコードは、https://github.com/SaverioVad/HAD_Netで公開されています。
関連論文リスト
- 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) - Boundary Guided Semantic Learning for Real-time COVID-19 Lung Infection
Segmentation System [69.40329819373954]
新型コロナウイルス(COVID-19)は、世界中の医療システムに悪影響を及ぼし続けている。
現段階では、新型コロナウイルスの診断と治療には、CT画像から肺感染症領域を自動的に分離することが不可欠である。
本稿では,境界案内型セマンティックラーニングネットワーク(BSNet)を提案する。
論文 参考訳（メタデータ） (2022-09-07T05:01:38Z) - SECP-Net: SE-Connection Pyramid Network of Organ At Risk Segmentation
for Nasopharyngeal Carcinoma [0.0]
深層学習モデルは医用画像セグメンテーションタスクに広く応用されている。
従来のディープニューラルネットワークは、グローバルおよびマルチサイズ情報の使用が欠如しているため、セグメンテーション時に性能が低下する。
本稿ではセグメンテーション性能を向上させるための新しいSE-Connection Pyramid Network(SECP-Net)を提案する。
論文 参考訳（メタデータ） (2021-12-28T07:48:18Z) - 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) - DFENet: A Novel Dimension Fusion Edge Guided Network for Brain MRI
Segmentation [0.0]
本稿では,2次元CNNと3次元CNNの特徴を融合させることにより,これらの要件を満たす新しいDFENetを提案する。
提案手法は, 既存の方法よりも頑健で正確であり, バイオメディカルな応用に頼ることができる。
論文 参考訳（メタデータ） (2021-05-17T15:43:59Z) - 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) - An Uncertainty-Driven GCN Refinement Strategy for Organ Segmentation [53.425900196763756]
本研究では,不確実性解析とグラフ畳み込みネットワークに基づくセグメンテーション改善手法を提案する。
半教師付きグラフ学習問題を定式化するために、特定の入力ボリュームにおける畳み込みネットワークの不確実性レベルを用いる。
本手法は膵臓で1%,脾臓で2%向上し,最先端のCRF改善法よりも優れていた。
論文 参考訳（メタデータ） (2020-12-06T18:55:07Z) - Enhancing MRI Brain Tumor Segmentation with an Additional Classification
Network [0.0]
そこで本研究では,ネットワークに新たな分類分岐を追加することにより,セグメンテーション結果を向上する新たなトレーニング手法を提案する。
ネットワーク全体が、Multimodal Brain tumor Challenge (BraTS) 2020トレーニングデータセットでエンドツーエンドにトレーニングされた。
論文 参考訳（メタデータ） (2020-09-25T10:05:12Z) - Quality-aware semi-supervised learning for CMR segmentation [2.9928692313705505]
医用画像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開発する上での課題の1つは、トレーニングデータの不足である。
本稿では,下流タスクのQCを用いて,CMRセグメンテーションネットワークの高品質な出力を同定する手法を提案する。
本質的にこれは、セグメンテーションネットワーク用のSSLの変種におけるトレーニングデータの品質向上を提供する。
論文 参考訳（メタデータ） (2020-09-01T17:18:22Z) - ARPM-net: A novel CNN-based adversarial method with Markov Random Field
enhancement for prostate and organs at risk segmentation in pelvic CT images [10.011212599949541]
本研究は,CT画像の多臓器セマンティックセマンティックセグメンテーションを改善するために,新しいCNNに基づく対角深層学習法を開発することを目的とする。
MRF(Markov Random Field)拡張ネットワーク (ARPM-net) は, 対向学習方式を実装している。
モデル輪郭の精度はDice similarity coefficient (DSC), Average Hausdorff Distance (AHD), Average Surface Hausdorff Distance (ASHD), relative Volume difference (VD) を用いて測定した。
論文 参考訳（メタデータ） (2020-08-11T02:40:53Z) - Inf-Net: Automatic COVID-19 Lung Infection Segmentation from CT Images [152.34988415258988]
CT画像からの肺感染症の自動検出は、新型コロナウイルスに対処するための従来の医療戦略を強化する大きな可能性を秘めている。
CTスライスから感染領域を分割することは、高い感染特性の変化、感染と正常な組織の間の低強度のコントラストなど、いくつかの課題に直面している。
これらの課題に対処するため, 胸部CTスライスから感染部位を自動的に同定する, 新型のCOVID-19 Deep Lung infection Network (Inf-Net) が提案されている。
論文 参考訳（メタデータ） (2020-04-22T07:30:56Z)
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。