論文の概要: Learning Fuzzy Clustering for SPECT/CT Segmentation via Convolutional
Neural Networks
- arxiv url: http://arxiv.org/abs/2104.08623v1
- Date: Sat, 17 Apr 2021 19:03:52 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-20 13:56:01.053104
- Title: Learning Fuzzy Clustering for SPECT/CT Segmentation via Convolutional
Neural Networks
- Title（参考訳）: 畳み込みニューラルネットワークによるspect/ctセグメンテーションのためのファジィクラスタリングの学習
- Authors: Junyu Chen, Ye Li, Licia P. Luna, Hyun Woo Chung, Steven P. Rowe, Yong
Du, Lilja B.Solnes, Eric C. Frey
- Abstract要約: QBSPECT(Quantitative bone single-photon emission Computed Tomography)は、平面骨シンチグラフィよりも骨転移をより定量的に評価する可能性を秘めています。
解剖学的領域-関心(ROI)のセグメント化は、まだ専門家による手動の記述に大きく依存しています。
本研究では,QBSPECT画像を病変,骨,背景に分割するための高速かつ堅牢な自動分割法を提案する。
- 参考スコア（独自算出の注目度）: 5.3123694982708365
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Quantitative bone single-photon emission computed tomography (QBSPECT) has
the potential to provide a better quantitative assessment of bone metastasis
than planar bone scintigraphy due to its ability to better quantify activity in
overlapping structures. An important element of assessing response of bone
metastasis is accurate image segmentation. However, limited by the properties
of QBSPECT images, the segmentation of anatomical regions-of-interests (ROIs)
still relies heavily on the manual delineation by experts. This work proposes a
fast and robust automated segmentation method for partitioning a QBSPECT image
into lesion, bone, and background. We present a new unsupervised segmentation
loss function and its semi- and supervised variants for training a
convolutional neural network (ConvNet). The loss functions were developed based
on the objective function of the classical Fuzzy C-means (FCM) algorithm. We
conducted a comprehensive study to compare our proposed methods with ConvNets
trained using supervised loss functions and conventional clustering methods.
The Dice similarity coefficient (DSC) and several other metrics were used as
figures of merit as applied to the task of delineating lesion and bone in both
simulated and clinical SPECT/CT images. We experimentally demonstrated that the
proposed methods yielded good segmentation results on a clinical dataset even
though the training was done using realistic simulated images. A ConvNet-based
image segmentation method that uses novel loss functions was developed and
evaluated. The method can operate in unsupervised, semi-supervised, or
fully-supervised modes depending on the availability of annotated training
data. The results demonstrated that the proposed method provides fast and
robust lesion and bone segmentation for QBSPECT/CT. The method can potentially
be applied to other medical image segmentation applications.
- Abstract（参考訳）: qbspect (quantical bone single-photon emission computed tomography) は, 重ね合わせ構造の活性をより定量化できるため, 平面骨シンチグラフィよりも骨転移の定量的評価に有用である。
骨転移の反応を評価する重要な要素は、正確な画像分割である。
しかしながら、qbspect画像の性質によって制限されるため、解剖学的領域(rois)のセグメンテーションは専門家による手作業による記述に大きく依存している。
本研究は,QBSPECT画像を病変,骨,背景に分割する高速で堅牢な自動分割法を提案する。
本稿では,畳み込みニューラルネットワーク(convnet)を訓練するための教師なしセグメンテーション損失関数とその半教師付き変種を提案する。
損失関数は古典的ファジィC平均(FCM)アルゴリズムの目的関数に基づいて開発された。
本研究では,従来のクラスタリング手法と教師付き損失関数を用いて学習したConvNetと比較した。
Dice similarity coefficient (DSC) および他のいくつかの指標は, SPECT/CT画像とSPECT/CT画像の両方において, 病変や骨の描写に有効である。
提案手法は,現実的なシミュレート画像を用いたトレーニングであっても,臨床データセット上で良好なセグメンテーション結果が得られることを示した。
新規な損失関数を用いたConvNet画像分割法を開発し評価した。
この方法は、注釈付きトレーニングデータの可用性に応じて、教師なし、半教師なし、または完全に教師なしモードで動作する。
以上の結果から,QBSPECT/CTの高速で頑健な病変と骨分節が得られた。
この方法は、他の医療画像分割アプリケーションにも応用できる可能性がある。
関連論文リスト
- CGAM: Click-Guided Attention Module for Interactive Pathology Image
Segmentation via Backpropagating Refinement [8.590026259176806]
腫瘍領域のセグメンテーションは、デジタル病理の定量的解析に欠かせない課題である。
最近のディープニューラルネットワークは、様々な画像分割タスクで最先端のパフォーマンスを示している。
本稿では,クリック型ユーザインタラクションによるディープニューラルネットワークの出力を改良する対話的セグメンテーション手法を提案する。
論文 参考訳（メタデータ） (2023-07-03T13:45:24Z) - 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) - FAST-AID Brain: Fast and Accurate Segmentation Tool using Artificial
Intelligence Developed for Brain [0.8376091455761259]
ヒト脳の132領域への高速かつ正確なセグメンテーションのための新しい深層学習法を提案する。
提案モデルは、効率的なU-Netライクなネットワークと、異なるビューと階層関係の交差点の利点を利用する。
提案手法は,画像の事前処理や性能低下を伴わずに頭蓋骨や他の人工物を含む脳MRIデータに適用することができる。
論文 参考訳（メタデータ） (2022-08-30T16:06:07Z) - PCA: Semi-supervised Segmentation with Patch Confidence Adversarial
Training [52.895952593202054]
医用画像セグメンテーションのためのPatch Confidence Adrial Training (PCA) と呼ばれる半教師付き対向法を提案する。
PCAは各パッチの画素構造とコンテキスト情報を学習し、十分な勾配フィードバックを得る。
本手法は, 医用画像のセグメンテーションにおいて, 最先端の半教師付き手法より優れており, その有効性を示している。
論文 参考訳（メタデータ） (2022-07-24T07:45:47Z) - Mixed-UNet: Refined Class Activation Mapping for Weakly-Supervised
Semantic Segmentation with Multi-scale Inference [28.409679398886304]
我々は、デコードフェーズに2つの並列分岐を持つMixed-UNetという新しいモデルを開発する。
地域病院や公開データセットから収集したデータセットに対して,いくつかの一般的なディープラーニングに基づくセグメンテーションアプローチに対して,設計したMixed-UNetを評価した。
論文 参考訳（メタデータ） (2022-05-06T08:37:02Z) - Improving Classification Model Performance on Chest X-Rays through Lung
Segmentation [63.45024974079371]
本稿では, セグメンテーションによる異常胸部X線(CXR)識別性能を向上させるための深層学習手法を提案する。
提案手法は,CXR画像中の肺領域を局所化するための深層ニューラルネットワーク(XLSor)と,大規模CXRデータセットで事前学習した自己教師あり運動量コントラスト(MoCo)モデルのバックボーンを用いたCXR分類モデルである。
論文 参考訳（メタデータ） (2022-02-22T15:24:06Z) - Uncertainty guided semi-supervised segmentation of retinal layers in OCT
images [4.046207281399144]
セグメンテーションネットワークを訓練する学生・教師のアプローチに基づく,新しい不確実性誘導半教師学習を提案する。
提案するフレームワークは,様々な画像モダリティにまたがるバイオメディカルイメージセグメンテーションに有効である。
論文 参考訳（メタデータ） (2021-03-02T23:14:25Z) - Boosting Segmentation Performance across datasets using histogram
specification with application to pelvic bone segmentation [1.3750624267664155]
限られたデータで訓練されたネットワークの性能を高めるために,画像のトーン分布の変調と深層学習に基づく手法を提案する。
セグメンテーションタスクは、拡張BCE-IoU損失関数を使用して最適化されたEfficientNet-B0バックボーンを備えたU-Net構成を使用します。
論文 参考訳（メタデータ） (2021-01-26T23:48:40Z) - 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) - 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)
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。