論文の概要: LambdaUNet: 2.5D Stroke Lesion Segmentation of Diffusion-weighted MR Images

• arxiv url: http://arxiv.org/abs/2104.13917v2
• Date: Tue, 30 May 2023 00:00:51 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-01 03:38:26.185301
• Title: LambdaUNet: 2.5D Stroke Lesion Segmentation of Diffusion-weighted MR Images
• Title（参考訳）: LambdaUNet:拡散強調MRI画像の2.5Dストローク病変分割
• Authors: Yanglan Ou, Ye Yuan, Xiaolei Huang, Kelvin Wong, John Volpi, James Z. Wang, Stephen T.C. Wong
• Abstract要約: 虚血性脳梗塞の診断と治療には拡散強調(DW)MRIが不可欠である。 DWIはリッチな3D情報を含んでいるが、通常の3Dや2D画像として扱うことはできない。 DWIのような不連続な2.5Dデータをセグメント化するためのニューラルネットワークアーキテクチャを提案する。
• 参考スコア（独自算出の注目度）: 17.515771684878118
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Diffusion-weighted (DW) magnetic resonance imaging is essential for the diagnosis and treatment of ischemic stroke. DW images (DWIs) are usually acquired in multi-slice settings where lesion areas in two consecutive 2D slices are highly discontinuous due to large slice thickness and sometimes even slice gaps. Therefore, although DWIs contain rich 3D information, they cannot be treated as regular 3D or 2D images. Instead, DWIs are somewhere in-between (or 2.5D) due to the volumetric nature but inter-slice discontinuities. Thus, it is not ideal to apply most existing segmentation methods as they are designed for either 2D or 3D images. To tackle this problem, we propose a new neural network architecture tailored for segmenting highly-discontinuous 2.5D data such as DWIs. Our network, termed LambdaUNet, extends UNet by replacing convolutional layers with our proposed Lambda+ layers. In particular, Lambda+ layers transform both intra-slice and inter-slice context around a pixel into linear functions, called lambdas, which are then applied to the pixel to produce informative 2.5D features. LambdaUNet is simple yet effective in combining sparse inter-slice information from adjacent slices while also capturing dense contextual features within a single slice. Experiments on a unique clinical dataset demonstrate that LambdaUNet outperforms existing 3D/2D image segmentation methods including recent variants of UNet. Code for LambdaUNet is released with the publication to facilitate future research.
• Abstract（参考訳）: 虚血性脳梗塞の診断と治療には拡散強調(DW)MRIが不可欠である。 DW画像(DWI)は通常、2つの連続した2Dスライスにおける病変領域が大きなスライス厚みと時にはスライスギャップによって非常に不連続であるマルチスライス環境で取得される。 したがって、DWIはリッチな3D情報を含むが、通常の3D画像や2D画像として扱うことはできない。 代わりに、DWIは体積の性質から中間(2.5D)にあるが、スライス間不連続である。 したがって,2次元画像と3次元画像のいずれに対しても,既存のセグメント化手法を適用するのは理想的ではない。 そこで本研究では,DWIなどの不連続な2.5Dデータをセグメント化するためのニューラルネットワークアーキテクチャを提案する。 当社のネットワークはLambdaUNetと呼ばれ、畳み込みレイヤをLambda+レイヤに置き換えることでUNetを拡張しています。 特に、ラムダ+層は、ピクセル周辺のスライス内とスライス間の両方のコンテキストを、ラムダと呼ばれる線形関数に変換し、それをピクセルに適用して、有益な2.5d機能を生成する。 LambdaUNetはシンプルだが、隣接するスライスからスパース間情報を合成すると同時に、単一のスライス内で密集したコンテキスト特徴をキャプチャするのに有効である。 ユニークな臨床データセットの実験では、LambdaUNetは、UNetの最近の変種を含む既存の3D/2D画像セグメンテーションメソッドより優れていることが示されている。 code for lambdaunetは将来の研究を促進するために出版物と共にリリースされている。

関連論文リスト

• Rigid Single-Slice-in-Volume registration via rotation-equivariant 2D/3D feature matching [3.041742847777409]
  本研究では,1つの2次元スライスと対応する3次元ボリュームを一致させる自己教師付き2D/3D登録手法を提案する。 NSCLC-Radiomics CTおよびKIRBY21 MRIデータセット上で,提案したスライス・イン・ボリューム登録の堅牢性を示す。
  論文  参考訳（メタデータ） (2024-10-24T12:24:27Z)
• A Flexible 2.5D Medical Image Segmentation Approach with In-Slice and Cross-Slice Attention [13.895277069418045]
  任意の数のスライスで2.5D画像を処理できるフレキシブル2.5DセグメンテーションモデルであるCSA-Netを紹介する。 1)脳MRI,(2)バイナリ前立腺MRIのセグメンテーション,(3)マルチクラス前立腺MRIのセグメンテーションの3つのタスクについてCSA-Netを評価した。
  論文  参考訳（メタデータ） (2024-04-30T18:28:09Z)
• StableDreamer: Taming Noisy Score Distillation Sampling for Text-to-3D [88.66678730537777]
  本稿では3つの進歩を取り入れた方法論であるStableDreamerを紹介する。 まず、SDS生成前の等価性と、簡単な教師付きL2再構成損失を定式化する。 第2に,画像空間拡散は幾何学的精度に寄与するが,色調の鮮明化には潜時空間拡散が不可欠であることを示す。
  論文  参考訳（メタデータ） (2023-12-02T02:27:58Z)
• DatasetNeRF: Efficient 3D-aware Data Factory with Generative Radiance Fields [68.94868475824575]
  本稿では,無限で高品質な3Dアノテーションを3Dポイントクラウドセグメンテーションとともに生成できる新しいアプローチを提案する。 我々は3次元生成モデルに先立って強力なセマンティクスを活用してセマンティクスデコーダを訓練する。 トレーニングが完了すると、デコーダは遅延空間を効率よく一般化し、無限のデータの生成を可能にする。
  論文  参考訳（メタデータ） (2023-11-18T21:58:28Z)
• Cross-modal & Cross-domain Learning for Unsupervised LiDAR Semantic Segmentation [82.47872784972861]
  対象領域における3次元LiDARセマンティックセマンティックセグメンテーション(DLSS)のラベル付けコストを軽減するため、ペア化された2次元画像と3次元LiDARデータに対して、クロスモーダルドメイン適応について検討した。 本稿では,セマンティックアノテーションを持つ2次元データセットとペアだが注釈のない2次元画像と3次元LiDARデータ(ターゲット)が利用できる新しい3DLSS設定について検討する。 このシナリオで3DLSSを実現するために,クロスモーダル・クロスドメイン学習(CoMoDaL)を提案する。
  論文  参考訳（メタデータ） (2023-08-05T14:00:05Z)
• Fully Sparse Fusion for 3D Object Detection [69.32694845027927]
  現在広く使われているマルチモーダル3D検出法は、通常、密度の高いBird-Eye-View特徴マップを使用するLiDARベースの検出器上に構築されている。 完全にスパースなアーキテクチャは、長距離知覚において非常に効率的であるため、注目を集めている。 本稿では,新たに出現するフルスパースアーキテクチャにおいて,画像のモダリティを効果的に活用する方法を検討する。
  論文  参考訳（メタデータ） (2023-04-24T17:57:43Z)
• Adjacent Slice Feature Guided 2.5D Network for Pulmonary Nodule Segmentation [11.960631781470811]
  パラメータや計算量が少ない2次元分割法はスライス間の空間的関係を欠いている。 本稿では, この問題を解決するために, 隣り合うスライス特徴量2.5Dネットワークを提案する。 本手法は肺結節分節作業における他の方法よりも優れている。
  論文  参考訳（メタデータ） (2022-11-19T06:13:18Z)
• Simultaneous Alignment and Surface Regression Using Hybrid 2D-3D Networks for 3D Coherent Layer Segmentation of Retina OCT Images [33.99874168018807]
  本研究では,ハイブリッド2D-3D畳み込みニューラルネットワーク(CNN)を用いた新しいフレームワークを提案し,OCTから連続した3次元網膜層表面を得る。 本フレームワークは, 層分割精度とクロスBスキャン3D連続性の両方の観点から, 最先端の2D手法よりも優れた結果が得られる。
  論文  参考訳（メタデータ） (2022-03-04T15:55:09Z)
• Cylindrical and Asymmetrical 3D Convolution Networks for LiDAR-based Perception [122.53774221136193]
  運転時のLiDARに基づく認識のための最先端の手法は、しばしば点雲を2D空間に投影し、2D畳み込みによって処理する。 自然な対策として、3Dボクセル化と3D畳み込みネットワークを利用する方法がある。 本研究では,3次元幾何学的パターンを探索するために,円筒状分割と非対称な3次元畳み込みネットワークを設計する,屋外LiDARセグメンテーションのための新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-09-12T06:25:11Z)
• Spatial Context-Aware Self-Attention Model For Multi-Organ Segmentation [18.76436457395804]
  マルチ組織セグメンテーションは、医学画像解析におけるディープラーニングの最も成功した応用の1つである。 深部畳み込みニューラルネット(CNN)は,CT画像やMRI画像上で臨床応用画像のセグメンテーション性能を達成する上で非常に有望である。 本研究では,高分解能2次元畳み込みによりセグメンテーションを実現する3次元モデルと2次元モデルを組み合わせた新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2020-12-16T21:39:53Z)
• Cylinder3D: An Effective 3D Framework for Driving-scene LiDAR Semantic Segmentation [87.54570024320354]
  大規模運転シーンのLiDARセマンティックセマンティックセグメンテーションのための最先端の手法は、しばしば2D空間の点雲を投影して処理する。 3D-to-2Dプロジェクションの問題に取り組むための簡単な解決策は、3D表現を保ち、3D空間の点を処理することである。 我々は3次元シリンダー分割と3次元シリンダー畳み込みに基づくフレームワークをCylinder3Dとして開発し,3次元トポロジの関係と運転シーンの点雲の構造を利用する。
  論文  参考訳（メタデータ） (2020-08-04T13:56:19Z)

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。