論文の概要: Weakly-Supervised Universal Lesion Segmentation with Regional Level Set Loss

• arxiv url: http://arxiv.org/abs/2105.01218v1
• Date: Mon, 3 May 2021 23:33:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2021-05-05 12:48:19.737863
• Title: Weakly-Supervised Universal Lesion Segmentation with Regional Level Set Loss
• Title（参考訳）: 局所的レベルセット損失を伴う弱改善ユニバーサル病変分割
• Authors: Youbao Tang, Jinzheng Cai, Ke Yan, Lingyun Huang, Guotong Xie, Jing Xiao, Jingjing Lu, Gigin Lin, and Le Lu
• Abstract要約: 高分解能ネットワーク(HRNet)に基づく新しい弱監督ユニバーサル病変分割法を提案する。 AHRNetはデコーダ、デュアルアテンション、スケールアテンション機構を含む高度な高解像度のディープイメージ機能を提供する。 本手法は,公開大規模deeplesionデータセットとホールドアウトテストセットにおいて,最高の性能を実現する。
• 参考スコア（独自算出の注目度）: 16.80758525711538
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurately segmenting a variety of clinically significant lesions from whole body computed tomography (CT) scans is a critical task on precision oncology imaging, denoted as universal lesion segmentation (ULS). Manual annotation is the current clinical practice, being highly time-consuming and inconsistent on tumor's longitudinal assessment. Effectively training an automatic segmentation model is desirable but relies heavily on a large number of pixel-wise labelled data. Existing weakly-supervised segmentation approaches often struggle with regions nearby the lesion boundaries. In this paper, we present a novel weakly-supervised universal lesion segmentation method by building an attention enhanced model based on the High-Resolution Network (HRNet), named AHRNet, and propose a regional level set (RLS) loss for optimizing lesion boundary delineation. AHRNet provides advanced high-resolution deep image features by involving a decoder, dual-attention and scale attention mechanisms, which are crucial to performing accurate lesion segmentation. RLS can optimize the model reliably and effectively in a weakly-supervised fashion, forcing the segmentation close to lesion boundary. Extensive experimental results demonstrate that our method achieves the best performance on the publicly large-scale DeepLesion dataset and a hold-out test set.
• Abstract（参考訳）: 全身ctスキャンから臨床上有意な病変を高精度に分画することは,universal lesion segmentation (uls) と呼ばれる精密腫瘍イメージングにおいて重要な課題である。 手動アノテーションは現在の臨床実践であり、非常に時間がかかり、腫瘍の縦断的評価に矛盾する。 自動セグメンテーションモデルを効果的に訓練することは望ましいが、多数のピクセル単位のラベル付きデータに大きく依存する。 既存の弱い教師付きセグメンテーションアプローチは、しばしば病変境界付近の領域に苦しむ。 本稿では,HRNet(High-Resolution Network, High-Resolution Network, High-Resolution Network, AHRNet)をベースとしたアテンション強化モデルを構築し,病変境界線を最適化するための地域レベルセット(RLS)損失を提案する。 ahrnetは、デコーダ、デュアルアテンション、スケールアテンション機構を含む高度な高分解能のディープイメージ機能を提供しており、正確な病変のセグメンテーションの実行に不可欠である。 RLSはモデルを確実かつ効果的に、弱い教師付きで最適化することができ、セグメント化を病変境界に近づける。 大規模なDeepLesionデータセットとホールドアウトテストセットにおいて,本手法が最高の性能を発揮することを示す。

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)
• 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)
• Optimizing Operating Points for High Performance Lesion Detection and Segmentation Using Lesion Size Reweighting [1.0514231683620514]
  セグメンテーション精度を維持しつつ,小さな病理診断性能を向上させるための新しいリウィーディング戦略を提案する。 我々は,多発性硬化症患者画像の大規模・マルチスキャン・マルチセンターデータセットの実験に基づいて,我々のリウィーディング戦略が競合戦略を大きく上回っていることを示す。
  論文  参考訳（メタデータ） (2021-07-27T17:43:49Z)
• Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for Thoracic Disease Identification [83.6017225363714]
  ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。 胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。 本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
  論文  参考訳（メタデータ） (2021-02-26T02:29:30Z)
• 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)
• 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)
• Weakly Supervised Lesion Co-segmentation on CT Scans [18.58056402884405]
  本稿では、まずRECISTスライスから擬似マスクを生成する弱教師付きコセグメンテーションモデルを提案する。 次に、これらを注意に基づく畳み込みニューラルネットワークのトレーニングラベルとして使用し、一対のCTスキャンから共通の病変を分割する。
  論文  参考訳（メタデータ） (2020-01-24T19:39:33Z)
• Weakly-Supervised Lesion Segmentation on CT Scans using Co-Segmentation [18.58056402884405]
  CTスキャンにおける病変分割は,病変・腫瘍の進展を正確に観察するための重要なステップである。 現在の慣行は、固形腫瘍の反応評価基準と呼ばれる不正確な代用に依存している。 本稿では,畳み込みニューラルネットワークを用いた弱教師付き病変分割法を提案する。
  論文  参考訳（メタデータ） (2020-01-23T15:15:53Z)

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。