Fugu-MT 論文翻訳(概要): SS-CADA: A Semi-Supervised Cross-Anatomy Domain Adaptation for Coronary Artery Segmentation

論文の概要: SS-CADA: A Semi-Supervised Cross-Anatomy Domain Adaptation for Coronary Artery Segmentation

arxiv url: http://arxiv.org/abs/2105.02674v1
Date: Thu, 6 May 2021 14:00:10 GMT
ステータス: 処理完了
システム内更新日: 2021-05-07 17:50:47.636441
Title: SS-CADA: A Semi-Supervised Cross-Anatomy Domain Adaptation for Coronary Artery Segmentation
Title（参考訳）: ss-cada : 冠動脈分画に対する半教師付きクロス解剖ドメイン適応
Authors: Jingyang Zhang, Ran Gu, Guotai Wang, Hongzhi Xie, Lixu Gu
Abstract要約: 網膜血管からの知識の伝達は, x線冠動脈造影法 (xas) の冠状動脈分画への注記要件を減少させる可能性がある。 XAsの冠動脈に限定的なアノテーションのみを必要とする半監督クロス解剖ドメイン適応(SS-CADA)を提案します。 ss-cadaは難易度の高いクロス解剖学的領域シフトを解消し,少量のxasで冠状動脈の正確なセグメンテーションを可能にした。
参考スコア（独自算出の注目度）: 4.253668236515935
License: http://creativecommons.org/licenses/by/4.0/
Abstract: The segmentation of coronary arteries by convolutional neural network is promising yet requires a large amount of labor-intensive manual annotations. Transferring knowledge from retinal vessels in widely-available public labeled fundus images (FIs) has a potential to reduce the annotation requirement for coronary artery segmentation in X-ray angiograms (XAs) due to their common tubular structures. However, it is challenged by the cross-anatomy domain shift due to the intrinsically different vesselness characteristics in different anatomical regions under even different imaging protocols. To solve this problem, we propose a Semi-Supervised Cross-Anatomy Domain Adaptation (SS-CADA) which requires only limited annotations for coronary arteries in XAs. With the supervision from a small number of labeled XAs and publicly available labeled FIs, we propose a vesselness-specific batch normalization (VSBN) to individually normalize feature maps for them considering their different cross-anatomic vesselness characteristics. In addition, to further facilitate the annotation efficiency, we employ a self-ensembling mean-teacher (SEMT) to exploit abundant unlabeled XAs by imposing a prediction consistency constraint. Extensive experiments show that our SS-CADA is able to solve the challenging cross-anatomy domain shift, achieving accurate segmentation for coronary arteries given only a small number of labeled XAs.
Abstract（参考訳）: 畳み込みニューラルネットワークによる冠動脈のセグメンテーションは有望であるが、膨大な労力を要する手動アノテーションを必要とする。 fis(public labeled fundus images)における網膜血管からの知識の伝達は、共通の管状構造のため、x線血管造影法 (xas) における冠動脈分画の注釈要件を減少させる可能性がある。しかし, 異種解剖学的領域における内在的に異なる血管性特性から, 解剖学的領域シフトが問題視されている。そこで本研究では, xasの冠状動脈に限ったアノテーションのみを必要とする半教師付きクロス解剖ドメイン適応(ss-cada)を提案する。少数のラベル付きXAと公開ラベル付きFIの監督により,解剖学的異なる血管性特性を考慮した特徴マップを個別に正規化するための,血管性特異的バッチ正規化(VSBN)を提案する。さらに, アノテーションの効率をさらに向上させるために, 予測一貫性制約を課すことで, 豊富なラベルのないxasを活用すべく, 自己センシング平均教師 (semt) を用いる。広範囲にわたる実験により,ss-cadaは難易度の高いクロス解剖学的領域シフトを解消し,少量のxasで冠状動脈の正確なセグメント化を実現することができた。

関連論文リスト

AGFA-Net: Attention-Guided and Feature-Aggregated Network for Coronary Artery Segmentation using Computed Tomography Angiography [5.583495103569884]
CCTA画像を用いた冠動脈セグメンテーションのための注意誘導型3Dディープネットワーク(AGFA-Net)を提案する。 AGFA-Netは注意機構と機能改善モジュールを活用して、有能な特徴を捉え、セグメンテーションの精度を高める。 1000個のCCTAスキャンからなるデータセットの評価はAGFA-Netの優れた性能を示し、平均Dice係数は86.74%、ハウスドルフ距離は0.23mmである。
論文参考訳（メタデータ） (2024-06-13T01:04:47Z)
DSCA: A Digital Subtraction Angiography Sequence Dataset and Spatio-Temporal Model for Cerebral Artery Segmentation [26.05396884171782]
DSAシークエンスに基づく脳動脈セグメンテーションデータセット(DSCA)を提案する。単一のフレームにのみフォーカスする既存のDSAセグメンテーション手法とは異なり、提案されたDSANetでは、複数のフレームにまたがる動的血管の詳細をキャプチャするための、個別のテンポラリエンコーディングブランチが導入されている。大規模な実験により、DSANetはCAセグメンテーションにおいて他の最先端の手法よりも優れており、Dice は 0.9033 である。
論文参考訳（メタデータ） (2024-06-01T07:35:21Z)
MPSeg : Multi-Phase strategy for coronary artery Segmentation [9.767759441883008]
冠動脈セグメンテーションのための革新的多相戦略であるMPSegを提案する。本手法は,これらの構造的複雑度に特化しており,SynTAXスコアの原理に準拠している。特に, 自動冠状動脈疾患診断では, 異常な効果が認められた。
論文参考訳（メタデータ） (2023-11-17T03:33:09Z)
Hyper Association Graph Matching with Uncertainty Quantification for Coronary Artery Semantic Labeling [4.9679652736351905]
ICAを用いた冠状動脈セマンティックラベリングにおける不確実性定量化(HAGMN-UQ)を用いたハイパーアソシエーショングラフマッチングニューラルネットワークの革新的アプローチを提案する。冠動脈セマンティックラベリングの精度は0.9345,高速推論速度は0。
論文参考訳（メタデータ） (2023-08-20T16:59:17Z)
Accurate Fine-Grained Segmentation of Human Anatomy in Radiographs via Volumetric Pseudo-Labeling [66.75096111651062]
我々は,10,021個の胸部CTと157個のラベルの大規模データセットを作成した。解剖学的擬似ラベル抽出のために3次元解剖分類モデルのアンサンブルを適用した。得られたセグメンテーションモデルはCXRで顕著な性能を示した。
論文参考訳（メタデータ） (2023-06-06T18:01:08Z)
Segmentation and Vascular Vectorization for Coronary Artery by Geometry-based Cascaded Neural Network [26.88627331841325]
そこで本研究では,冠動脈の形状をベースとしたカスケード分割法を提案する。冠動脈のメッシュは連続的かつ正確であり, ねじれ, 洗練された冠状動脈構造を有する。本手法は, 分節血管の断片化を伴わない, 正確で無傷でスムーズな冠動脈を作製する。
論文参考訳（メタデータ） (2023-05-07T07:26:41Z)
Affinity Feature Strengthening for Accurate, Complete and Robust Vessel Segmentation [48.638327652506284]
血管セグメンテーションは、冠動脈狭窄、網膜血管疾患、脳動脈瘤などの多くの医学的応用において重要である。コントラストに敏感なマルチスケールアフィニティアプローチを用いて,幾何学的手法と画素単位のセグメンテーション特徴を連成的にモデル化する新しいアプローチであるAFNを提案する。
論文参考訳（メタデータ） (2022-11-12T05:39:17Z)
Learning-Based Keypoint Registration for Fetoscopic Mosaicking [65.02392513942533]
ツイン・トゥ・ツイン輸血症候群(TTTS)では、単子葉胎盤の血管系異常な血管性無痛が両胎児の間に不均一な血流を生じさせる。本研究では,フィールド・オブ・ビュー展開のためのフェトスコープフレーム登録のための学習ベースフレームワークを提案する。
論文参考訳（メタデータ） (2022-07-26T21:21:12Z)
SQUID: Deep Feature In-Painting for Unsupervised Anomaly Detection [76.01333073259677]
無線画像からの異常検出のための空間認識型メモリキューを提案する(略してSQUID)。 SQUIDは, 微細な解剖学的構造を逐次パターンに分類でき, 推測では画像中の異常(見えない/修正されたパターン)を識別できる。
論文参考訳（メタデータ） (2021-11-26T13:47:34Z)
Edge-competing Pathological Liver Vessel Segmentation with Limited Labels [61.38846803229023]
病理画像からのMVI検出に適したアルゴリズムはまだ存在しない。本報告では, 血管, MVI, および腫瘍のグレードをラベルとした522枚のスライド画像を含む, 初めて病理組織学的肝画像データセットを収集する。本稿では,2つのエッジセグメンテーション・ネットワークと2つのエッジセグメンテーション・ディミネータを含むエッジコンペティング・コンテナ・ネットワーク(EVS-Net)を提案する。
論文参考訳（メタデータ） (2021-08-01T07:28:32Z)
Hierarchical Deep Network with Uncertainty-aware Semi-supervised Learning for Vessel Segmentation [58.45470500617549]
本稿では,注目機構が血管全体に誘導される低コントラストキャピラリー領域を局在させる階層的なディープネットワークを提案する。提案手法は,底部画像における網膜動脈/静脈の分画とCT画像における肝門/肝血管の分画のベンチマークにおいて,最先端の性能を実現する。
論文参考訳（メタデータ） (2021-05-31T06:55:43Z)

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。