論文の概要: Context-aware PolyUNet for Liver and Lesion Segmentation from Abdominal CT Images

• arxiv url: http://arxiv.org/abs/2106.11330v1
• Date: Mon, 21 Jun 2021 18:01:04 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-23 14:46:51.883897
• Title: Context-aware PolyUNet for Liver and Lesion Segmentation from Abdominal CT Images
• Title（参考訳）: 腹部ct画像からの肝・病変分画に対するコンテキストアウェアポリアンネット
• Authors: Liping Zhang and Simon Chun-Ho Yu
• Abstract要約: 本稿では,肝と病変の正確なセグメンテーションのための新しい文脈認識型PolyUNetを提案する。 特徴表現力と空間的文脈情報を豊かにするために、構造的多様性と連続的なt-アジャセントスライスを共同で検討する。 本手法は,MICCAI 2017 Liver tumor (LiTS) Challengeで非常に優れた成績を示した。
• 参考スコア（独自算出の注目度）: 2.5576691384612413
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate liver and lesion segmentation from computed tomography (CT) images are highly demanded in clinical practice for assisting the diagnosis and assessment of hepatic tumor disease. However, automatic liver and lesion segmentation from contrast-enhanced CT volumes is extremely challenging due to the diversity in contrast, resolution, and quality of images. Previous methods based on UNet for 2D slice-by-slice or 3D volume-by-volume segmentation either lack sufficient spatial contexts or suffer from high GPU computational cost, which limits the performance. To tackle these issues, we propose a novel context-aware PolyUNet for accurate liver and lesion segmentation. It jointly explores structural diversity and consecutive t-adjacent slices to enrich feature expressive power and spatial contextual information while avoiding the overload of GPU memory consumption. In addition, we utilize zoom out/in and two-stage refinement strategy to exclude the irrelevant contexts and focus on the specific region for the fine-grained segmentation. Our method achieved very competitive performance at the MICCAI 2017 Liver Tumor Segmentation (LiTS) Challenge among all tasks with a single model and ranked the $3^{rd}$, $12^{th}$, $2^{nd}$, and $5^{th}$ places in the liver segmentation, lesion segmentation, lesion detection, and tumor burden estimation, respectively.
• Abstract（参考訳）: 肝腫瘍疾患の診断・評価を補助するために,ct画像からの肝・病変の正確な分割が臨床において非常に要求される。 しかし,造影CTボリュームからの自動肝・病変分画は,画像のコントラスト,解像度,品質の多様性のために極めて困難である。 従来の2dスライス・バイ・スライスまたは3dボリューム・バイ・ボリュームセグメンテーションのためのunetベースの方法は、十分な空間的コンテキストを持たないか、高いgpu計算コストに苦しむかのいずれかであり、性能に制限がある。 これらの課題に対処するために,肝と病変の正確なセグメンテーションのための新しい文脈対応PolyUNetを提案する。 構造的多様性と連続するt-adjacentスライスを共同研究し、gpuメモリ消費の過負荷を回避しつつ、特徴表現力と空間的コンテキスト情報を高める。 さらに,ズームアウト・インと2段階のリファインメント戦略を用いて,無関係なコンテキストを除外し,細粒度セグメント化のための特定領域に着目した。 MICCAI 2017 Liver tumor Segmentation (LiTS) Challengeでは,1つのモデルを用いた全てのタスクにおいて,肝セグメンテーション,病変のセグメンテーション,病変検出,腫瘍の重み付けをそれぞれ3〜3ドル,12～3ドル,2～2ドル,5～3ドルと非常に競争力のある成績を収めた。

関連論文リスト

• Dual-scale Enhanced and Cross-generative Consistency Learning for Semi-supervised Medical Image Segmentation [49.57907601086494]
  医用画像のセグメンテーションはコンピュータ支援診断において重要な役割を担っている。 半教師型医用画像(DEC-Seg)のための新しいDual-scale Enhanced and Cross-generative consistency learning frameworkを提案する。
  論文  参考訳（メタデータ） (2023-12-26T12:56:31Z)
• A Localization-to-Segmentation Framework for Automatic Tumor Segmentation in Whole-Body PET/CT Images [8.0523823243864]
  本稿では,腫瘍の正確な分節化のための局在化・分節化フレームワーク(L2SNet)を提案する。 L2SNetは、まず、病変の局所化段階における可能性のある病変を局在させ、次いで、病変の分節フェーズにおけるセグメント化結果を形成するために位置手がかりを使用する。 全身FDG-PET/CTチャレンジデータセットにおけるMII自動病変を用いた実験により,本手法が競争力のある結果を示した。
  論文  参考訳（メタデータ） (2023-09-11T13:39:15Z)
• Scale-aware Super-resolution Network with Dual Affinity Learning for Lesion Segmentation from Medical Images [50.76668288066681]
  低解像度医用画像から様々な大きさの病変を適応的に分割する,スケールアウェアな超解像ネットワークを提案する。 提案するネットワークは,他の最先端手法と比較して一貫した改善を実現した。
  論文  参考訳（メタデータ） (2023-05-30T14:25:55Z)
• Self-Supervised Correction Learning for Semi-Supervised Biomedical Image Segmentation [84.58210297703714]
  半教師付きバイオメディカルイメージセグメンテーションのための自己教師付き補正学習パラダイムを提案する。 共有エンコーダと2つの独立デコーダを含むデュアルタスクネットワークを設計する。 異なるタスクのための3つの医用画像分割データセットの実験により,本手法の優れた性能が示された。
  論文  参考訳（メタデータ） (2023-01-12T08:19:46Z)
• PCRLv2: A Unified Visual Information Preservation Framework for Self-supervised Pre-training in Medical Image Analysis [56.63327669853693]
  本稿では,ピクセルレベルの情報を高レベルなセマンティクスに明示的にエンコードするための画素復元タスクを提案する。 また,画像理解を支援する強力なツールであるスケール情報の保存についても検討する。 提案されている統合SSLフレームワークは、さまざまなタスクで自己管理されたフレームワークを超越している。
  論文  参考訳（メタデータ） (2023-01-02T17:47:27Z)
• 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)
• Decoupled Pyramid Correlation Network for Liver Tumor Segmentation from CT images [22.128902125820193]
  Decoupled Pyramid correlation Network (DPC-Net)を提案する。 注意機構を利用して、FCNに埋め込まれた低レベルの特徴と高レベルの特徴をフル活用し、肝腫瘍を分節する。 DSCは96.2%、ASSDは1.636mmで肝臓セグメンテーションが可能である。
  論文  参考訳（メタデータ） (2022-05-26T07:31:29Z)
• 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)
• Multi-Slice Low-Rank Tensor Decomposition Based Multi-Atlas Segmentation: Application to Automatic Pathological Liver CT Segmentation [4.262342157729123]
  腹部CT像からの肝分画は,肝癌のコンピュータ診断と手術計画に必須のステップである。 現在、既存の肝セグメンテーション法の精度と堅牢性は臨床応用の要件を満たしていない。 低ランクテンソル分解(LRTD)ベースのマルチアトラス分割(MAS)フレームワークを提案し、CT画像の正確で堅牢な病理学的肝分割を実現する。
  論文  参考訳（メタデータ） (2021-02-24T04:09:39Z)
• Synergistic Learning of Lung Lobe Segmentation and Hierarchical Multi-Instance Classification for Automated Severity Assessment of COVID-19 in CT Images [61.862364277007934]
  3次元CT画像におけるCOVID-19の重症度自動評価のための相乗的学習フレームワークを提案する。 マルチタスクのディープネットワーク(M$2$UNet)が開発され、新型コロナウイルス患者の重症度を評価する。 われわれのM$2$UNetはパッチレベルのエンコーダと肺葉分画のためのセグメンテーションサブネットワークと重度評価のための分類サブネットワークから構成されている。
  論文  参考訳（メタデータ） (2020-05-08T03:16:15Z)

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。