論文の概要: A CNN Segmentation-Based Approach to Object Detection and Tracking in
Ultrasound Scans with Application to the Vagus Nerve Detection
- arxiv url: http://arxiv.org/abs/2106.13849v1
- Date: Fri, 25 Jun 2021 19:12:46 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-29 17:54:55.246797
- Title: A CNN Segmentation-Based Approach to Object Detection and Tracking in
Ultrasound Scans with Application to the Vagus Nerve Detection
- Title(参考訳): 超音波スキャンにおけるcnnセグメンテーションに基づく物体検出・追跡法と迷走神経検出への応用
- Authors: Abdullah F. Al-Battal, Yan Gong, Lu Xu, Timothy Morton, Chen Du,
Yifeng Bu 1, Imanuel R Lerman, Radhika Madhavan, Truong Q. Nguyen
- Abstract要約: 超音波スキャンにおける特定の解剖学的対象構造を自動的に検出・追跡するディープラーニングフレームワークを提案する。
私たちのフレームワークは、被写体や撮像装置間で正確で堅牢で、リアルタイムに動作し、大規模なトレーニングセットを必要としないように設計されています。
このフレームワークを2つの異なる超音波データセット上でテストし、Vagus神経を検出し、追跡することを目的として、現在最先端のリアルタイム物体検出ネットワークよりも優れた性能を示した。
- 参考スコア(独自算出の注目度): 17.80391011147757
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Ultrasound scanning is essential in several medical diagnostic and
therapeutic applications. It is used to visualize and analyze anatomical
features and structures that influence treatment plans. However, it is both
labor intensive, and its effectiveness is operator dependent. Real-time
accurate and robust automatic detection and tracking of anatomical structures
while scanning would significantly impact diagnostic and therapeutic procedures
to be consistent and efficient. In this paper, we propose a deep learning
framework to automatically detect and track a specific anatomical target
structure in ultrasound scans. Our framework is designed to be accurate and
robust across subjects and imaging devices, to operate in real-time, and to not
require a large training set. It maintains a localization precision and recall
higher than 90% when trained on training sets that are as small as 20% in size
of the original training set. The framework backbone is a weakly trained
segmentation neural network based on U-Net. We tested the framework on two
different ultrasound datasets with the aim to detect and track the Vagus nerve,
where it outperformed current state-of-the-art real-time object detection
networks.
- Abstract(参考訳): 超音波検査はいくつかの医療診断や治療に不可欠である。
治療計画に影響を与える解剖学的特徴や構造を可視化し分析するために用いられる。
しかし、どちらも労働集約的であり、その効果は操作者に依存する。
リアルタイムで正確でロバストな解剖学的構造の自動検出と追跡は、診断と治療の手順に一貫性と効率性に大きな影響を与える。
本稿では,超音波スキャンで特定の解剖学的標的構造を自動的に検出し追跡する深層学習フレームワークを提案する。
我々のフレームワークは、被験者や撮像装置間で正確で堅牢で、リアルタイムで動作し、大規模なトレーニングセットを必要としないように設計されています。
ローカライズ精度を維持しており、元のトレーニングセットの20%程度の大きさのトレーニングセットでトレーニングした場合、90%以上をリコールする。
フレームワークのバックボーンは、U-Netに基づいた弱いトレーニングを受けたセグメンテーションニューラルネットワークである。
このフレームワークを2つの異なる超音波データセット上でテストし、Vagus神経を検出し、追跡することを目的として、最先端のリアルタイム物体検出ネットワークよりも優れた性能を示した。
関連論文リスト
- MedContext: Learning Contextual Cues for Efficient Volumetric Medical
Segmentation [28.120065451627536]
医用3次元セグメンテーションのためのユニバーサルトレーニングフレームワークMedContextを提案する。
本手法は,教師付きボクセルセグメンテーションタスクと協調して,自己教師付きコンテキストキューを効果的に学習する。
MedContextの有効性は、複数の3D医療データセットと4つの最先端モデルアーキテクチャで検証されている。
論文 参考訳(メタデータ) (2024-02-27T17:58:05Z) - LOTUS: Learning to Optimize Task-based US representations [39.81131738128329]
超音波画像における臓器の解剖学的セグメンテーションは多くの臨床応用に不可欠である。
既存のディープニューラルネットワークは、臨床的に許容できるパフォーマンスを達成するために、トレーニングのために大量のラベル付きデータを必要とする。
本稿では,タスクベース超音速画像表現を最適化する学習手法を提案する。
論文 参考訳(メタデータ) (2023-07-29T16:29:39Z) - Identifying Visible Tissue in Intraoperative Ultrasound Images during
Brain Surgery: A Method and Application [1.4408275800058263]
術中超音波検査は, 必要なビゾタクタクタブル・タスクである。
オペレーターは超音波の視点を同時にローカライズし、プローブのポーズを手動で調整する必要がある。
超音波プローブと組織接触の解析を可能にする可視組織同定法を提案する。
論文 参考訳(メタデータ) (2023-06-01T23:06:14Z) - Tissue Classification During Needle Insertion Using Self-Supervised
Contrastive Learning and Optical Coherence Tomography [53.38589633687604]
針先端で取得した複雑なCT信号の位相および強度データから組織を分類するディープニューラルネットワークを提案する。
トレーニングセットの10%で、提案した事前学習戦略により、モデルが0.84のF1スコアを達成するのに対して、モデルが0.60のF1スコアを得るのに対して、モデルが0.84のF1スコアを得るのに役立ちます。
論文 参考訳(メタデータ) (2023-04-26T14:11:04Z) - Preservation of High Frequency Content for Deep Learning-Based Medical
Image Classification [74.84221280249876]
大量の胸部ラジオグラフィーの効率的な分析は、医師や放射線技師を助けることができる。
本稿では,視覚情報の効率的な識別と符号化のための離散ウェーブレット変換(DWT)を提案する。
論文 参考訳(メタデータ) (2022-05-08T15:29:54Z) - Towards A Device-Independent Deep Learning Approach for the Automated
Segmentation of Sonographic Fetal Brain Structures: A Multi-Center and
Multi-Device Validation [0.0]
胎児脳USG画像(2D)から得られた2軸平面から10個の重要な胎児脳構造の自動分割のためのDLベースセグメンテーションフレームワークを提案する。
提案するDLシステムは,有望かつ汎用的な性能(マルチセンタ,マルチデバイス)を提供し,画像品質のデバイスによる変動を支持する証拠を提示する。
論文 参考訳(メタデータ) (2022-02-28T05:42:03Z) - Voice-assisted Image Labelling for Endoscopic Ultrasound Classification
using Neural Networks [48.732863591145964]
本稿では,臨床医が提示した生音声からのEUS画像にラベルを付けるマルチモーダル畳み込みニューラルネットワークアーキテクチャを提案する。
その結果,5つのラベルを持つデータセットにおいて,画像レベルでの予測精度は76%であった。
論文 参考訳(メタデータ) (2021-10-12T21:22:24Z) - Learn Fine-grained Adaptive Loss for Multiple Anatomical Landmark
Detection in Medical Images [15.7026400415269]
本稿ではランドマーク検出のための新しい学習学習フレームワークを提案する。
提案手法は汎用的であり,解剖学的ランドマーク検出の効率向上の可能性を示す。
論文 参考訳(メタデータ) (2021-05-19T13:39:18Z) - A parameter refinement method for Ptychography based on Deep Learning
concepts [55.41644538483948]
伝播距離、位置誤差、部分的コヒーレンスにおける粗いパラメトリゼーションは、しばしば実験の生存性を脅かす。
最新のDeep Learningフレームワークは、セットアップの不整合を自律的に補正するために使用され、ポチコグラフィーの再構築の質が向上する。
我々は,elettra シンクロトロン施設のツインミックビームラインで取得した合成データセットと実データの両方でシステムをテストした。
論文 参考訳(メタデータ) (2021-05-18T10:15:17Z) - Cascaded Robust Learning at Imperfect Labels for Chest X-ray
Segmentation [61.09321488002978]
不完全アノテーションを用いた胸部X線分割のための新しいカスケードロバスト学習フレームワークを提案する。
モデルは3つの独立したネットワークから成り,ピアネットワークから有用な情報を効果的に学習できる。
提案手法は,従来の手法と比較して,セグメント化タスクの精度を大幅に向上させることができる。
論文 参考訳(メタデータ) (2021-04-05T15:50:16Z) - Automatic Gesture Recognition in Robot-assisted Surgery with
Reinforcement Learning and Tree Search [63.07088785532908]
共同手術におけるジェスチャー分割と分類のための強化学習と木探索に基づく枠組みを提案する。
我々のフレームワークは,JIGSAWSデータセットのサチューリングタスクにおいて,精度,編集スコア,F1スコアの点で,既存の手法よりも一貫して優れています。
論文 参考訳(メタデータ) (2020-02-20T13:12:38Z)
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。