論文の概要: Pulmonary Vessel Segmentation based on Orthogonal Fused U-Net++ of Chest CT Images

• arxiv url: http://arxiv.org/abs/2107.01502v1
• Date: Sat, 3 Jul 2021 21:46:29 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-06 15:06:51.189668
• Title: Pulmonary Vessel Segmentation based on Orthogonal Fused U-Net++ of Chest CT Images
• Title（参考訳）: 胸部CT像の直交融合U-Net++による肺血管分画
• Authors: Hejie Cui, Xinglong Liu, Ning Huang
• Abstract要約: 胸部CT画像から肺血管セグメンテーションの枠組みと改善過程について検討した。 アプローチの鍵となるのは、3つの軸から2.5D区分けネットワークを応用し、堅牢で完全に自動化された肺血管区分け結果を示す。 提案手法は,他のネットワーク構造よりも大きなマージンで優れ,平均DICEスコア0.9272,精度0.9310を極端に上回っている。
• 参考スコア（独自算出の注目度）: 1.8692254863855962
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Pulmonary vessel segmentation is important for clinical diagnosis of pulmonary diseases, while is also challenging due to the complicated structure. In this work, we present an effective framework and refinement process of pulmonary vessel segmentation from chest computed tomographic (CT) images. The key to our approach is a 2.5D segmentation network applied from three orthogonal axes, which presents a robust and fully automated pulmonary vessel segmentation result with lower network complexity and memory usage compared to 3D networks. The slice radius is introduced to convolve the adjacent information of the center slice and the multi-planar fusion optimizes the presentation of intra- and inter- slice features. Besides, the tree-like structure of the pulmonary vessel is extracted in the post-processing process, which is used for segmentation refining and pruning. In the evaluation experiments, three fusion methods are tested and the most promising one is compared with the state-of-the-art 2D and 3D structures on 300 cases of lung images randomly selected from LIDC dataset. Our method outperforms other network structures by a large margin and achieves by far the highest average DICE score of 0.9272 and precision of 0.9310, as per our knowledge from the pulmonary vessel segmentation models available in the literature.
• Abstract（参考訳）: 肺血管セグメンテーションは肺疾患の臨床的診断に重要であるが、複雑な構造のため困難である。 本研究では,胸部CT画像から肺血管セグメンテーションの有効な枠組みと改善過程について述べる。 アプローチの鍵となるのは3つの直交軸から2.5D区分けネットワークを応用し, ネットワークの複雑さとメモリ使用量の低下を伴って, 頑健で完全自動化された肺血管区分けの結果を3Dネットワークと比較した。 スライス半径を導入して中心スライスに関する情報を畳み込み、多平面融合によりスライス内および間スライス特徴の提示を最適化する。 また、分別精製や刈り取りに用いられる後処理工程において、肺血管の樹状構造を抽出する。 評価実験では, LIDCデータセットからランダムに選択された300例の肺画像に対して, 3つの融合法を試験し, 最も有望な2Dおよび3D構造と比較した。 文献で利用可能な肺血管分節モデルから得た知見によれば,本手法は他のネットワーク構造よりも高い性能を示し,DICEスコア0.9272,精度0.9310を極端に上回っている。

関連論文リスト

• Robust deep labeling of radiological emphysema subtypes using squeeze and excitation convolutional neural networks: The MESA Lung and SPIROMICS Studies [34.200556207264974]
  肺気腫は進行性で不可逆的な肺組織喪失である。 最近の研究は、肺CTにおける空間的インフォームド肺テクスチャパターン(ss)の教師なし学習につながっている。 肺CT上のss CNNとCTESの教師あり分類のための3次元圧縮・励起モデルを提案する。
  論文  参考訳（メタデータ） (2024-03-01T03:45:56Z)
• 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)
• MESAHA-Net: Multi-Encoders based Self-Adaptive Hard Attention Network with Maximum Intensity Projections for Lung Nodule Segmentation in CT Scan [6.266053305874546]
  マルチエンコーダをベースとした自己適応型ハードアテンションネットワーク(MESAHA-Net)をCTスキャンの高精度な肺結節分割のための効率的なエンドツーエンドフレームワークとして提案する。 MESAHA-Netは、肺結節のスライス・バイ・スライス2Dセグメンテーションを反復的に行い、各スライス内の結節領域に着目して肺結節の3Dセグメンテーションを生成する。 LIDC-IDRIデータセットは,肺結節セグメンテーションのための最大公用データセットである。
  論文  参考訳（メタデータ） (2023-04-04T07:05:15Z)
• CT-LungNet: A Deep Learning Framework for Precise Lung Tissue Segmentation in 3D Thoracic CT Scans [1.1014741301167645]
  本稿では,3次元肺CT画像中の肺をディープネットワークと転写学習を用いて同定する完全自動手法を提案する。 VESSEL12とCRPFの2つの公開データセットとトレーニングとテストのために,LUNA16という1つの公開データセットを用いて定量的に評価した。
  論文  参考訳（メタデータ） (2022-12-28T17:37:08Z)
• 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)
• CoRSAI: A System for Robust Interpretation of CT Scans of COVID-19 Patients Using Deep Learning [133.87426554801252]
  我々は,深部畳み込み神経網のアンサンブルを用いた肺CTスキャンのセグメンテーションによるアプローチを採用した。 本モデルを用いて, 病変の分類, 患者の動態の評価, 病変による肺の相対体積の推定, 肺の損傷ステージの評価が可能となった。
  論文  参考訳（メタデータ） (2021-05-25T12:06:55Z)
• CT Image Segmentation for Inflamed and Fibrotic Lungs Using a Multi-Resolution Convolutional Neural Network [6.177921466996229]
  本研究の目的は, 各種密度増強肺異常に対して頑健な完全自動セグメンテーションアルゴリズムを開発することである。 急性肺障害を患うヒトの左肺と右肺に特異的にラベル付けされた肺と非特異的にラベル付けされた肺の両方を1つのニューラルネットワークのトレーニングに組み込んだ多形性訓練手法が提案されている。 結果として生じるネットワークは、ヒトの左右の肺領域を、びまん性オパーシフィケーションと凝縮を伴わずに予測することを目的としている。
  論文  参考訳（メタデータ） (2020-10-16T18:25:59Z)
• Rethinking the Extraction and Interaction of Multi-Scale Features for Vessel Segmentation [53.187152856583396]
  網膜血管と主要動脈を2次元基底画像と3次元CTアンギオグラフィー(CTA)スキャンで分割する,PC-Netと呼ばれる新しいディープラーニングモデルを提案する。 PC-Netでは、ピラミッド圧縮励起(PSE)モジュールが各畳み込みブロックに空間情報を導入し、より効果的なマルチスケール特徴を抽出する能力を高めている。
  論文  参考訳（メタデータ） (2020-10-09T08:22:54Z)
• M3Lung-Sys: A Deep Learning System for Multi-Class Lung Pneumonia Screening from CT Imaging [85.00066186644466]
  マルチタスク型マルチスライス深層学習システム(M3Lung-Sys)を提案する。 COVID-19とHealthy, H1N1, CAPとの鑑別に加えて, M3 Lung-Sysも関連病変の部位を特定できる。
  論文  参考訳（メタデータ） (2020-10-07T06:22:24Z)
• 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。