論文の概要: A new smart-cropping pipeline for prostate segmentation using deep
learning networks
- arxiv url: http://arxiv.org/abs/2107.02476v2
- Date: Wed, 7 Jul 2021 07:03:09 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-08 11:50:48.131375
- Title: A new smart-cropping pipeline for prostate segmentation using deep
learning networks
- Title（参考訳）: 深層学習ネットワークを用いた前立腺セグメンテーションのための新しいスマートクロッピングパイプライン
- Authors: Dimitrios G. Zaridis, Eugenia Mylona, Nikolaos S. Tachos, Kostas
Marias, Nikolaos Papanikolaou, Manolis Tsiknakis, Dimitrios I. Fotiadis
- Abstract要約: MRI画像から前立腺周辺の領域を抽出し,前景画素と背景画素のよりバランスのとれた分布を生成するためのDLベースのパイプラインを提案する。
提案したスマートクロッピングは、評価された前立腺区分けネットワークのセグメンテーション精度の観点から、標準中心収量よりも優れていた。
- 参考スコア（独自算出の注目度）: 4.789043574854139
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Prostate segmentation from magnetic resonance imaging (MRI) is a challenging
task. In recent years, several network architectures have been proposed to
automate this process and alleviate the burden of manual annotation. Although
the performance of these models has achieved promising results, there is still
room for improvement before these models can be used safely and effectively in
clinical practice. One of the major challenges in prostate MR image
segmentation is the presence of class imbalance in the image labels where the
background pixels dominate over the prostate. In the present work we propose a
DL-based pipeline for cropping the region around the prostate from MRI images
to produce a more balanced distribution of the foreground pixels (prostate) and
the background pixels and improve segmentation accuracy. The effect of
DL-cropping for improving the segmentation performance compared to standard
center-cropping is assessed using five popular DL networks for prostate
segmentation, namely U-net, U-net+, Res Unet++, Bridge U-net and Dense U-net.
The proposed smart-cropping outperformed the standard center cropping in terms
of segmentation accuracy for all the evaluated prostate segmentation networks.
In terms of Dice score, the highest improvement was achieved for the U-net+ and
ResU-net++ architectures corresponding to 8.9% and 8%, respectively.
- Abstract（参考訳）: MRI(MRI)による前立腺の分節化は難しい課題である。
近年、このプロセスを自動化し、手動アノテーションの負担を軽減するために、いくつかのネットワークアーキテクチャが提案されている。
これらのモデルの性能は有望な結果を得たが、これらのモデルが安全かつ効果的に臨床で使用できるまでには改善の余地がある。
前立腺mr画像分割における大きな課題の1つは、背景画素が前立腺を支配する画像ラベルにおけるクラス不均衡の存在である。
本研究では,MRI画像から前立腺周辺の領域を抽出し,前景画素(前立腺)と背景画素のよりバランスのとれた分布を生成し,セグメンテーション精度を向上させるためのDLベースのパイプラインを提案する。
U-net、U-net+、Res Unet++、Bridge U-net、Dense U-netの5つの有名なDLネットワークを用いて、DL-croppingによるセグメンテーション性能の向上効果を評価する。
提案したスマートクロッピングは、評価された前立腺区分けネットワークのセグメンテーション精度の観点から、標準中心収量よりも優れていた。
Diceのスコアでは、それぞれ8.9%と8%に対応するU-net+とResU-net++アーキテクチャで最高の改善が達成された。
関連論文リスト
- DopUS-Net: Quality-Aware Robotic Ultrasound Imaging based on Doppler
Signal [48.97719097435527]
DopUS-Netはドップラー画像とBモード画像を組み合わせることで、小血管のセグメンテーション精度と堅牢性を高める。
動脈再同定モジュールは、リアルタイムセグメンテーション結果を質的に評価し、拡張ドップラー画像に対するプローブポーズを自動的に最適化する。
論文 参考訳（メタデータ） (2023-05-15T18:19:29Z) - Recurrence With Correlation Network for Medical Image Registration [66.63200823918429]
本稿では,医療画像登録ネットワークであるRecurrence with correlation Network (RWCNet)について述べる。
これらの特徴により、2つの画像登録データセットにおける医用画像登録精度が向上することが実証された。
論文 参考訳（メタデータ） (2023-02-05T02:41:46Z) - Efficient Bayesian Uncertainty Estimation for nnU-Net [3.8186085899889943]
医用画像セグメンテーションにおけるnnU-Net不確実性を推定する新しい手法を提案する。
我々は,マルチモーダル後部モデルにより,元のnnU-Netよりもセグメンテーション性能を向上する。
提案手法は,領域分割精度と品質管理の両面から,医用画像分割のためのnnU-Netをさらに強化する。
論文 参考訳（メタデータ） (2022-12-12T23:12:19Z) - 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) - To what extent can Plug-and-Play methods outperform neural networks
alone in low-dose CT reconstruction [0.0]
Plug-and-Playフレームワークは、最近低用量CT再構成のために導入された。
本研究では,従来の限界に対処するフレームワークと,定量的な結果評価のためのセグメンテーション指標を提案する。
論文 参考訳（メタデータ） (2022-02-15T03:52:07Z) - Automatic Segmentation of the Prostate on 3D Trans-rectal Ultrasound
Images using Statistical Shape Models and Convolutional Neural Networks [3.9121134770873733]
本稿では,畳み込みニューラルネットワーク(CNN)と統計的形状モデル(SSM)を用いて,経直腸超音波(TRUS)画像のデータセット上に前立腺を分割することを提案する。
TRUSは軟組織コントラストが限られており、前立腺のセグメンテーションが困難である。
論文 参考訳（メタデータ） (2021-06-17T17:11:53Z) - Efficient Semi-Supervised Gross Target Volume of Nasopharyngeal
Carcinoma Segmentation via Uncertainty Rectified Pyramid Consistency [10.285412678779462]
鼻咽喉頭癌に対する放射線治療計画におけるGross Target Volume(GTV)セグメンテーションの役割
CNNはこのタスクで優れたパフォーマンスを達成したが、トレーニングにはラベル付き画像の大規模なセットに依存している。
半監視型NPC GTVセグメンテーションのための不確かさ補正ピラミッド一貫性(URPC)正規化を用いた新しいフレームワークを提案する。
論文 参考訳（メタデータ） (2020-12-13T11:45:00Z) - Pairwise Relation Learning for Semi-supervised Gland Segmentation [90.45303394358493]
病理組織像における腺分節に対するPRS2モデルを提案する。
このモデルはセグメンテーションネットワーク(S-Net)とペア関係ネットワーク(PR-Net)から構成される。
我々は,GlaSデータセットの最近の5つの手法とCRAGデータセットの最近の3つの手法を比較した。
論文 参考訳（メタデータ） (2020-08-06T15:02:38Z) - Automatic Ischemic Stroke Lesion Segmentation from Computed Tomography
Perfusion Images by Image Synthesis and Attention-Based Deep Neural Networks [15.349968422713218]
急性期脳梗塞の正確な診断には脳卒中病変の分節が重要である。
低画像コントラストと拡散パラメータマップの分解能に挑戦する。
拡散パラメータマップから合成擬似重み画像に基づくフレームワークを提案する。
論文 参考訳（メタデータ） (2020-07-07T09:19:23Z) - KiU-Net: Towards Accurate Segmentation of Biomedical Images using
Over-complete Representations [59.65174244047216]
本稿では,高次元にデータを投影するオーバーコンプリートアーキテクチャ(Ki-Net)を提案する。
このネットワークは、U-Netで拡張されると、小さな解剖学的ランドマークを分割する場合に大幅に改善される。
早期新生児の2次元超音波による脳解剖学的セグメント化の課題について検討した。
論文 参考訳（メタデータ） (2020-06-08T18:59:24Z) - Deep Attentive Features for Prostate Segmentation in 3D Transrectal
Ultrasound [59.105304755899034]
本稿では,経直腸超音波(TRUS)画像における前立腺のセグメンテーションを改善するために,アテンションモジュールを備えた新しい3次元ディープニューラルネットワークを開発した。
我々のアテンションモジュールは、アテンション機構を利用して、異なるレイヤから統合されたマルチレベル特徴を選択的に活用する。
3次元TRUSボリュームに挑戦する実験結果から,本手法は良好なセグメンテーション性能が得られることが示された。
論文 参考訳（メタデータ） (2019-07-03T05:21:52Z)
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。