論文の概要: Automatic size and pose homogenization with spatial transformer network
to improve and accelerate pediatric segmentation
- arxiv url: http://arxiv.org/abs/2107.02655v1
- Date: Tue, 6 Jul 2021 14:50:03 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-07 14:05:19.901811
- Title: Automatic size and pose homogenization with spatial transformer network
to improve and accelerate pediatric segmentation
- Title（参考訳）: 空間変換器ネットワークによる小児セグメンテーションの改善と高速化のための自動サイズとポーズ均質化
- Authors: Giammarco La Barbera and Pietro Gori and Haithem Boussaid and Bruno
Belucci and Alessandro Delmonte and Jeanne Goulin and Sabine Sarnacki and
Laurence Rouet and Isabelle Bloch
- Abstract要約: 空間変換器ネットワーク(STN)を利用することにより、ポーズとスケール不変の新たなCNNアーキテクチャを提案する。
私たちのアーキテクチャは、トレーニング中に一緒に見積もられる3つのシーケンシャルモジュールで構成されています。
腹部CTスキャナーを用いた腎および腎腫瘍の分節法について検討した。
- 参考スコア（独自算出の注目度）: 51.916106055115755
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Due to a high heterogeneity in pose and size and to a limited number of
available data, segmentation of pediatric images is challenging for deep
learning methods. In this work, we propose a new CNN architecture that is pose
and scale invariant thanks to the use of Spatial Transformer Network (STN). Our
architecture is composed of three sequential modules that are estimated
together during training: (i) a regression module to estimate a similarity
matrix to normalize the input image to a reference one; (ii) a differentiable
module to find the region of interest to segment; (iii) a segmentation module,
based on the popular UNet architecture, to delineate the object. Unlike the
original UNet, which strives to learn a complex mapping, including pose and
scale variations, from a finite training dataset, our segmentation module
learns a simpler mapping focusing on images with normalized pose and size.
Furthermore, the use of an automatic bounding box detection through STN allows
saving time and especially memory, while keeping similar performance. We test
the proposed method in kidney and renal tumor segmentation on abdominal
pediatric CT scanners. Results indicate that the estimated STN homogenization
of size and pose accelerates the segmentation (25h), compared to standard
data-augmentation (33h), while obtaining a similar quality for the kidney
(88.01\% of Dice score) and improving the renal tumor delineation (from 85.52\%
to 87.12\%).
- Abstract（参考訳）: ポーズや大きさの多様性が高く、利用可能なデータの数が限られているため、深層学習では小児画像のセグメンテーションが困難である。
本研究では,Spatial Transformer Network (STN) を用いて,ポーズとスケールの不変性を考慮した新しいCNNアーキテクチャを提案する。
我々のアーキテクチャは、トレーニング中に一緒に見積もられる3つの逐次モジュールで構成されている: (i) 類似度行列を推定して入力画像の正規化を行う回帰モジュール、 (ii) セグメントに対する関心領域を見つけるための微分可能なモジュール、 (iii) 人気のあるUNetアーキテクチャに基づくセグメンテーションモジュール。
有限訓練データセットからポーズやスケールのバリエーションを含む複雑なマッピングを学習しようとするオリジナルのunetとは異なり、セグメンテーションモジュールは、正規化されたポーズとサイズの画像に焦点を当てたよりシンプルなマッピングを学習する。
さらに、STNによる自動バウンディングボックス検出を使用することで、同様の性能を維持しながら、特にメモリの節約が可能となる。
腹部CTスキャナーを用いた腎および腎腫瘍の分節法について検討した。
その結果、サイズとポーズのstnの均質化は、標準的なデータ表示(33h)と比較して、分画(25h)を加速し、腎の類似品質(88.01\%のdiceスコア)を得て、腎腫瘍の分画(85.52\%から87.12\%)を改善することが示された。
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) - Affine-Consistent Transformer for Multi-Class Cell Nuclei Detection [76.11864242047074]
本稿では, 原子核位置を直接生成する新しいアフィン一貫性変換器 (AC-Former) を提案する。
本稿では,AAT (Adaptive Affine Transformer) モジュールを導入し,ローカルネットワークトレーニングのためのオリジナル画像をワープするための重要な空間変換を自動学習する。
実験結果から,提案手法は様々なベンチマークにおいて既存の最先端アルゴリズムを著しく上回ることがわかった。
論文 参考訳（メタデータ） (2023-10-22T02:27:02Z) - 3DSAM-adapter: Holistic adaptation of SAM from 2D to 3D for promptable tumor segmentation [52.699139151447945]
医用画像の領域分割を行うために, SAMを2次元から3次元に変換する新しい適応法を提案する。
本モデルでは, 腎腫瘍, 膵腫瘍, 大腸癌の3つのタスクのうち8.25%, 29.87%, 10.11%の3つのタスクにおいて, ドメイン・オブ・ザ・アーティヴ・メディカル・イメージ・セグメンテーション・モデルより優れ, 肝腫瘍セグメンテーションでも同様の性能が得られる。
論文 参考訳（メタデータ） (2023-06-23T12:09:52Z) - NUMSnet: Nested-U Multi-class Segmentation network for 3D Medical Image
Stacks [1.2335698325757494]
NUMSnetはUnetモデルの新たな変種であり、ネストした層を通してスキャン間でピクセル近傍の特徴を伝達する。
NUMSnetモデルのセマンティックセグメンテーション性能をいくつかのUnetモデルと比較して解析する。
提案モデルは,最小限のトレーニングデータセットを用いて,様々なボリュームイメージスタック上でのマルチクラスセマンティックセマンティックセマンティックセマンティクスを標準化することができる。
論文 参考訳（メタデータ） (2023-04-05T19:16:29Z) - Attentive Symmetric Autoencoder for Brain MRI Segmentation [56.02577247523737]
視覚変換器(ViT)をベースとした3次元脳MRIセグメンテーションタスクのための新しいアテンテーティブシンメトリオートエンコーダを提案する。
事前学習の段階では、提案するオートエンコーダがより注意を払って、勾配測定値に従って情報パッチを再構築する。
実験の結果,提案手法は最先端の自己教師付き学習法や医用画像分割モデルよりも優れていた。
論文 参考訳（メタデータ） (2022-09-19T09:43:19Z) - ACSGRegNet: A Deep Learning-based Framework for Unsupervised Joint
Affine and Diffeomorphic Registration of Lumbar Spine CT via Cross- and
Self-Attention Fusion [4.068962439293273]
本研究では,医用画像登録のためのエンドツーエンドの深層学習フレームワークを提案する。
ACSGRegNetは、画像間特徴対応を確立するクロスアテンションモジュールと、画像内解剖学的構造を認識する自己アテンションモジュールを統合する。
我々の手法は平均Dice 0.963 と平均距離誤差 0.321mm を達成し,SOTA (State-of-the-art) よりも優れている。
論文 参考訳（メタデータ） (2022-08-04T13:13:48Z) - Two-Stream Graph Convolutional Network for Intra-oral Scanner Image
Segmentation [133.02190910009384]
本稿では,2ストリームグラフ畳み込みネットワーク(TSGCN)を提案する。
TSGCNは3次元歯(表面)セグメンテーションにおいて最先端の方法よりも優れています。
論文 参考訳（メタデータ） (2022-04-19T10:41:09Z) - Residual Aligner Network [8.542808644281433]
Motion-Aware (MA) 構造は、ある領域で異なる動きをキャプチャする。
新しいネットワークは、最上位のネットワークと区別できない結果を得る。
論文 参考訳（メタデータ） (2022-03-07T22:48:43Z) - An End-to-End Breast Tumour Classification Model Using Context-Based
Patch Modelling- A BiLSTM Approach for Image Classification [19.594639581421422]
我々は, この関係を, 特定の腫瘍領域から抽出したパッチ間の特徴に基づく相関関係と統合しようと試みている。
我々は、顕微鏡画像とWSI腫瘍領域の2つのデータセットでモデルをトレーニングし、テストした。
CNN機能付きBiLSTMは、パッチをエンドツーエンドの画像分類ネットワークにモデル化する上で、はるかに優れた性能を示した。
論文 参考訳（メタデータ） (2021-06-05T10:43:58Z)
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。