論文の概要: Recurrent U-net for automatic pelvic floor muscle segmentation on 3D ultrasound

• arxiv url: http://arxiv.org/abs/2107.13833v1
• Date: Thu, 29 Jul 2021 08:53:33 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-30 13:21:58.812958
• Title: Recurrent U-net for automatic pelvic floor muscle segmentation on 3D ultrasound
• Title（参考訳）: 3次元超音波による骨盤底部自動切開用リカレントu-net
• Authors: Frieda van den Noort, Beril Sirmacek, Cornelis H. Slump
• Abstract要約: TPUSボリュームにおけるレバターアニ筋(LAM)の3次元分割を自動化するために,いくつかの畳み込み長期記憶層を持つU-netのようなニューラルネットワークを提案する。 我々は,3次元TPUSデータを用いたLAMのセグメンテーションの自動化に成功した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: The prevalance of pelvic floor problems is high within the female population. Transperineal ultrasound (TPUS) is the main imaging modality used to investigate these problems. Automating the analysis of TPUS data will help in growing our understanding of pelvic floor related problems. In this study we present a U-net like neural network with some convolutional long short term memory (CLSTM) layers to automate the 3D segmentation of the levator ani muscle (LAM) in TPUS volumes. The CLSTM layers are added to preserve the inter-slice 3D information. We reach human level performance on this segmentation task. Therefore, we conclude that we successfully automated the segmentation of the LAM on 3D TPUS data. This paves the way towards automatic in-vivo analysis of the LAM mechanics in the context of large study populations.
• Abstract（参考訳）: 骨盤の床問題の事前評価は、女性の人口内で高い。 経ペリン超音波(TPUS)は、これらの問題を調べるために用いられる主な画像モダリティである。 TPUSデータ分析の自動化は骨盤床問題に対する理解を深めるのに役立つだろう。 本研究では, 畳み込み長短期記憶(CLSTM)層を有するU-netライクニューラルネットワークを用いて, TPUSボリュームにおけるレバターアニ筋(LAM)の3次元セグメンテーションを自動化する。 CLSTM層はスライス間3D情報を保持するために付加される。 このセグメンテーションタスクで人間レベルのパフォーマンスに到達する。 そこで我々は,3次元TPUSデータを用いて,LAMのセグメンテーションの自動化に成功した。 これは、大規模な研究人口の文脈におけるlam力学の自動的in-vivo解析への道を開く。

関連論文リスト

• CathFlow: Self-Supervised Segmentation of Catheters in Interventional Ultrasound Using Optical Flow and Transformers [66.15847237150909]
  縦型超音波画像におけるカテーテルのセグメンテーションのための自己教師型ディープラーニングアーキテクチャを提案する。 ネットワークアーキテクチャは、Attention in Attentionメカニズムで構築されたセグメンテーショントランスフォーマであるAiAReSeg上に構築されている。 我々は,シリコンオルタファントムから収集した合成データと画像からなる実験データセット上で,我々のモデルを検証した。
  論文  参考訳（メタデータ） (2024-03-21T15:13:36Z)
• Leveraging Frequency Domain Learning in 3D Vessel Segmentation [50.54833091336862]
  本研究では,Fourier領域学習を3次元階層分割モデルにおけるマルチスケール畳み込みカーネルの代用として活用する。 管状血管分割作業において,新しいネットワークは顕著なサイス性能(ASACA500が84.37%,ImageCASが80.32%)を示した。
  論文  参考訳（メタデータ） (2024-01-11T19:07:58Z)
• AiAReSeg: Catheter Detection and Segmentation in Interventional Ultrasound using Transformers [75.20925220246689]
  血管内手術は、電離放射線を用いてカテーテルと血管を可視化するFluoroscopyの黄金標準を用いて行われる。 本研究では、最先端機械学習トランスフォーマアーキテクチャを応用して、軸干渉超音波画像シーケンス中のカテーテルを検出し、セグメント化する手法を提案する。
  論文  参考訳（メタデータ） (2023-09-25T19:34:12Z)
• DEEPBEAS3D: Deep Learning and B-Spline Explicit Active Surfaces [3.560949684583438]
  畳み込みニューラルネットワーク(CNN)からB-スプライン明示型アクティブサーフェス(BEAS)へのセグメンテーションを表現する対話型セグメンテーションフレームワークの新規な3次元拡張を提案する。 BEASは、セグメンテーションを3D空間で滑らかにし、解剖学的妥当性を高め、ユーザが正確に3D表面を編集できるようにする。 実験の結果,1) 提案したフレームワークは, 表面の輪郭を明示的に制御し, 2) NASA-TLX指数で計算した作業負荷をVOCALに比べて30%削減し, 3) ユーザ時間をVOCALより70%(170秒)短縮した。
  論文  参考訳（メタデータ） (2023-09-05T15:54:35Z)
• On the Localization of Ultrasound Image Slices within Point Distribution Models [84.27083443424408]
  甲状腺疾患は高分解能超音波(US)で診断されることが多い 縦断追跡は病理甲状腺形態の変化をモニタリングするための重要な診断プロトコルである。 3次元形状表現におけるUS画像の自動スライスローカライズのためのフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-09-01T10:10:46Z)
• Automatic 3D Ultrasound Segmentation of Uterus Using Deep Learning [4.2698418800007865]
  3D超音波(US)で子宮を画像化することができるが、子宮境界の位置を見つけることは難しい課題である。 2つのシナリオに基づいてトレーニングされた2次元UNetネットワークを開発した。
  論文  参考訳（メタデータ） (2021-09-20T03:13:57Z)
• Revisiting 3D Context Modeling with Supervised Pre-training for Universal Lesion Detection in CT Slices [48.85784310158493]
  CTスライスにおける普遍的病変検出のための3Dコンテキスト強化2D特徴を効率的に抽出するための修飾擬似3次元特徴ピラミッドネットワーク(MP3D FPN)を提案する。 新たな事前学習手法により,提案したMP3D FPNは,DeepLesionデータセット上での最先端検出性能を実現する。 提案された3Dプリトレーニングウェイトは、他の3D医療画像分析タスクのパフォーマンスを高めるために使用できる。
  論文  参考訳（メタデータ） (2020-12-16T07:11:16Z)
• Multi-Scale Supervised 3D U-Net for Kidneys and Kidney Tumor Segmentation [0.8397730500554047]
  腎腫瘍と腎腫瘍をCT画像から自動的に分離するマルチスケール3D U-Net(MSS U-Net)を提案する。 我々のアーキテクチャは、3次元U-Netトレーニング効率を高めるために、深い監視と指数対数損失を組み合わせる。 このアーキテクチャは、KiTS19パブリックデータセットのデータを使用した最先端の作業と比較して、優れたパフォーマンスを示している。
  論文  参考訳（メタデータ） (2020-04-17T08:25:43Z)
• FetusMap: Fetal Pose Estimation in 3D Ultrasound [42.59502360552173]
  そこで本研究では, 胎児の3次元姿勢を推定し, その定量的解析を容易にすることを提案する。 これは文学における胎児の3次元ポーズ推定に関する最初の研究である。 本稿では、深層ネットワークを微調整し、視覚的に妥当なポーズ予測を形成するための自己教師付き学習(SSL)フレームワークを提案する。
  論文  参考訳（メタデータ） (2019-10-11T01:45:09Z)
• 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。