Fugu-MT 論文翻訳(概要): Multi-phase Liver Tumor Segmentation with Spatial Aggregation and Uncertain Region Inpainting

論文の概要: Multi-phase Liver Tumor Segmentation with Spatial Aggregation and Uncertain Region Inpainting

arxiv url: http://arxiv.org/abs/2108.00911v1
Date: Mon, 2 Aug 2021 14:02:28 GMT
ステータス: 処理完了
システム内更新日: 2021-08-03 15:04:46.766682
Title: Multi-phase Liver Tumor Segmentation with Spatial Aggregation and Uncertain Region Inpainting
Title（参考訳）: 空間的集積と不確かさを伴う多相肝腫瘍分画
Authors: Yue Zhang, Chengtao Pen, Liying Peng, Huimin Huang, RuofengTong, Lanfen Lin, Jingsong Li, Yen-Wei Chen, Qingqing Chen, HongjieHu, Zhiyi Peng
Abstract要約: 多相CT画像は肝腫瘍の正確なセグメンテーション(LiTS)に重要な相補的情報を提供する我々は,多相情報を適切に集約し,不確実領域分割を洗練するための新しいLiTS法を提案する。
参考スコア（独自算出の注目度）: 11.893755400911676
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Multi-phase computed tomography (CT) images provide crucial complementary information for accurate liver tumor segmentation (LiTS). State-of-the-art multi-phase LiTS methods usually fused cross-phase features through phase-weighted summation or channel-attention based concatenation. However, these methods ignored the spatial (pixel-wise) relationships between different phases, hence leading to insufficient feature integration. In addition, the performance of existing methods remains subject to the uncertainty in segmentation, which is particularly acute in tumor boundary regions. In this work, we propose a novel LiTS method to adequately aggregate multi-phase information and refine uncertain region segmentation. To this end, we introduce a spatial aggregation module (SAM), which encourages per-pixel interactions between different phases, to make full use of cross-phase information. Moreover, we devise an uncertain region inpainting module (URIM) to refine uncertain pixels using neighboring discriminative features. Experiments on an in-house multi-phase CT dataset of focal liver lesions (MPCT-FLLs) demonstrate that our method achieves promising liver tumor segmentation and outperforms state-of-the-arts.
Abstract（参考訳）: 多相CT画像は肝腫瘍の正確なセグメンテーション(LiTS)に重要な相補的情報を提供する。最先端多相LiTS法は通常、位相重み付け和やチャネルアテンションに基づく結合を通じて、相を融合する。しかし、これらの手法は異なる位相間の空間的(ピクセル単位で)関係を無視し、機能統合が不十分になった。また, 腫瘍境界領域では特に急激なセグメンテーションにおいて, 既存手法の性能は依然として不確実性に起因している。本研究では,多相情報を適切に集約し,不確実領域分割を洗練するための新しいLiTS法を提案する。この目的のために、異なる位相間の画素間相互作用を促進する空間集約モジュール(SAM)を導入し、クロスフェーズ情報を完全に活用する。さらに,隣接する識別特徴を用いて不確実な画素を精査するための不確実な領域塗装モジュール(URIM)を考案した。局所肝病変 (mpct-flls) の多相ctデータセットを用いた実験により, 肝腫瘍の分画を有望に達成し, 術式を上回った。

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)
Trustworthy Multi-phase Liver Tumor Segmentation via Evidence-based Uncertainty [6.631670005069929]
多相肝腫瘍セグメンテーション(MPLiTS)法は冗長性と弱い解釈性に悩まされる。 TMPLiTS(Trustworthy Multi-phase liver tumor segmentation)を提案する。 TMPLiTSは、セグメンテーションと不確実性推定を共同で行う統合フレームワークである。
論文参考訳（メタデータ） (2023-05-09T11:10:51Z)
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)
Hard Exudate Segmentation Supplemented by Super-Resolution with Multi-scale Attention Fusion Module [14.021944194533644]
硬外用量(HE)は網膜浮腫の最も特異的なバイオマーカーである。本稿では,SS-MAFと呼ばれる高分解能部分分割手法を提案する。我々はIDRiDとE-Ophthaの2つのパブリック病変データセットについて検討した。
論文参考訳（メタデータ） (2022-11-17T08:25:04Z)
Decoupled Pyramid Correlation Network for Liver Tumor Segmentation from CT images [22.128902125820193]
Decoupled Pyramid correlation Network (DPC-Net)を提案する。注意機構を利用して、FCNに埋め込まれた低レベルの特徴と高レベルの特徴をフル活用し、肝腫瘍を分節する。 DSCは96.2%、ASSDは1.636mmで肝臓セグメンテーションが可能である。
論文参考訳（メタデータ） (2022-05-26T07:31:29Z)
Cross-Modality Deep Feature Learning for Brain Tumor Segmentation [158.8192041981564]
本稿では, マルチモーダルMRIデータから脳腫瘍を抽出するクロスモーダルディープ・フィーチャーラーニング・フレームワークを提案する。中心となる考え方は、不十分なデータスケールを補うために、マルチモダリティデータにまたがる豊富なパターンをマイニングすることだ。 on the BraTS benchmarks, this proposed cross-modality deep feature learning framework could effective improve the brain tumor segmentation performance。
論文参考訳（メタデータ） (2022-01-07T07:46:01Z)
Inconsistency-aware Uncertainty Estimation for Semi-supervised Medical Image Segmentation [92.9634065964963]
我々は、不確実性推定と個別の自己学習戦略に基づいて、新しい半教師付きセグメンテーションモデル、すなわち保守的ラディカルネットワーク(CoraNet)を提案する。現在の技術と比較すると、ColaNetは優れたパフォーマンスを示しています。
論文参考訳（メタデータ） (2021-10-17T08:49:33Z)
Context-aware PolyUNet for Liver and Lesion Segmentation from Abdominal CT Images [2.5576691384612413]
本稿では,肝と病変の正確なセグメンテーションのための新しい文脈認識型PolyUNetを提案する。特徴表現力と空間的文脈情報を豊かにするために、構造的多様性と連続的なt-アジャセントスライスを共同で検討する。本手法は,MICCAI 2017 Liver tumor (LiTS) Challengeで非常に優れた成績を示した。
論文参考訳（メタデータ） (2021-06-21T18:01:04Z)
Left Ventricle Contouring in Cardiac Images Based on Deep Reinforcement Learning [0.12891210250935145]
本稿では,エージェント強化学習に基づく医用画像のインタラクティブセグメンテーション手法を提案する。我々は,ある順序で対象輪郭を描画する動的過程を,深い強化学習法に基づくマルコフ決定過程(MDP)としてモデル化する。実験の結果, 少数の医用画像データセットにおいて, 左室のセグメンテーション効果は良好であった。
論文参考訳（メタデータ） (2021-06-08T06:30:32Z)
Co-Heterogeneous and Adaptive Segmentation from Multi-Source and Multi-Phase CT Imaging Data: A Study on Pathological Liver and Lesion Segmentation [48.504790189796836]
我々は,新しいセグメンテーション戦略,コヘテロジネティック・アダプティブセグメンテーション(CHASe)を提案する。本稿では,外見に基づく半スーパービジョン,マスクに基づく対向ドメイン適応,擬似ラベルを融合した多目的フレームワークを提案する。 CHASeは4.2% sim 9.4%$の範囲で、病理的な肝臓マスクDice-Sorensen係数をさらに改善することができる。
論文参考訳（メタデータ） (2020-05-27T06:58:39Z)
Robust Multimodal Brain Tumor Segmentation via Feature Disentanglement and Gated Fusion [71.87627318863612]
画像モダリティの欠如に頑健な新しいマルチモーダルセグメンテーションフレームワークを提案する。我々のネットワークは、入力モードをモダリティ固有の外観コードに分解するために、特徴不整合を用いる。我々は,BRATSチャレンジデータセットを用いて,重要なマルチモーダル脳腫瘍セグメンテーション課題に対する本手法の有効性を検証した。
論文参考訳（メタデータ） (2020-02-22T14:32:04Z)

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。