Fugu-MT 論文翻訳(概要): MixLacune: Segmentation of lacunes of presumed vascular origin

論文の概要: MixLacune: Segmentation of lacunes of presumed vascular origin

arxiv url: http://arxiv.org/abs/2108.02483v1
Date: Thu, 5 Aug 2021 09:41:35 GMT
ステータス: 処理完了
システム内更新日: 2021-08-06 20:26:36.272247
Title: MixLacune: Segmentation of lacunes of presumed vascular origin
Title（参考訳）: MixLacune: 推定血管起源の漆片の分別
Authors: Denis Kutnar, Bas H.M. van der Velden, Marta Girones Sanguesa, Mirjam I. Geerlings, J. Matthijs Biesbroek, Hugo J. Kuijf
Abstract要約: 血管起源と推定される2段階の分類法を提案する。データは、"Where is VALDO? トレーニングセット0.83、検証セット0.84について平均DICEを報告する。
参考スコア（独自算出の注目度）: 0.13918848543076062
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Lacunes of presumed vascular origin are fluid-filled cavities of between 3 - 15 mm in diameter, visible on T1 and FLAIR brain MRI. Quantification of lacunes relies on manual annotation or semi-automatic / interactive approaches; and almost no automatic methods exist for this task. In this work, we present a two-stage approach to segment lacunes of presumed vascular origin: (1) detection with Mask R-CNN followed by (2) segmentation with a U-Net CNN. Data originates from Task 3 of the "Where is VALDO?" challenge and consists of 40 training subjects. We report the mean DICE on the training set of 0.83 and on the validation set of 0.84. Source code is available at: https://github.com/hjkuijf/MixLacune . The docker container hjkuijf/mixlacune can be pulled from https://hub.docker.com/r/hjkuijf/mixlacune .
Abstract（参考訳）: 血管起源と推定されるラカンは、T1およびFLAIR脳MRIで見られる直径315mmの流体充填キャビティである。ラックーンの定量化は手動のアノテーションや半自動的/インタラクティブなアプローチに依存しており、このタスクにはほとんど自動的な方法が存在しない。本研究では,(1) Mask R-CNN による検出,(2) U-Net CNN による分画の2段階的アプローチを提案する。データは "where is valdo?" のタスク3に由来する。課題は40の教科から成っていますトレーニングセット0.83、検証セット0.84について平均DICEを報告する。ソースコードは、https://github.com/hjkuijf/MixLacune で入手できる。 dockerコンテナhjkuijf/mixlacuneはhttps://hub.docker.com/r/hjkuijf/mixlacuneからプルできる。

関連論文リスト

SUMix: Mixup with Semantic and Uncertain Information [41.99721365685618]
混合データ拡張アプローチは、ディープラーニングの様々なタスクに応用されている。そこで我々は,SUMix という新しい手法を提案し,混合率と混合試料の不確かさを学習する。
論文参考訳（メタデータ） (2024-07-10T16:25:26Z)
DiffVein: A Unified Diffusion Network for Finger Vein Segmentation and Authentication [50.017055360261665]
DiffVeinは、静脈分割と認証タスクを同時に処理する統合拡散モデルベースのフレームワークである。これら2つのブランチ間の機能相互作用を改善するために,2つの特別なモジュールを導入する。このようにして、我々のフレームワークは拡散とセグメンテーションの埋め込みの間の動的相互作用を可能にする。
論文参考訳（メタデータ） (2024-02-03T06:49:42Z)
Decoupled Mixup for Generalized Visual Recognition [71.13734761715472]
視覚認識のためのCNNモデルを学習するための新しい「デカップリング・ミクスアップ」手法を提案する。本手法は,各画像を識別領域と雑音発生領域に分離し,これらの領域を均一に組み合わせてCNNモデルを訓練する。実験結果から,未知のコンテキストからなるデータに対する本手法の高一般化性能を示す。
論文参考訳（メタデータ） (2022-10-26T15:21:39Z)
Audio-visual Attentive Fusion for Continuous Emotion Recognition [12.211342881526276]
本稿では,(1)事前学習した2D-CNNを含む視覚ブロックと,(2)複数の並列TNを含む聴覚ブロック,(3)オーディオ視覚情報を組み合わせたリーダ・フォロワー注意融合ブロックを提案する。
論文参考訳（メタデータ） (2021-07-02T16:28:55Z)
Federated Semi-supervised Medical Image Classification via Inter-client Relation Matching [58.26619456972598]
フェデレートラーニング(FL)は、ディープ・ネットワークのトレーニングのために、分散医療機関とのコラボレーションで人気が高まっている。本報告では,実践的かつ困難なFL問題であるtextitFederated Semi-supervised Learning (FSSL)について検討する。本稿では, 従来の整合性正規化機構を改良し, クライアント間関係マッチング方式を提案する。
論文参考訳（メタデータ） (2021-06-16T07:58:00Z)
Using spatial-temporal ensembles of convolutional neural networks for lumen segmentation in ureteroscopy [11.457020223521605]
本稿では,畳み込みニューラルネットワーク(CNN)に基づく自動手法を提案する。提案手法は4つの並列CNNのアンサンブルに基づいて,単一および複数フレーム情報を同時に処理する。
論文参考訳（メタデータ） (2021-04-05T16:24:32Z)
Jigsaw Clustering for Unsupervised Visual Representation Learning [68.09280490213399]
本稿では,新しいjigsawクラスタリング・プレテキストタスクを提案する。本手法は画像内情報と画像間情報の両方を利用する。トレーニングバッチの半分しか使用されていない場合、コントラスト学習方法にも匹敵します。
論文参考訳（メタデータ） (2021-04-01T08:09:26Z)
DeepSZ: Identification of Sunyaev-Zel'dovich Galaxy Clusters using Deep Learning [5.295349225662439]
Sunyaev Zel'dovich(SZ)効果から同定された銀河クラスターは、マルチ波長クラスターベースの宇宙論において重要な要素である。本稿では、SZクラスタ探索における標準マッチングフィルタ(MF)法と畳み込みニューラルネットワーク(CNN)を用いた手法の2つのクラスタ同定法の比較について述べる。
論文参考訳（メタデータ） (2021-02-25T19:01:00Z)
Learning Hybrid Representations for Automatic 3D Vessel Centerline Extraction [57.74609918453932]
3次元医用画像からの血管の自動抽出は血管疾患の診断に不可欠である。既存の方法では、3次元画像からそのような細い管状構造を分割する際に、抽出された容器の不連続に悩まされることがある。抽出された船舶の連続性を維持するためには、地球的幾何学を考慮に入れる必要があると論じる。この課題を解決するためのハイブリッド表現学習手法を提案します。
論文参考訳（メタデータ） (2020-12-14T05:22:49Z)
Deep Learning to Quantify Pulmonary Edema in Chest Radiographs [7.121765928263759]
肺浮腫の重症度を胸部X線写真で分類する機械学習モデルを開発した。深層学習モデルは、大きな胸部X線写真データセットで訓練された。
論文参考訳（メタデータ） (2020-08-13T15:45:44Z)
Segmentation of the Myocardium on Late-Gadolinium Enhanced MRI based on 2.5 D Residual Squeeze and Excitation Deep Learning Model [55.09533240649176]
本研究の目的は,LGE-MRIを用いた心筋境界領域の深部学習モデルに基づく正確な自動セグメンテーション法を開発することである。合計320回の試験(平均6回の試験)と28回の試験が行われた。ベーススライスとミドルスライスにおけるアンサンブルモデルの性能解析は, サーバ内調査と同等であり, アトピーススライスではわずかに低かった。
論文参考訳（メタデータ） (2020-05-27T20:44:38Z)

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。