Fugu-MT 論文翻訳(概要): CPNet: Cycle Prototype Network for Weakly-supervised 3D Renal Compartments Segmentation on CT Images

論文の概要: CPNet: Cycle Prototype Network for Weakly-supervised 3D Renal Compartments Segmentation on CT Images

arxiv url: http://arxiv.org/abs/2108.06669v1
Date: Sun, 15 Aug 2021 06:54:38 GMT
ステータス: 処理完了
システム内更新日: 2021-08-18 04:22:48.509011
Title: CPNet: Cycle Prototype Network for Weakly-supervised 3D Renal Compartments Segmentation on CT Images
Title（参考訳）: CPNet:CT画像における弱教師付き3次元腎コンパートメント分割のためのサイクルプロトタイプネットワーク
Authors: Song Wang, Yuting He, Youyong Kong, Xiaomei Zhu, Shaobo Zhang, Pengfei Shao, Jean-Louis Dillenseger, Jean-Louis Coatrieux, Shuo Li, Guanyu Yang
Abstract要約: 腹部CTA画像から腎部分の3次元構造を抽出することを目的としたCT画像の腎部分分割本稿では、3次元腎コンパートメントセグメンテーションのための弱教師付き学習フレームワークであるCycle Prototype Networkを提案する。我々のモデルは4つのラベル付き画像で79.1%と78.7%を達成し、典型的なプロトタイプPANetよりも約20%向上した。
参考スコア（独自算出の注目度）: 14.756502627336305
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Renal compartment segmentation on CT images targets on extracting the 3D structure of renal compartments from abdominal CTA images and is of great significance to the diagnosis and treatment for kidney diseases. However, due to the unclear compartment boundary, thin compartment structure and large anatomy variation of 3D kidney CT images, deep-learning based renal compartment segmentation is a challenging task. We propose a novel weakly supervised learning framework, Cycle Prototype Network, for 3D renal compartment segmentation. It has three innovations: 1) A Cycle Prototype Learning (CPL) is proposed to learn consistency for generalization. It learns from pseudo labels through the forward process and learns consistency regularization through the reverse process. The two processes make the model robust to noise and label-efficient. 2) We propose a Bayes Weakly Supervised Module (BWSM) based on cross-period prior knowledge. It learns prior knowledge from cross-period unlabeled data and perform error correction automatically, thus generates accurate pseudo labels. 3) We present a Fine Decoding Feature Extractor (FDFE) for fine-grained feature extraction. It combines global morphology information and local detail information to obtain feature maps with sharp detail, so the model will achieve fine segmentation on thin structures. Our model achieves Dice of 79.1% and 78.7% with only four labeled images, achieving a significant improvement by about 20% than typical prototype model PANet.
Abstract（参考訳）: ct画像上の腎コンパートメント分割は,腹部ct画像から腎コンパートメントの3次元構造を抽出することを目的としており,腎疾患の診断と治療に非常に重要である。しかし, 3次元腎CT像では, 区画境界の曖昧さ, 細い区画構造, 解剖学的変化などにより, 深層学習による腎区画分割が困難な課題となっている。 3次元腎区画分割のための新しい弱教師付き学習フレームワークcycle prototype networkを提案する。 1) 一般化のための一貫性を学ぶために,サイクルプロトタイプ学習(cpl)が提案されている。擬似ラベルからフォワードプロセスを通じて学習し、逆プロセスを通じて一貫性の規則化を学ぶ。 2つのプロセスは、モデルをノイズとラベル効率に堅牢にする。 2) クロス周期事前知識に基づくベイズ弱教師付きモジュール(bwsm)を提案する。クロス周期非ラベルデータから事前知識を学習し、自動的に誤り訂正を行い、正確な擬似ラベルを生成する。 3)細粒度特徴抽出のためのFDFE(Fold Decoding Feature Extractor)を提案する。グローバルモルフォロジー情報と局所的詳細情報を組み合わせることで,細部を細部とした特徴地図を得る。我々のモデルは4つのラベル付き画像で79.1%と78.7%のDiceを実現し、典型的なプロトタイプPANetよりも約20%向上した。

関連論文リスト

μ-Net: A Deep Learning-Based Architecture for μ-CT Segmentation [2.012378666405002]
X線計算マイクロトモグラフィー(mu-CT)は、医学および生物学的サンプルの内部解剖の高解像度な3D画像を生成する非破壊的手法である。 3D画像から関連情報を抽出するには、興味のある領域のセマンティックセグメンテーションが必要である。本稿では、畳み込みニューラルネットワーク(CNN)を用いて、Carassius auratusの心臓の完全な形態を自動分割する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） (2024-06-24T15:29:08Z)
Multi-View Vertebra Localization and Identification from CT Images [57.56509107412658]
我々は,CT画像からの多視点椎体局在と同定を提案する。本研究では,3次元問題を異なる視点における2次元局所化および識別タスクに変換する。本手法は,多視点グローバル情報を自然に学習することができる。
論文参考訳（メタデータ） (2023-07-24T14:43:07Z)
Extremely weakly-supervised blood vessel segmentation with physiologically based synthesis and domain adaptation [7.107236806113722]
腎機能の正確な解析とモデリングには、腎血管の正確なセグメンテーションが必要である。ディープラーニングに基づく手法は、自動血管セグメンテーションにおける最先端のパフォーマンスを示している。人工腎血管を生理的にシミュレートし,無ラベルスキャンで生成モデルを訓練する。本モデルは,ラット腎の3次元微小CTスキャンと2次元網膜画像における概念実証実験の両方において,血管を直接スキャンし,本手法の有効性を実証する。
論文参考訳（メタデータ） (2023-05-26T16:01:49Z)
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)
Explainable multiple abnormality classification of chest CT volumes with AxialNet and HiResCAM [89.2175350956813]
本稿では,容積医用画像における多変量分類の課題について紹介する。本稿では,複数のインスタンス学習型畳み込みニューラルネットワークであるAxialNetを提案する。そして、HiResCAMと3D許容領域を利用した新しいマスクロスにより、モデルの学習を改善することを目指す。
論文参考訳（メタデータ） (2021-11-24T01:14:33Z)
Cascaded Robust Learning at Imperfect Labels for Chest X-ray Segmentation [61.09321488002978]
不完全アノテーションを用いた胸部X線分割のための新しいカスケードロバスト学習フレームワークを提案する。モデルは3つの独立したネットワークから成り,ピアネットワークから有用な情報を効果的に学習できる。提案手法は,従来の手法と比較して,セグメント化タスクの精度を大幅に向上させることができる。
論文参考訳（メタデータ） (2021-04-05T15:50:16Z)
Bidirectional RNN-based Few Shot Learning for 3D Medical Image Segmentation [11.873435088539459]
対象臓器アノテーションの限られたトレーニングサンプルを用いて, 正確な臓器分類を行うための3次元ショットセグメンテーションフレームワークを提案する。 U-Netのようなネットワークは、サポートデータの2次元スライスとクエリイメージの関係を学習することでセグメンテーションを予測するように設計されている。異なる臓器のアノテーションを付加した3つの3次元CTデータセットを用いて,提案モデルの評価を行った。
論文参考訳（メタデータ） (2020-11-19T01:44:55Z)
Weakly-supervised Learning For Catheter Segmentation in 3D Frustum Ultrasound [74.22397862400177]
超音波を用いた新しいカテーテルセグメンテーション法を提案する。提案手法は,1ボリュームあたり0.25秒の効率で最先端の性能を実現した。
論文参考訳（メタデータ） (2020-10-19T13:56:22Z)
Deep Q-Network-Driven Catheter Segmentation in 3D US by Hybrid Constrained Semi-Supervised Learning and Dual-UNet [74.22397862400177]
本稿では,教師付き学習手法よりも少ないアノテーションを要求できる新しいカテーテルセグメンテーション手法を提案する。提案手法では,Voxelレベルのアノテーションを避けるために,深層Q学習を事前局所化ステップとみなす。検出されたカテーテルでは、パッチベースのDual-UNetを使用してカテーテルを3Dボリュームデータに分割する。
論文参考訳（メタデータ） (2020-06-25T21:10:04Z)
Map3D: Registration Based Multi-Object Tracking on 3D Serial Whole Slide Images [10.519063258650508]
本稿では,3Dオブジェクトの大規模断面の自動同定と関連付けを行う3D(Map3D)手法を提案する。提案手法はMOTA=44.6であり,非ディープラーニングベンチマークよりも12.1%高い。
論文参考訳（メタデータ） (2020-06-10T19:31:02Z)
A$^3$DSegNet: Anatomy-aware artifact disentanglement and segmentation network for unpaired segmentation, artifact reduction, and modality translation [18.500206499468902]
CBCT画像は, ノイズ, 組織コントラストの低下, 金属物の存在により, 品質が低く, 人工物が混入している。脊椎のアノテーションを付加した、人工物のない高品質なCT画像が豊富に存在する。 CBCT椎体分割モデルの構築には, アノテーションを付加した未確認CT画像が有用である。
論文参考訳（メタデータ） (2020-01-02T06:37:09Z)

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。