論文の概要: Automated Kidney Segmentation by Mask R-CNN in T2-weighted Magnetic Resonance Imaging

• arxiv url: http://arxiv.org/abs/2108.12506v1
• Date: Fri, 27 Aug 2021 21:34:32 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-01 09:45:08.722872
• Title: Automated Kidney Segmentation by Mask R-CNN in T2-weighted Magnetic Resonance Imaging
• Title（参考訳）: t2強調mriにおけるマスクr-cnnの自動腎分画
• Authors: Manu Goyal, Junyu Guo, Lauren Hinojosa, Keith Hulsey, Ivan Pedrosa
• Abstract要約: 我々は,T2強調Fast Spin Ecoスライス100回のMRI検査において,腎の自動分画にMask R-CNNを用いることを提案する。 5倍のクロスバリデーションデータを用いて、提案したMask R-CNNは、70と10のMRI試験で訓練され、その後、各フォールドで残りの20の試験で評価される。
• 参考スコア（独自算出の注目度）: 0.9764638397706717
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Despite the recent advances of deep learning algorithms in medical imaging, the automatic segmentation algorithms for kidneys in MRI exams are still scarce. Automated segmentation of kidneys in Magnetic Resonance Imaging (MRI) exams are important for enabling radiomics and machine learning analysis of renal disease. In this work, we propose to use the popular Mask R-CNN for the automatic segmentation of kidneys in coronal T2-weighted Fast Spin Eco slices of 100 MRI exams. We propose the morphological operations as post-processing to further improve the performance of Mask R-CNN for this task. With 5-fold cross-validation data, the proposed Mask R-CNN is trained and validated on 70 and 10 MRI exams and then evaluated on the remaining 20 exams in each fold. Our proposed method achieved a dice score of 0.904 and IoU of 0.822.
• Abstract（参考訳）: 医学画像におけるディープラーニングアルゴリズムの最近の進歩にもかかわらず、MRI検査における腎臓の自動セグメンテーションアルゴリズムはいまだに不足している。 核磁気共鳴画像検査(MRI)における腎臓の自動分画は、腎疾患の放射能と機械学習解析を可能にするために重要である。 本研究では,T2強調Fast Spin Ecoスライス100回のMRI検査において,腎臓の自動分節法として人気のMask R-CNNを提案する。 本研究では,Msk R-CNNの性能向上のための後処理として形態的操作を提案する。 5倍のクロスバリデーションデータを用いて、提案するマスクr-cnnを70および10回のmri検査で訓練し検証し、残りの20回の検査で評価する。 提案手法は0.904で,iouは0.822であった。

関連論文リスト

• Automated classification of multi-parametric body MRI series [7.039977392090069]
  我々は,mpMRI研究において,8種類の異なるシリーズのタイプを分類する自動フレームワークを提案する。 我々は3つのシーメンススキャナーによって取得された1,363個の研究を用いて、5倍のクロスバリデーションを持つDenseNet-121モデルを訓練した。 平均精度は96.6%,感度は96.6%,特異性は99.6%,F1スコアは96.6%であった。
  論文  参考訳（メタデータ） (2024-05-14T00:39:21Z)
• Learned Local Attention Maps for Synthesising Vessel Segmentations [43.314353195417326]
  我々は、T2 MRIのみから、Willis(CoW)円の主大脳動脈の分節を合成するためのエンコーダ・デコーダモデルを提案する。 これは、セグメンテーションラベルを拡張することによって生成された学習されたローカルアテンションマップを使用し、ネットワークはCoWの合成に関連するT2 MRIからのみ情報を抽出する。
  論文  参考訳（メタデータ） (2023-08-24T15:32:27Z)
• Automated SSIM Regression for Detection and Quantification of Motion Artefacts in Brain MR Images [54.739076152240024]
  磁気共鳴脳画像における運動アーチファクトは重要な問題である。 MR画像の画質評価は,臨床診断に先立って基本的である。 構造類似度指数(SSIM)回帰に基づく自動画像品質評価法が提案されている。
  論文  参考訳（メタデータ） (2022-06-14T10:16:54Z)
• Weakly-supervised Biomechanically-constrained CT/MRI Registration of the Spine [72.85011943179894]
  本稿では,各脊椎の剛性と容積を保存し,登録精度を最大化しながら,弱教師付き深層学習フレームワークを提案する。 また,CTにおける椎体自動分節化はMRIと対比してより正確な結果をもたらすため,CTラベルマップのみに依存するよう,これらの損失を特に設計する。 以上の結果から, 解剖学的認識による損失の増大は, 精度を維持しつつも, 推測変換の妥当性を高めることが示唆された。
  論文  参考訳（メタデータ） (2022-05-16T10:59:55Z)
• A Novel Mask R-CNN Model to Segment Heterogeneous Brain Tumors through Image Subtraction [0.0]
  画像セグメンテーション(画像セグメンテーション)と呼ばれる放射線学者による手法を用いて機械学習モデルに適用し,より優れたセグメンテーションを証明した。 Mask R-CNNは、RSNA肺炎検出チャレンジデータセットで事前トレーニングされたResNetバックボーンであり、Brats 2020 Brain tumorデータセットでモデルをトレーニングすることができる。 DICE係数(F1スコア)、リコール、未タッチテストセットの精度による画像サブトラクションを伴わないモデルと比較することにより、画像サブトラクションの手法がいかにうまく機能するかを確認できる。
  論文  参考訳（メタデータ） (2022-04-04T01:45:11Z)
• Osteoporosis Prescreening using Panoramic Radiographs through a Deep Convolutional Neural Network with Attention Mechanism [65.70943212672023]
  注意モジュールを持つディープ畳み込みニューラルネットワーク(CNN)はパノラマX線写真上で骨粗しょう症を検出することができる。 49歳から60歳までの70種類のパノラマX線写真(PR)のデータセットを用いて検討した。
  論文  参考訳（メタデータ） (2021-10-19T00:03:57Z)
• Improved-Mask R-CNN: Towards an Accurate Generic MSK MRI instance segmentation platform (Data from the Osteoarthritis Initiative) [1.0499611180329804]
  本研究は, OA関連組織に対するより正確な一般化セグメンテーションを得るために, Mask R-CNNインスタンスセグメンテーションをデプロイし, 改良した(改良した-Mask R-CNN)。 変形性股関節症(OAI)データセットから得られた500個のMRI膝と97個のMRIスキャンを用いて,この方法の訓練と評価を行った。 iMaskRCNNは,大腿骨の95%から98%に,大腿骨の95%から97%に,大腿骨軟骨の71%から80%に,大腿骨軟骨の81%から82%に,骨と軟骨のセグメンテーションを改善した。
  論文  参考訳（メタデータ） (2021-07-27T15:41:31Z)
• Deep Learning-based Type Identification of Volumetric MRI Sequences [5.407839873345339]
  MRI配列の標準化されていない命名は、自動システムでは識別が困難である。 本稿では,深層学習に基づく脳MRIシークエンスを同定するシステムを提案する。 我々のシステムは96.81%の精度でシーケンスタイプを分類できる。
  論文  参考訳（メタデータ） (2021-06-06T18:34:47Z)
• Dual-cycle Constrained Bijective VAE-GAN For Tagged-to-Cine Magnetic Resonance Image Synthesis [11.697141493937021]
  VAE-GANによるタグ付け-Cine MR画像合成手法を提案する。 このフレームワークは1,768,416,および1,560個の被検非依存のタグ付きMRIとシネMRIを用いて,訓練,検証,および試験を行った。
  論文  参考訳（メタデータ） (2021-01-14T03:27:16Z)
• 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)
• A Global Benchmark of Algorithms for Segmenting Late Gadolinium-Enhanced Cardiac Magnetic Resonance Imaging [90.29017019187282]
  現在世界最大の心臓LGE-MRIデータセットである154個の3D LGE-MRIを用いた「2018 left Atrium Challenge」。 技術および生物学的指標を用いた提案アルゴリズムの解析を行った。 その結果, 最上部法は93.2%, 平均表面は0.7mmであった。
  論文  参考訳（メタデータ） (2020-04-26T08:49:17Z)

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。