論文の概要: A Novel Hybrid Convolutional Neural Network for Accurate Organ
Segmentation in 3D Head and Neck CT Images
- arxiv url: http://arxiv.org/abs/2109.12634v1
- Date: Sun, 26 Sep 2021 15:37:47 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-28 15:16:34.597945
- Title: A Novel Hybrid Convolutional Neural Network for Accurate Organ
Segmentation in 3D Head and Neck CT Images
- Title(参考訳): 3次元頭頸部ct画像における高精度臓器分割のための新しい複合畳み込みニューラルネットワーク
- Authors: Zijie Chen, Cheng Li, Junjun He, Jin Ye, Diping Song, Shanshan Wang,
Lixu Gu, and Yu Qiao
- Abstract要約: 本研究では,2次元と3次元の畳み込みを融合させて異なる空間解像度に対処し,3次元HaNCT画像から効果的なエッジとセマンティック特徴を抽出するハイブリッドCNNを提案する。
MICCAI 2015チャレンジデータセットの実験は、OrganNet2.5Dが最先端の手法と比較して有望なパフォーマンスを達成することを示した。
- 参考スコア(独自算出の注目度): 31.245109574064532
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Radiation therapy (RT) is widely employed in the clinic for the treatment of
head and neck (HaN) cancers. An essential step of RT planning is the accurate
segmentation of various organs-at-risks (OARs) in HaN CT images. Nevertheless,
segmenting OARs manually is time-consuming, tedious, and error-prone
considering that typical HaN CT images contain tens to hundreds of slices.
Automated segmentation algorithms are urgently required. Recently,
convolutional neural networks (CNNs) have been extensively investigated on this
task. Particularly, 3D CNNs are frequently adopted to process 3D HaN CT images.
There are two issues with na\"ive 3D CNNs. First, the depth resolution of 3D CT
images is usually several times lower than the in-plane resolution. Direct
employment of 3D CNNs without distinguishing this difference can lead to the
extraction of distorted image features and influence the final segmentation
performance. Second, a severe class imbalance problem exists, and large organs
can be orders of times larger than small organs. It is difficult to
simultaneously achieve accurate segmentation for all the organs. To address
these issues, we propose a novel hybrid CNN that fuses 2D and 3D convolutions
to combat the different spatial resolutions and extract effective edge and
semantic features from 3D HaN CT images. To accommodate large and small organs,
our final model, named OrganNet2.5D, consists of only two instead of the
classic four downsampling operations, and hybrid dilated convolutions are
introduced to maintain the respective field. Experiments on the MICCAI 2015
challenge dataset demonstrate that OrganNet2.5D achieves promising performance
compared to state-of-the-art methods.
- Abstract(参考訳): 放射線治療(RT)は頭頸部癌(HaN)治療クリニックで広く用いられている。
RTプランニングの重要なステップは、HaNCT画像における様々な臓器-リスク(OAR)の正確なセグメンテーションである。
それでも、通常のHaN CT画像は数十から数百のスライスを含んでいるので、手動でOARを分割するのは時間を要するし、面倒で、エラーを起こしやすい。
自動セグメンテーションアルゴリズムは緊急に必要である。
近年,この課題に対して畳み込みニューラルネットワーク(CNN)が広く研究されている。
特に3d cnnは3d han ct画像の処理によく用いられる。
na\"ive 3D CNNには2つの問題がある。
まず、3d ct画像の深度分解能は通常、平面内解像度の何倍も低い。
この差分を区別しない3D CNNの直接使用は、歪み画像の特徴の抽出と最終的なセグメンテーション性能に影響を与える可能性がある。
第二に、深刻な階級不均衡の問題があり、大きな臓器は小さな臓器の何倍も大きい。
すべての臓器の正確なセグメンテーションを同時に達成することは困難である。
これらの課題に対処するために,2次元と3次元の畳み込みを融合させて異なる空間解像度に対処し,3次元HaNCT画像から効果的なエッジとセマンティック特徴を抽出するハイブリッドCNNを提案する。
大小の臓器に対応するため,OrganNet2.5Dと呼ばれる最終モデルは,古典的な4つのダウンサンプリング操作の代わりに2つのみで構成され,各領域を維持するためにハイブリッド拡張畳み込みを導入する。
MICCAI 2015チャレンジデータセットの実験は、OrganNet2.5Dが最先端の手法と比較して有望なパフォーマンスを達成することを示した。
関連論文リスト
- Spatiotemporal Modeling Encounters 3D Medical Image Analysis:
Slice-Shift UNet with Multi-View Fusion [0.0]
本稿では,2次元CNNにおける3次元特徴をエンコードする2次元モデルSlice SHift UNetを提案する。
より正確にマルチビュー機能は、ボリュームの3次元平面に沿って2次元の畳み込みを実行することで協調的に学習される。
提案手法の有効性は,多モード腹部多臓器軸 (AMOS) と Cranial Vault (BTCV) データセットを越えたマルチアトラスラベリング (Multi-Atlas Labeling Beyond the Cranial Vault) で検証した。
論文 参考訳(メタデータ) (2023-07-24T14:53:23Z) - 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) - Dual Multi-scale Mean Teacher Network for Semi-supervised Infection
Segmentation in Chest CT Volume for COVID-19 [76.51091445670596]
CT(Computed tomography)データから肺感染症を自動的に検出することは、COVID-19と戦う上で重要な役割を担っている。
現在の新型コロナウイルス感染症のセグメンテーションのほとんどは、主に3Dシーケンシャルな制約を欠いた2D CT画像に依存している。
既存の3次元CTセグメンテーション法では,3次元ボリュームにおける複数レベルの受容場サイズを達成できない単一スケールの表現に焦点が当てられている。
論文 参考訳(メタデータ) (2022-11-10T13:11:21Z) - 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) - Multi-organ Segmentation Network with Adversarial Performance Validator [10.775440368500416]
本稿では,2次元から3次元のセグメンテーションフレームワークに対向的な性能検証ネットワークを導入する。
提案したネットワークは, 2次元粗い結果から3次元高品質なセグメンテーションマスクへの変換を行い, 共同最適化によりセグメンテーション精度が向上する。
NIH膵分節データセットの実験では、提案したネットワークが小臓器分節の最先端の精度を達成し、過去の最高性能を上回った。
論文 参考訳(メタデータ) (2022-04-16T18:00:29Z) - A unified 3D framework for Organs at Risk Localization and Segmentation
for Radiation Therapy Planning [56.52933974838905]
現在の医療ワークフローは、OAR(Organs-at-risk)のマニュアル記述を必要とする
本研究は,OARローカライゼーション・セグメンテーションのための統合された3Dパイプラインの導入を目的とする。
提案手法は医用画像に固有の3Dコンテキスト情報の活用を可能にする。
論文 参考訳(メタデータ) (2022-03-01T17:08:41Z) - Multi-Slice Dense-Sparse Learning for Efficient Liver and Tumor
Segmentation [4.150096314396549]
ディープ畳み込みニューラルネットワーク(DCNN)は2次元および3次元の医用画像セグメンテーションにおいて大きな成功を収めている。
そこで我々は,DCNNを正規化するための入力として,密接な隣接スライスと疎隣接スライスを抽出するデータの観点から,新しい密集スプリストレーニングフローを提案する。
また、ネットワークの観点から2.5Dの軽量nnU-Netを設計し、その効率を向上させるために深度的に分離可能な畳み込みを採用する。
論文 参考訳(メタデータ) (2021-08-15T15:29:48Z) - CoTr: Efficiently Bridging CNN and Transformer for 3D Medical Image
Segmentation [95.51455777713092]
畳み込みニューラルネットワーク(CNN)は、現代の3D医療画像セグメンテーションのデファクトスタンダードとなっている。
本稿では,bf畳み込みニューラルネットワークとbfトランスbf(cotr)を効率良く橋渡しし,正確な3次元医用画像分割を実現する新しい枠組みを提案する。
論文 参考訳(メタデータ) (2021-03-04T13:34:22Z) - Automatic Segmentation of Organs-at-Risk from Head-and-Neck CT using
Separable Convolutional Neural Network with Hard-Region-Weighted Loss [10.93840864507459]
鼻咽頭癌 (Nasopharyngeal Carcinoma, NPC) は, 北極, 中国, 東南アジア, 中東/北アフリカにおける頭頸部癌(HAN)の進行型である。
不確実性のあるCT画像からのOrgans-at-Risk(OAR)の正確なセグメンテーションは、NPC治療のための放射線治療を効果的に計画するために重要である。
本稿では,信頼性の高い不確実性推定を伴う高精度OARセグメンテーションのための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) (2021-02-03T06:31:38Z) - Spatial Context-Aware Self-Attention Model For Multi-Organ Segmentation [18.76436457395804]
マルチ組織セグメンテーションは、医学画像解析におけるディープラーニングの最も成功した応用の1つである。
深部畳み込みニューラルネット(CNN)は,CT画像やMRI画像上で臨床応用画像のセグメンテーション性能を達成する上で非常に有望である。
本研究では,高分解能2次元畳み込みによりセグメンテーションを実現する3次元モデルと2次元モデルを組み合わせた新しい枠組みを提案する。
論文 参考訳(メタデータ) (2020-12-16T21:39:53Z) - 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)
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。