論文の概要: Automated airway segmentation by learning graphical structure
- arxiv url: http://arxiv.org/abs/2109.14792v1
- Date: Thu, 30 Sep 2021 01:37:31 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-01 14:58:00.796610
- Title: Automated airway segmentation by learning graphical structure
- Title（参考訳）: グラフィカル構造学習による自動気道セグメンテーション
- Authors: Yihua Yang
- Abstract要約: 我々は,既存の畳み込みニューラルネットワーク(CNN)とグラフニューラルネットワーク(GNN)に基づく気道セグメンテーションの高度な手法を提唱した。
提案モデルにより,CNN法とGNN法を併用した場合,胸部CTスキャンの気管支をほとんどの症例で検出できることが示唆された。
- 参考スコア（独自算出の注目度）: 0.76146285961466
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this research project, we put forward an advanced method for airway
segmentation based on the existent convolutional neural network (CNN) and graph
neural network (GNN). The method is originated from the vessel segmentation,
but we ameliorate it and enable the novel model to perform better for datasets
from computed tomography (CT) scans. Current methods for airway segmentation
are considering the regular grid only. No matter what the detailed model is,
including the 3-dimensional CNN or 2-dimensional CNN in three directions, the
overall graph structures are not taken into consideration. In our model, with
the neighbourhoods of airway taken into account, the graph structure is
incorporated and the segmentation of airways are improved compared with the
traditional CNN methods. We perform experiments on the chest CT scans, where
the ground truth segmentation labels are produced manually. The proposed model
shows that compared with the CNN-only method, the combination of CNN and GNN
has a better performance in that the bronchi in the chest CT scans can be
detected in most cases. In addition, the model we propose has a wide extension
since the architecture is also utilitarian in fulfilling similar aims in other
datasets. Hence, the state-of-the-art model is of great significance and highly
applicable in our daily lives.
Keywords: Airway segmentation, Convolutional neural network, Graph neural
network
- Abstract（参考訳）: 本研究では,既存の畳み込みニューラルネットワーク(CNN)とグラフニューラルネットワーク(GNN)に基づく気道セグメンテーションの高度な手法を提案する。
本手法は血管のセグメンテーションから導かれるものであるが,本手法を改良し,CT(Computerd tomography)スキャンによるデータセットの精度向上を実現する。
現在のエアウェイセグメンテーションの方法は、正規格子のみを考慮している。
詳細なモデルが何であっても、3次元のcnnや2次元のcnnを含め、全体のグラフ構造は考慮されていない。
本モデルでは, 従来のCNN手法と比較して, 気道近傍を考慮し, グラフ構造を取り入れ, 気道のセグメンテーションを改善した。
我々は胸部CTスキャンで実験を行い、そこでは地上の真理セグメンテーションラベルを手動で作成する。
提案モデルにより,CNN法とGNN法を併用した場合,胸部CTスキャンで気管支を検出できた場合が多く,CNN法とGNN法の併用が良好な性能を示した。
さらに、我々が提案するモデルは、アーキテクチャが他のデータセットで同様の目的を達成するのに役立っているため、幅広い拡張がある。
したがって、最先端のモデルは非常に重要であり、私たちの日常生活に非常に当てはまります。
キーワード:エアウェイセグメンテーション、畳み込みニューラルネットワーク、グラフニューラルネットワーク
関連論文リスト
- CNN2GNN: How to Bridge CNN with GNN [59.42117676779735]
蒸留によりCNNとGNNを統一する新しいCNN2GNNフレームワークを提案する。
Mini-ImageNetにおける蒸留ブースターの2層GNNの性能は、ResNet152のような数十層を含むCNNよりもはるかに高い。
論文 参考訳（メタデータ） (2024-04-23T08:19:08Z) - Compact & Capable: Harnessing Graph Neural Networks and Edge Convolution
for Medical Image Classification [0.0]
本稿では,重要なグラフノード間の接続を強く表現するために,RGBチャネルの特徴値の相互接続性を活用し,GNNとエッジ畳み込みを組み合わせた新しいモデルを提案する。
提案モデルでは,最新のDeep Neural Networks (DNN) と同等に動作するが,1000倍のパラメータが減少し,トレーニング時間とデータ要求が短縮される。
論文 参考訳（メタデータ） (2023-07-24T13:39:21Z) - Lost Vibration Test Data Recovery Using Convolutional Neural Network: A
Case Study [0.0]
本稿では,アラモサキャニオン橋のCNNアルゴリズムを実構造として提案する。
3つの異なるCNNモデルは、1つと2つの故障したセンサーを予測するものとされた。
畳み込み層を追加することによりモデルの精度が向上した。
論文 参考訳（メタデータ） (2022-04-11T23:24:03Z) - A Novel Hand Gesture Detection and Recognition system based on
ensemble-based Convolutional Neural Network [3.5665681694253903]
コンピュータビジョンとパターン認識コミュニティでは,手の部分検出が課題となっている。
畳み込みニューラルネットワーク(CNN)アーキテクチャのようなディープラーニングアルゴリズムは、分類タスクにおいて非常に一般的な選択肢となっている。
本稿では,CNNに基づくアプローチのアンサンブルを用いて,予測時の高分散や過度な問題,予測誤差などの問題を克服する。
論文 参考訳（メタデータ） (2022-02-25T06:46:58Z) - Densely Connected Recurrent Residual (Dense R2UNet) Convolutional Neural
Network for Segmentation of Lung CT Images [0.342658286826597]
本稿では,U-Netモデルアーキテクチャに基づくリカレントCNN,Residual Network,Dense Convolutional Networkの合成について述べる。
ベンチマークLung Lesionデータセットで検証したモデルでは、同等のモデルよりもセグメンテーションタスクのパフォーマンスが向上した。
論文 参考訳（メタデータ） (2021-02-01T06:34:10Z) - 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) - An Uncertainty-Driven GCN Refinement Strategy for Organ Segmentation [53.425900196763756]
本研究では,不確実性解析とグラフ畳み込みネットワークに基づくセグメンテーション改善手法を提案する。
半教師付きグラフ学習問題を定式化するために、特定の入力ボリュームにおける畳み込みネットワークの不確実性レベルを用いる。
本手法は膵臓で1%,脾臓で2%向上し,最先端のCRF改善法よりも優れていた。
論文 参考訳（メタデータ） (2020-12-06T18:55:07Z) - Spatio-Temporal Inception Graph Convolutional Networks for
Skeleton-Based Action Recognition [126.51241919472356]
我々はスケルトンに基づく行動認識のためのシンプルで高度にモジュール化されたグラフ畳み込みネットワークアーキテクチャを設計する。
ネットワークは,空間的および時間的経路から多粒度情報を集約するビルディングブロックを繰り返すことで構築される。
論文 参考訳（メタデータ） (2020-11-26T14:43:04Z) - Improving Automated COVID-19 Grading with Convolutional Neural Networks
in Computed Tomography Scans: An Ablation Study [3.072491397378425]
本稿では,CNNに基づくCT画像からのCOVID-19グレーティングのためのアルゴリズムの性能向上に寄与する各種成分を同定する。
これらの成分を用いた3D CNNは, テストセット105CTでは0.934のLOC曲線 (AUC) , 公開されている742CTでは0.923のAUCを達成した。
論文 参考訳（メタデータ） (2020-09-21T09:58:57Z) - LGNN: A Context-aware Line Segment Detector [53.424521592941936]
我々はLine Graph Neural Network (LGNN) と呼ばれる新しいリアルタイム線分検出手法を提案する。
我々のLGNNは、線分を直接提案するディープ畳み込みニューラルネットワーク(DCNN)と、それらの接続性を推論するためのグラフニューラルネットワーク(GNN)モジュールを使用している。
最先端と比較して、LGNNは精度を損なうことなくほぼリアルタイムのパフォーマンスを達成する。
論文 参考訳（メタデータ） (2020-08-13T13:23:18Z) - Mix Dimension in Poincar\'{e} Geometry for 3D Skeleton-based Action
Recognition [57.98278794950759]
グラフ畳み込みネットワーク(GCN)はすでに、不規則なデータをモデル化する強力な能力を実証している。
本稿では,ポアンカー幾何学を用いて定義した空間時空間GCNアーキテクチャを提案する。
提案手法を,現在最大規模の2つの3次元データセット上で評価する。
論文 参考訳（メタデータ） (2020-07-30T18:23:18Z)
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。