Fugu-MT 論文翻訳(概要): SkullEngine: A Multi-stage CNN Framework for Collaborative CBCT Image Segmentation and Landmark Detection

論文の概要: SkullEngine: A Multi-stage CNN Framework for Collaborative CBCT Image Segmentation and Landmark Detection

arxiv url: http://arxiv.org/abs/2110.03828v1
Date: Thu, 7 Oct 2021 23:25:33 GMT
ステータス: 処理完了
システム内更新日: 2021-10-11 16:30:06.004266
Title: SkullEngine: A Multi-stage CNN Framework for Collaborative CBCT Image Segmentation and Landmark Detection
Title（参考訳）: SkullEngine: CBCT画像分割とランドマーク検出のための多段階CNNフレームワーク
Authors: Qin Liu, Han Deng, Chunfeng Lian, Xiaoyang Chen, Deqiang Xiao, Lei Ma, Xu Chen, Tianshu Kuang, Jaime Gateno, Pew-Thian Yap, James J. Xia
Abstract要約: 大規模ランドマーク検出と高分解能セグメンテーションのための多段粗大CNNベースフレームワークであるSkullEngineを提案する。 170個のCBCT/CT画像による2つの骨の分節化と175個の骨・歯・軟部組織に共通するランドマークの検出のための臨床データセットについて検討した。
参考スコア（独自算出の注目度）: 25.244142434372783
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We propose a multi-stage coarse-to-fine CNN-based framework, called SkullEngine, for high-resolution segmentation and large-scale landmark detection through a collaborative, integrated, and scalable JSD model and three segmentation and landmark detection refinement models. We evaluated our framework on a clinical dataset consisting of 170 CBCT/CT images for the task of segmenting 2 bones (midface and mandible) and detecting 175 clinically common landmarks on bones, teeth, and soft tissues.
Abstract（参考訳）: 協調的,統合的でスケーラブルなJSDモデルと3つのセグメンテーションとランドマーク検出精細化モデルを用いて,高分解能セグメンテーションと大規模ランドマーク検出のための多段粗粒度CNNベースのフレームワークSkullEngineを提案する。 170個のCBCT/CT画像による2つの骨(中下顎骨)の分画と175個の骨・歯・軟部組織に共通するランドマークを検出するための臨床データセットについて検討した。

関連論文リスト

TotalSegmentator MRI: Sequence-Independent Segmentation of 59 Anatomical Structures in MR images [62.53931644063323]
本研究では,TotalSegmentatorをMR画像に拡張した。このデータセットに基づいてnnU-Netセグメンテーションアルゴリズムを訓練し、類似度係数(Dice)を計算し、モデルの性能を評価した。このモデルは、他の2つの公開セグメンテーションモデル(Dice score 0.824 vs 0.762; p0.001 and 0.762 versus 0.542; p)を大きく上回った。
論文参考訳（メタデータ） (2024-05-29T20:15:54Z)
RadGenome-Chest CT: A Grounded Vision-Language Dataset for Chest CT Analysis [56.57177181778517]
RadGenome-Chest CTはCT-RATEに基づく大規模3次元胸部CT解釈データセットである。私たちは、最新の強力なユニバーサルセグメンテーションと大きな言語モデルを活用して、元のデータセットを拡張します。
論文参考訳（メタデータ） (2024-04-25T17:11:37Z)
SegVol: Universal and Interactive Volumetric Medical Image Segmentation [25.322437534713163]
本稿では,汎用的,インタラクティブな医用画像セグメンテーションを支援する3D基盤セグメンテーションモデルSegVolを提案する。トレーニングデータを90Kの未ラベルCTボリュームと6Kのラベル付きCTボリュームにスケールアップすることにより、この基礎モデルは200以上の解剖学的カテゴリのセグメンテーションをサポートする。 22の解剖学的セグメンテーションタスクの実験では、SegVolは19のタスクで競合より優れており、ランナアップメソッドと比較して37.24%改善されている。
論文参考訳（メタデータ） (2023-11-22T13:27:36Z)
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)
Accurate Fine-Grained Segmentation of Human Anatomy in Radiographs via Volumetric Pseudo-Labeling [66.75096111651062]
我々は,10,021個の胸部CTと157個のラベルの大規模データセットを作成した。解剖学的擬似ラベル抽出のために3次元解剖分類モデルのアンサンブルを適用した。得られたセグメンテーションモデルはCXRで顕著な性能を示した。
論文参考訳（メタデータ） (2023-06-06T18:01:08Z)
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)
QU-net++: Image Quality Detection Framework for Segmentation of 3D Medical Image Stacks [0.9594432031144714]
U-net++モデルを用いて3次元画像スタックから医用画像の品質を評価する2段階自動評価手法を提案する。検出された画像は、セマンティックセグメンテーションのためにU-net++モデルをさらに微調整するために使用することができる。
論文参考訳（メタデータ） (2021-10-27T05:28:02Z)
3D Segmentation Networks for Excessive Numbers of Classes: Distinct Bone Segmentation in Upper Bodies [1.2023648183416153]
本稿では,多ラベル環境下での3次元セグメンテーションネットワークの訓練の複雑さについて論じる。ネットワークアーキテクチャ、損失関数、データ拡張に必要となる変更を示す。その結果,CTスキャンから学習した100以上の骨を同時に分割し,その頑健さを実証した。
論文参考訳（メタデータ） (2020-10-14T12:54:15Z)
VerSe: A Vertebrae Labelling and Segmentation Benchmark for Multi-detector CT Images [121.31355003451152]
大規模Vertebrae Challenge(VerSe)は、2019年と2020年に開催されたMICCAI(International Conference on Medical Image Computing and Computer Assisted Intervention)と共同で設立された。本評価の結果を報告するとともに,脊椎レベル,スキャンレベル,および異なる視野での性能変化について検討した。
論文参考訳（メタデータ） (2020-01-24T21:09:18Z)
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。