論文の概要: Vertebrae segmentation, identification and localization using a graph optimization and a synergistic cycle

• arxiv url: http://arxiv.org/abs/2110.12177v1
• Date: Sat, 23 Oct 2021 09:21:35 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-26 17:13:09.073095
• Title: Vertebrae segmentation, identification and localization using a graph optimization and a synergistic cycle
• Title（参考訳）: グラフ最適化と相乗的サイクルを用いた動詞分割・識別・局在化
• Authors: Di Meng, Eslam Mohammed, Edmond Boyer, Sergi Pujades
• Abstract要約: 本稿では,CT画像における椎骨の分画,識別,局在について考察する。 これらの3つのタスクは関連していますが、それらが一緒に対処されたときに増加する特定の問題に直面します。 本稿では,3つのタスク間のコヒーレンスを強制する活発なサイクルを提案する。 このようなサイクルの中で、タスクは相互運用され、グローバルな一貫性基準を満たすまで反復される。
• 参考スコア（独自算出の注目度）: 20.4929202936935
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: This paper considers the segmentation, identification and localization of vertebrae in CT images. Although these three tasks are related, they face specific problems that add up when they are addressed together. For example neighboring vertebrae with similar shapes perturb the identification and vertebrae with complex or even pathological morphologies impact the segmentation. Consequently, the three tasks tend to be approached independently, e.g. labelling (localization and identification) or segmenting only, or, when treated globally, a sequential strategy is used. Sequential methods however are prone to accumulate errors as they are not able to recover from mistakes of the previous module. In this work, we propose to combine all three tasks and leverage their interdependence: locations ease the segmentation, the segmentations in turn improve the locations and they all contribute and benefit from the identification task. To this purpose we propose a virtuous cycle to enforce coherence between the three tasks. Within such a cycle, the tasks interoperate and are iterated until a global consistency criterion is satisfied. Our experiments validate this strategy with anatomically coherent results that outperform the state of the art on the VerSe20 challenge benchmark. Our code and model are openly available for research purposes at https://gitlab.inria.fr/spine/vertebrae_segmentation.
• Abstract（参考訳）: 本稿では,CT画像における脊椎の分割,同定,局在について考察する。 これら3つのタスクは関連していますが、それらが一緒に取り組まれると積み重なる特定の問題に直面します。 例えば、類似した形状の隣接する椎骨は、複雑な、あるいは病理形態を持つ椎骨と識別を混乱させ、セグメンテーションに影響を及ぼす。 その結果、3つのタスクは、ラベル付け(ローカライゼーションと識別)やセグメンテーションのみ、あるいはグローバルに扱われる場合にはシーケンシャル戦略など、独立してアプローチされる傾向にある。 しかし、逐次的なメソッドは、前のモジュールのミスから回復できないため、エラーを蓄積する傾向がある。 本研究では,これら3つのタスクを結合し,それらの相互依存性を活用することを提案する。 この目的のために,3つのタスク間のコヒーレンスを強制する活発なサイクルを提案する。 このようなサイクル内でタスクは相互運用され、グローバル一貫性基準が満たされるまで反復される。 我々の実験は、VerSe20チャレンジベンチマークの最先端技術である解剖学的コヒーレントな結果を用いて、この戦略を検証した。 私たちのコードとモデルは、https://gitlab.inria.fr/spine/vertebrae_segmentationで研究目的で公開されています。

関連論文リスト

• SpineCLUE: Automatic Vertebrae Identification Using Contrastive Learning and Uncertainty Estimation [12.427024671144869]
  脊椎疾患の診断において、任意の視野における動詞の同定が重要な役割を担っている。 スピンレベルの既存の方法は、この課題を満たすことができません。 椎骨レベルでの3次元CT椎骨識別の課題に対処する3段階法を提案する。
  論文  参考訳（メタデータ） (2024-01-14T12:02:39Z)
• Train-Free Segmentation in MRI with Cubical Persistent Homology [0.0]
  トポロジカルデータ解析(TDA)を用いたMRI画像の分割法について述べる。 これは3つのステップで機能し、まずは自動しきい値設定によってオブジェクト全体をセグメントに識別し、次に事前にトポロジが知られている特定の部分集合を検出し、最後にセグメンテーションの様々な成分を推論する。 脳MRIにおけるグリオブラスト腫分画の例について検討し、2次元スライスが円である胎児脳MRIにおいて、シリンダーを含む心臓MRIにおける心筋、および皮質プレート検出について検討した。
  論文  参考訳（メタデータ） (2024-01-02T11:43:49Z)
• Self-Supervised Correction Learning for Semi-Supervised Biomedical Image Segmentation [84.58210297703714]
  半教師付きバイオメディカルイメージセグメンテーションのための自己教師付き補正学習パラダイムを提案する。 共有エンコーダと2つの独立デコーダを含むデュアルタスクネットワークを設計する。 異なるタスクのための3つの医用画像分割データセットの実験により,本手法の優れた性能が示された。
  論文  参考訳（メタデータ） (2023-01-12T08:19:46Z)
• Mine yOur owN Anatomy: Revisiting Medical Image Segmentation with Extremely Limited Labels [54.58539616385138]
  我々は、Mine yOur owN Anatomy (MONA) と呼ばれる、新しい半教師付き2次元医用画像セグメンテーションフレームワークを紹介する。 まず、先行研究では、すべてのピクセルがモデルトレーニングに等しく重要であると論じており、我々はこの1つだけで意味のある解剖学的特徴を定義できないことを経験的に観察している。 第2に,医療画像を解剖学的特徴の集合に分解できるモデルを構築する。
  論文  参考訳（メタデータ） (2022-09-27T15:50:31Z)
• TraSeTR: Track-to-Segment Transformer with Contrastive Query for Instance-level Instrument Segmentation in Robotic Surgery [60.439434751619736]
  そこで我々は,TraSeTRを提案する。TraSeTR,TraSeTR,Trace-to-Segment Transformerは,手術器具のセグメンテーションを支援する。 TraSeTRは、機器の種類、位置、アイデンティティとインスタンスレベルの予測を共同で理由付けている。 提案手法の有効性を,3つの公開データセットに対して,最先端の計器型セグメンテーション結果を用いて実証した。
  論文  参考訳（メタデータ） (2022-02-17T05:52:18Z)
• Semi-supervised, Topology-Aware Segmentation of Tubular Structures from Live Imaging 3D Microscopy [6.2651370198971295]
  本稿では, バイオメディカルイメージングにおける2つの問題に対処する: セグメンテーションのトポロジ的一貫性, 限定アノテーション。 本研究では, 予測された真理セグメントと地上の真理セグメントの位相的および幾何学的整合性を測定するトポロジカルスコアを提案する。 本研究は, 乳房内管状構造を集束顕微鏡で観察し, 本研究の意義を検証した。
  論文  参考訳（メタデータ） (2021-05-20T13:35:44Z)
• Upgraded W-Net with Attention Gates and its Application in Unsupervised 3D Liver Segmentation [0.0]
  自動セグメンテーションのための教師なしディープラーニングに基づくアプローチを提案する。 我々はW-Netアーキテクチャを使用し、それを3Dボリュームに適用できるように修正した。 提案法は,手動セグメンテーションと比較して肝臓セグメンテーションに対するサイス係数0.88で有望な結果を示した。
  論文  参考訳（メタデータ） (2020-11-20T21:45:28Z)
• Disentangling Human Error from the Ground Truth in Segmentation of Medical Images [12.009437407687987]
  本稿では,純粋にノイズの多い観測のみから,個々のアノテータの信頼性,真のセグメンテーションラベル分布まで,共同学習手法を提案する。 本手法は,必要ならばシミュレートした3つの医用画像セグメンテーションデータセットと実際の多彩なアノテーションに対して有効であることを示す。
  論文  参考訳（メタデータ） (2020-07-31T11:03:12Z)
• Adaptive feature recombination and recalibration for semantic segmentation with Fully Convolutional Networks [57.64866581615309]
  完全畳み込みネットワークを用いたセマンティックセグメンテーションに適応した特徴の組換えと空間適応型再分類ブロックを提案する。 その結果、再結合と再校正は競争ベースラインの結果を改善し、3つの異なる問題にまたがって一般化することを示した。
  論文  参考訳（メタデータ） (2020-06-19T15:45:03Z)
• Robust Medical Instrument Segmentation Challenge 2019 [56.148440125599905]
  腹腔鏡装置の術中追跡は、しばしばコンピュータとロボットによる介入の必要条件である。 本研究の課題は,30の手術症例から取得した10,040枚の注釈画像からなる外科的データセットに基づいていた。 結果は、初期仮説、すなわち、アルゴリズムの性能がドメインギャップの増大とともに低下することを確認する。
  論文  参考訳（メタデータ） (2020-03-23T14:35:08Z)
• 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)

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。