Fugu-MT 論文翻訳(概要): Uncertainty-Aware Lung Nodule Segmentation with Multiple Annotations

論文の概要: Uncertainty-Aware Lung Nodule Segmentation with Multiple Annotations

arxiv url: http://arxiv.org/abs/2110.12372v1
Date: Sun, 24 Oct 2021 07:19:37 GMT
ステータス: 処理完了
システム内更新日: 2021-10-31 14:44:27.255898
Title: Uncertainty-Aware Lung Nodule Segmentation with Multiple Annotations
Title（参考訳）: 複数のアノテーションを付加した未確認肺結節切除
Authors: Qiuli Wang, Han Yang, Lu Shen, Mengke Zhang
Abstract要約: 本稿では,マルチブランチU-Netに基づく不確実性認識ネットワーク(UAS-Net)を提案する。セグメンテーションの不確実性を引き起こす可能性のある領域から、貴重な視覚的特徴を学ぶことができる。また、MCM(Multi-Confidence Mask)を同時に提供し、セグメンテーションの不確実性レベルが異なる領域を指摘できる。
参考スコア（独自算出の注目度）: 0.8602553195689513
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Since radiologists have different training and clinical experience, they may provide various segmentation maps for a lung nodule. As a result, for a specific lung nodule, some regions have a higher chance of causing segmentation uncertainty, which brings difficulty for lung nodule segmentation with multiple annotations. To address this problem, this paper proposes an Uncertainty-Aware Segmentation Network (UAS-Net) based on multi-branch U-Net, which can learn the valuable visual features from the regions that may cause segmentation uncertainty and contribute to a better segmentation result. Meanwhile, this network can provide a Multi-Confidence Mask (MCM) simultaneously, pointing out regions with different segmentation uncertainty levels. We introduce a Feature-Aware Concatenation structure for different learning targets and let each branch have a specific learning preference. Moreover, a joint adversarial learning process is also adopted to help learn discriminative features of complex structures. Experimental results show that our method can predict the reasonable regions with higher uncertainty and improve lung nodule segmentation performance in LIDC-IDRI.
Abstract（参考訳）: 放射線医は訓練と臨床経験が異なるため、肺結節に対する様々なセグメンテーションマップを提供することができる。その結果、特定の肺結節の場合、いくつかの領域は分節の不確実性を引き起こす確率が高く、複数のアノテーションによる肺結節分節が困難になる。この問題を解決するために,マルチブランチU-Netに基づく不確実性認識セグメンテーションネットワーク(UAS-Net)を提案し,セグメンテーションの不確実性を引き起こす可能性のある領域から貴重な視覚的特徴を学習し,セグメンテーション結果の向上に寄与する。一方、このネットワークはマルチ信頼マスク(MCM)を同時に提供でき、セグメンテーションの不確実性レベルが異なる領域を指摘できる。異なる学習目標に対して特徴認識結合構造を導入し,各分岐に特定の学習嗜好を持たせる。さらに,複合構造の識別的特徴を学習するために,協調学習プロセスも採用されている。その結果, LIDC-IDRIの肺結節区分け性能は, 高い不確実性を有する合理的領域を予測できることがわかった。

関連論文リスト

Ambiguous Medical Image Segmentation using Diffusion Models [60.378180265885945]
我々は,グループ洞察の分布を学習することで,複数の可算出力を生成する単一拡散モデルに基づくアプローチを提案する。提案モデルでは,拡散の固有のサンプリングプロセスを利用してセグメンテーションマスクの分布を生成する。その結果,提案手法は既存の最先端曖昧なセグメンテーションネットワークよりも優れていることがわかった。
論文参考訳（メタデータ） (2023-04-10T17:58:22Z)
MESAHA-Net: Multi-Encoders based Self-Adaptive Hard Attention Network with Maximum Intensity Projections for Lung Nodule Segmentation in CT Scan [6.266053305874546]
マルチエンコーダをベースとした自己適応型ハードアテンションネットワーク(MESAHA-Net)をCTスキャンの高精度な肺結節分割のための効率的なエンドツーエンドフレームワークとして提案する。 MESAHA-Netは、肺結節のスライス・バイ・スライス2Dセグメンテーションを反復的に行い、各スライス内の結節領域に着目して肺結節の3Dセグメンテーションを生成する。 LIDC-IDRIデータセットは,肺結節セグメンテーションのための最大公用データセットである。
論文参考訳（メタデータ） (2023-04-04T07:05:15Z)
Lung Nodule Segmentation and Uncertain Region Prediction with an Uncertainty-Aware Attention Mechanism [30.298653876400003]
放射線医は様々な訓練と臨床経験を持ち、肺結節の分節に変化をもたらす。従来の手法では、学習対象として単一のアノテーションを選択したり、複数のアノテーションからなる潜在空間を学習しようとするのが一般的である。本稿では,複数アノテーション間の一致や不一致を利用してセグメンテーションを改善する不確実性意識機構(UAAM)を提案する。
論文参考訳（メタデータ） (2023-03-15T07:31:55Z)
Multi-Modal Evaluation Approach for Medical Image Segmentation [4.989480853499916]
本稿では,異なるセグメンテーション手法の有効性を評価するために,新しいマルチモーダル評価(MME)手法を提案する。本稿では, 検出特性, 境界アライメント, 均一性, 総体積, 相対体積など, 関連性, 解釈可能な新しい特徴を紹介する。提案するアプローチはオープンソースで,使用することができる。
論文参考訳（メタデータ） (2023-02-08T15:31:33Z)
Reliable Joint Segmentation of Retinal Edema Lesions in OCT Images [55.83984261827332]
本稿では,信頼性の高いマルチスケールウェーブレットエンハンストランスネットワークを提案する。本研究では,ウェーブレット型特徴抽出器ネットワークとマルチスケール変圧器モジュールを統合したセグメンテーションバックボーンを開発した。提案手法は,他の最先端セグメンテーション手法と比較して信頼性の高いセグメンテーション精度を実現する。
論文参考訳（メタデータ） (2022-12-01T07:32:56Z)
A Deep Ensemble Learning Approach to Lung CT Segmentation for COVID-19 Severity Assessment [0.5512295869673147]
新型コロナウイルス患者の肺CTの分類的セグメンテーションに対する新しい深層学習手法を提案する。病理組織は正常な肺組織,非肺領域,および2つの異なる,しかし視覚的に類似した,病理組織に区分した。提案するフレームワークは,3つのCOVID-19データセットの競合結果と優れた一般化機能を実現する。
論文参考訳（メタデータ） (2022-07-05T21:28:52Z)
MS Lesion Segmentation: Revisiting Weighting Mechanisms for Federated Learning [92.91544082745196]
フェデレートラーニング(FL)は医用画像解析に広く用いられている。 FLのパフォーマンスは、多発性硬化症(MS)病変セグメンテーションタスクに制限される。 2つの効果的な再重み付け機構によるFLMS病変分割フレームワークを提案する。
論文参考訳（メタデータ） (2022-05-03T14:06:03Z)
Inconsistency-aware Uncertainty Estimation for Semi-supervised Medical Image Segmentation [92.9634065964963]
我々は、不確実性推定と個別の自己学習戦略に基づいて、新しい半教師付きセグメンテーションモデル、すなわち保守的ラディカルネットワーク(CoraNet)を提案する。現在の技術と比較すると、ColaNetは優れたパフォーマンスを示しています。
論文参考訳（メタデータ） (2021-10-17T08:49:33Z)
Multi-class probabilistic atlas-based whole heart segmentation method in cardiac CT and MRI [4.144197343838299]
本稿では,非剛性登録に基づく確率的アトラスを用いたマルチクラス全心セグメンテーションの枠組みを提案する。また,高い到達可能な相互情報を得るためのマルチレゾリューション戦略を利用した非剛性登録パイプラインを提案する。提案手法は,CTスキャンにおいて平均ボリュームオーバーラップ誤差が14.5 % であることを示す。
論文参考訳（メタデータ） (2021-02-03T01:02:09Z)
Few-shot Medical Image Segmentation using a Global Correlation Network with Discriminative Embedding [60.89561661441736]
医療画像分割のための新しい手法を提案する。深層畳み込みネットワークを用いた数ショット画像セグメンタを構築します。深層埋め込みの識別性を高め,同一クラスの特徴領域のクラスタリングを促進する。
論文参考訳（メタデータ） (2020-12-10T04:01:07Z)
Towards Cross-modality Medical Image Segmentation with Online Mutual Knowledge Distillation [71.89867233426597]
本稿では,あるモダリティから学習した事前知識を活用し,別のモダリティにおけるセグメンテーション性能を向上させることを目的とする。モーダル共有知識を徹底的に活用する新しい相互知識蒸留法を提案する。 MMWHS 2017, MMWHS 2017 を用いた多クラス心筋セグメンテーション実験の結果, CT セグメンテーションに大きな改善が得られた。
論文参考訳（メタデータ） (2020-10-04T10:25:13Z)

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。