論文の概要: Whole Brain Segmentation with Full Volume Neural Network
- arxiv url: http://arxiv.org/abs/2110.15601v1
- Date: Fri, 29 Oct 2021 08:00:14 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-01 15:01:48.962474
- Title: Whole Brain Segmentation with Full Volume Neural Network
- Title(参考訳): フルボリュームニューラルネットワークを用いた全脳セグメンテーション
- Authors: Yeshu Li, Jonathan Cui, Yilun Sheng, Xiao Liang, Jingdong Wang, Eric
I-Chao Chang and Yan Xu
- Abstract要約: 全脳のセグメンテーションは、脳全体の体積を解剖学的にラベル付けされた領域に分割する重要なタスクである。
既存のソリューションでは、通常、ボクセルを分類したり、スライスまたはサブボリュームを別々にラベル付けすることで、脳のイメージを分割する。
本稿では,全容積脳画像をセグメント化ネットワークに供給し,全容積のセグメント化結果を直接出力するフルボリュームフレームワークを提案する。
- 参考スコア(独自算出の注目度): 41.2566839481976
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Whole brain segmentation is an important neuroimaging task that segments the
whole brain volume into anatomically labeled regions-of-interest. Convolutional
neural networks have demonstrated good performance in this task. Existing
solutions, usually segment the brain image by classifying the voxels, or
labeling the slices or the sub-volumes separately. Their representation
learning is based on parts of the whole volume whereas their labeling result is
produced by aggregation of partial segmentation. Learning and inference with
incomplete information could lead to sub-optimal final segmentation result. To
address these issues, we propose to adopt a full volume framework, which feeds
the full volume brain image into the segmentation network and directly outputs
the segmentation result for the whole brain volume. The framework makes use of
complete information in each volume and can be implemented easily. An effective
instance in this framework is given subsequently. We adopt the $3$D
high-resolution network (HRNet) for learning spatially fine-grained
representations and the mixed precision training scheme for memory-efficient
training. Extensive experiment results on a publicly available $3$D MRI brain
dataset show that our proposed model advances the state-of-the-art methods in
terms of segmentation performance. Source code is publicly available at
https://github.com/microsoft/VoxHRNet.
- Abstract(参考訳): 脳のセグメンテーション全体は、脳のボリューム全体を解剖学的にラベル付けされた興味ある領域に分割する重要な神経イメージングタスクである。
畳み込みニューラルネットワークはこのタスクで優れた性能を示した。
既存のソリューションでは、通常はボクセルを分類したり、スライスまたはサブボリュームを別々にラベル付けしたりして脳画像を分割する。
その表現学習はボリューム全体の部分に基づいており、ラベル付けの結果は部分的セグメンテーションの集約によって生成される。
不完全な情報による学習と推論は、最適でない最終セグメンテーション結果をもたらす可能性がある。
これらの問題に対処するため,全容積脳画像をセグメント化ネットワークに供給し,全容積のセグメント化結果を直接出力するフルボリュームフレームワークを提案する。
このフレームワークは各ボリュームの完全な情報を利用し、容易に実装できる。
このフレームワークの効果的な例がその後与えられる。
空間的にきめ細かな表現を学習するための3ドルの高分解能ネットワーク(HRNet)と、メモリ効率のトレーニングのための混合精度トレーニングスキームを採用する。
3ドル(約3万2000円)のmri脳データセットの詳細な実験結果から,提案モデルがセグメンテーション性能の観点から最先端の手法を進歩させることが示された。
ソースコードはhttps://github.com/microsoft/VoxHRNetで公開されている。
関連論文リスト
- Contextual Embedding Learning to Enhance 2D Networks for Volumetric Image Segmentation [5.995633685952995]
2次元畳み込みニューラルネットワーク(CNN)は、体積データの空間的相関をほとんど利用できない。
本研究では,空間情報を適切にキャプチャする2次元CNNを実現するためのコンテキスト埋め込み学習手法を提案する。
提案手法では,学習した埋め込みとスライスワイズマッチングをソフトキューとして活用し,ネットワークを誘導する。
論文 参考訳(メタデータ) (2024-04-02T08:17:39Z) - Learning Multimodal Volumetric Features for Large-Scale Neuron Tracing [72.45257414889478]
オーバーセグメントニューロン間の接続を予測し,人間の作業量を削減することを目的としている。
最初はFlyTracingという名前のデータセットを構築しました。
本稿では,高密度なボリュームEM画像の埋め込みを生成するための,新しい接続性を考慮したコントラスト学習手法を提案する。
論文 参考訳(メタデータ) (2024-01-05T19:45:12Z) - Unsupervised Segmentation of Fetal Brain MRI using Deep Learning
Cascaded Registration [2.494736313545503]
従来の深層学習に基づく自動セグメンテーションは、グランドトラストラベルによる広範なトレーニングデータを必要とする。
ラベル付きデータに頼らずに複数の組織を正確にセグメンテーションするマルチアトラスセグメンテーションに基づく新しい手法を提案する。
提案手法では,3次元画像登録のためのカスケード深層学習ネットワークを用いて,移動画像への小さなインクリメンタルな変形を計算し,それを固定画像と正確に整合させる。
論文 参考訳(メタデータ) (2023-07-07T13:17:12Z) - 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) - Learning from partially labeled data for multi-organ and tumor
segmentation [102.55303521877933]
本稿では,トランスフォーマーに基づく動的オンデマンドネットワーク(TransDoDNet)を提案する。
動的ヘッドにより、ネットワークは複数のセグメンテーションタスクを柔軟に達成することができる。
我々はMOTSと呼ばれる大規模にラベル付けされたMulti-Organ and tumorベンチマークを作成し、他の競合相手よりもTransDoDNetの方が優れた性能を示す。
論文 参考訳(メタデータ) (2022-11-13T13:03:09Z) - EVC-Net: Multi-scale V-Net with Conditional Random Fields for Brain
Extraction [3.4376560669160394]
EVC-Netは各エンコーダブロックに低スケール入力を追加する。
条件付きランダムフィールドは、ネットワークの出力を洗練するための追加ステップとしてここで再導入される。
その結果、限られたトレーニングリソースであっても、EVC-Netはより高いDice CoefficientとJaccard Indexを達成することがわかった。
論文 参考訳(メタデータ) (2022-06-06T18:21:21Z) - UNet#: A UNet-like Redesigning Skip Connections for Medical Image
Segmentation [13.767615201220138]
シンボル#に類似した形状のUNet-sharp(UNet#)という,高密度スキップ接続とフルスケールスキップ接続を組み合わせた新しいネットワーク構造を提案する。
提案されたUNet#は、デコーダサブネットワークで異なるスケールの機能マップを集約し、詳細な詳細と大まかなセマンティクスをフルスケールから取得することができる。
論文 参考訳(メタデータ) (2022-05-24T03:40:48Z) - Generalized Organ Segmentation by Imitating One-shot Reasoning using
Anatomical Correlation [55.1248480381153]
そこで我々は,アノテーション付きオルガンクラスから一般化されたオルガン概念を学習し,その概念を未知のクラスに転送するOrganNetを提案する。
そこで,OrganNetは臓器形態の幅広い変化に効果的に抵抗でき,一発分節タスクで最先端の結果が得られることを示す。
論文 参考訳(メタデータ) (2021-03-30T13:41:12Z) - DoDNet: Learning to segment multi-organ and tumors from multiple
partially labeled datasets [102.55303521877933]
本稿では,複数の臓器と腫瘍を部分的にラベル付けしたデータセット上に分割する動的オンデマンドネットワーク(DoDNet)を提案する。
DoDNetは共有エンコーダデコーダアーキテクチャ、タスク符号化モジュール、動的畳み込みフィルタを生成するコントローラ、そして単一だが動的セグメンテーションヘッドで構成されている。
論文 参考訳(メタデータ) (2020-11-20T04:56:39Z) - Transfer Learning for Brain Tumor Segmentation [0.6408773096179187]
グリオーマは、化学療法や手術で治療される最も一般的な悪性脳腫瘍である。
近年のディープラーニングの進歩により、様々な視覚認識タスクに優れた畳み込みニューラルネットワークアーキテクチャが実現されている。
本研究では,事前学習した畳み込みエンコーダを用いてFCNを構築し,この方法でトレーニングプロセスを安定させ,ダイススコアやハウスドルフ距離に対する改善を実現することを示す。
論文 参考訳(メタデータ) (2019-12-28T12:45:34Z)
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。