論文の概要: Feature Aggregation and Refinement Network for 2D AnatomicalLandmark Detection

• arxiv url: http://arxiv.org/abs/2111.00659v1
• Date: Mon, 1 Nov 2021 02:16:13 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-02 15:36:58.517155
• Title: Feature Aggregation and Refinement Network for 2D AnatomicalLandmark Detection
• Title（参考訳）: 2次元解剖学的ランドマーク検出のための特徴集約と細分化ネットワーク
• Authors: Yueyuan Ao and Hong Wu
• Abstract要約: 本稿では,解剖学的ランドマークの自動検出のための,特徴集約・改善ネットワーク(FARNet)を提案する。 我々のネットワークは3つの公開解剖学的ランドマーク検出データセットで評価されている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Localization of anatomical landmarks is essential for clinical diagnosis, treatment planning, and research. In this paper, we propose a novel deep network, named feature aggregation and refinement network (FARNet), for the automatic detection of anatomical landmarks. To alleviate the problem of limited training data in the medical domain, our network adopts a deep network pre-trained on natural images as the backbone network and several popular networks have been compared. Our FARNet also includes a multi-scale feature aggregation module for multi-scale feature fusion and a feature refinement module for high-resolution heatmap regression. Coarse-to-fine supervisions are applied to the two modules to facilitate the end-to-end training. We further propose a novel loss function named Exponential Weighted Center loss for accurate heatmap regression, which focuses on the losses from the pixels near landmarks and suppresses the ones from far away. Our network has been evaluated on three publicly available anatomical landmark detection datasets, including cephalometric radiographs, hand radiographs, and spine radiographs, and achieves state-of-art performances on all three datasets. Code is available at: \url{https://github.com/JuvenileInWind/FARNet}
• Abstract（参考訳）: 解剖学的ランドマークの局在は臨床診断、治療計画、研究に不可欠である。 本稿では,解剖学的ランドマークの自動検出のための,FARNet(Feature aggregate and refinement Network)という新しいディープネットワークを提案する。 医療領域における限られたトレーニングデータの問題を緩和するため,本ネットワークでは,自然画像に事前学習したディープネットワークをバックボーンネットワークとして採用し,いくつかの人気ネットワークを比較した。 我々のFARNetには、マルチスケール機能融合のためのマルチスケール機能集約モジュールと、高分解能熱マップ回帰のための機能改善モジュールが含まれています。 粗大な監督が2つのモジュールに適用され、エンドツーエンドのトレーニングが促進される。 さらに,高精度ヒートマップ回帰のための指数重み付き中心損失という新しい損失関数を提案し,ランドマーク近傍の画素の損失に着目し,遠方からの損失を抑制する。 本研究のネットワークは,頭部X線写真,手指X線写真,脊椎X線写真を含む3つの解剖学的ランドマーク検出データセットで評価され,3つのデータセットすべてで最先端のパフォーマンスが達成されている。 コードは以下の通り。 \url{https://github.com/JuvenileInWind/FARNet}

関連論文リスト

• Framework for lung CT image segmentation based on UNet++ [0.4915744683251151]
  先進的なUNet++モデルをマージする新しいプロセス網を提案する。 多様な手法を取り入れることで、トレーニング結果は類似の作業に対して大きな優位性を示す。 肺スライスCT像を最初に対象としたネットワークとして,我々のネットワークは注目に値する。
  論文  参考訳（メタデータ） (2025-01-05T03:23:39Z)
• AttResDU-Net: Medical Image Segmentation Using Attention-based Residual Double U-Net [0.0]
  本稿では,既存の医用画像セグメンテーションネットワークを改善したアテンションベース残留Double U-Netアーキテクチャ(AttResDU-Net)を提案する。 CVC clinic-DB、ISIC 2018、2018 Data Science Bowlの3つのデータセットで実験を行い、それぞれ94.35%、91.68%、92.45%のDice Coefficientスコアを得た。
  論文  参考訳（メタデータ） (2023-06-25T14:28:08Z)
• 3D Medical Point Transformer: Introducing Convolution to Attention Networks for Medical Point Cloud Analysis [21.934221178688116]
  医療点雲,すなわち3次元医療点変換器(DMedPT)のための注意モデルを提案する。 コンテクスト情報の拡大とクエリでのローカルレスポンスの要約により、我々のアテンションモジュールは、ローカルコンテキストとグローバルコンテンツ機能インタラクションの両方をキャプチャできる。 IntrAデータセットを用いて行った実験は、3DMedPTの優位性を証明し、最も優れた分類とセグメンテーション結果を得る。
  論文  参考訳（メタデータ） (2021-12-09T12:31:28Z)
• Topological obstructions in neural networks learning [67.8848058842671]
  損失勾配関数フローのグローバル特性について検討する。 損失関数とそのモースコンプレックスの位相データ解析を用いて,損失面の大域的特性と勾配軌道に沿った局所的挙動を関連付ける。
  論文  参考訳（メタデータ） (2020-12-31T18:53:25Z)
• PC-RGNN: Point Cloud Completion and Graph Neural Network for 3D Object Detection [57.49788100647103]
  LiDARベースの3Dオブジェクト検出は、自動運転にとって重要なタスクです。 現在のアプローチでは、遠方および閉ざされた物体の偏りと部分的な点雲に苦しむ。 本稿では,この課題を2つの解決法で解決する新しい二段階アプローチ,pc-rgnnを提案する。
  論文  参考訳（メタデータ） (2020-12-18T18:06:43Z)
• 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)
• Ventral-Dorsal Neural Networks: Object Detection via Selective Attention [51.79577908317031]
  我々はVDNet(Ventral-Dorsal Networks)と呼ばれる新しいフレームワークを提案する。 人間の視覚システムの構造にインスパイアされた我々は「Ventral Network」と「Dorsal Network」の統合を提案する。 実験の結果,提案手法は最先端の物体検出手法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） (2020-05-15T23:57:36Z)
• AutoHR: A Strong End-to-end Baseline for Remote Heart Rate Measurement with Neural Searching [76.4844593082362]
  既存のエンド・ツー・エンドのネットワークが難易度が低い理由を考察し,アーキテクチャ・サーチ(NAS)を用いたリモートHR計測のための強力なベースラインを確立する。 総合的な実験は、時間内テストとクロスデータセットテストの両方で3つのベンチマークデータセットで実施される。
  論文  参考訳（メタデータ） (2020-04-26T05:43:21Z)
• Structured Landmark Detection via Topology-Adapting Deep Graph Learning [75.20602712947016]
  解剖学的顔と医学的ランドマーク検出のための新しいトポロジ適応深層グラフ学習手法を提案する。 提案手法は局所像特徴と大域形状特徴の両方を利用するグラフ信号を構成する。 3つの公開顔画像データセット(WFLW、300W、COFW-68)と3つの現実世界のX線医学データセット(ケパロメトリ、ハンド、ペルビス)で実験を行った。
  論文  参考訳（メタデータ） (2020-04-17T11:55:03Z)
• Volumetric landmark detection with a multi-scale shift equivariant neural network [16.114319747246334]
  本稿では,3次元画像における高速かつメモリ効率の高いランドマーク検出を実現するマルチスケールのエンドツーエンドディープラーニング手法を提案する。 今回我々は,263個のCT上における頸動脈分岐検出法について検討し,平均ユークリッド距離2.81mmで最先端の精度を実現した。
  論文  参考訳（メタデータ） (2020-03-03T17:06:19Z)
• Residual Block-based Multi-Label Classification and Localization Network with Integral Regression for Vertebrae Labeling [4.867669606257232]
  既存の方法は、主に複数のニューラルネットワークの統合に基づいており、そのほとんどは、ガウス熱マップを用いて椎骨のセンチロイドを探索している。 本研究では,CTスキャンにおける脊椎座標のエンドツーエンド差分訓練について,頑健かつ高精度な自動椎体ラベル付けアルゴリズムを提案する。 提案手法は挑戦的なデータセット上で評価され,その結果は最先端の手法よりもはるかに優れている。
  論文  参考訳（メタデータ） (2020-01-01T09:16:10Z)

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。