論文の概要: SECP-Net: SE-Connection Pyramid Network of Organ At Risk Segmentation for Nasopharyngeal Carcinoma

• arxiv url: http://arxiv.org/abs/2112.14026v1
• Date: Tue, 28 Dec 2021 07:48:18 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-30 16:08:08.858551
• Title: SECP-Net: SE-Connection Pyramid Network of Organ At Risk Segmentation for Nasopharyngeal Carcinoma
• Title（参考訳）: secp-net:鼻咽頭癌に対するリスクセグメンテーションにおけるse-connection pyramid network
• Authors: Zexi Huang (1), Lihua Guo (1), Xin Yang (2), Sijuan Huang (2) ((1) School of Electronic and Information Engineering, South China University of Technology, (2) Sun Yat-sen University Cancer Center)
• Abstract要約: 深層学習モデルは医用画像セグメンテーションタスクに広く応用されている。 従来のディープニューラルネットワークは、グローバルおよびマルチサイズ情報の使用が欠如しているため、セグメンテーション時に性能が低下する。 本稿ではセグメンテーション性能を向上させるための新しいSE-Connection Pyramid Network(SECP-Net)を提案する。
• 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: Nasopharyngeal carcinoma (NPC) is a kind of malignant tumor. Accurate and automatic segmentation of organs at risk (OAR) of computed tomography (CT) images is clinically significant. In recent years, deep learning models represented by U-Net have been widely applied in medical image segmentation tasks, which can help doctors with reduction of workload and get accurate results more quickly. In OAR segmentation of NPC, the sizes of OAR are variable, especially, some of them are small. Traditional deep neural networks underperform during segmentation due to the lack use of global and multi-size information. This paper proposes a new SE-Connection Pyramid Network (SECP-Net). SECP-Net extracts global and multi-size information flow with se connection (SEC) modules and a pyramid structure of network for improving the segmentation performance, especially that of small organs. SECP-Net also designs an auto-context cascaded network to further improve the segmentation performance. Comparative experiments are conducted between SECP-Net and other recently methods on a dataset with CT images of head and neck. Five-fold cross validation is used to evaluate the performance based on two metrics, i.e., Dice and Jaccard similarity. Experimental results show that SECP-Net can achieve SOTA performance in this challenging task.
• Abstract（参考訳）: 鼻咽頭癌(NPC)は悪性腫瘍の一種である。 CT画像の危険臓器(OAR)の正確な自動分割は臨床的に重要である。 近年,u-netに代表される深層学習モデルが医用画像分割タスクに広く適用され,医師の作業負荷削減と精度向上に寄与している。 NPCのOARセグメンテーションでは、OARのサイズは可変であり、特にそのいくつかは小さい。 従来のディープニューラルネットワークは、グローバルおよびマルチサイズ情報の使用が欠如しているため、セグメンテーション時に性能が低下する。 本稿では,SE-Connection Pyramid Network (SECP-Net)を提案する。 secp-netはse接続(sec)モジュールによるグローバルおよびマルチサイズの情報フローとネットワークのピラミッド構造を抽出し、特に小器官のセグメンテーション性能を向上させる。 SECP-Netはセグメンテーション性能をさらに向上させるために自動コンテキストカスケードネットワークも設計した。 頭頸部CT画像を用いたデータセットにおけるSECP-Netと最近の他の手法の比較実験を行った。 5倍のクロス検証は、diceとjaccardの類似性という2つのメトリクスに基づいてパフォーマンスを評価するために使用される。 実験の結果,SECP-Netはこの課題に対してSOTAの性能を達成できることがわかった。

関連論文リスト

• MDFI-Net: Multiscale Differential Feature Interaction Network for Accurate Retinal Vessel Segmentation [3.152646316470194]
  本稿では,MDFI-Net という DPCN に基づく機能拡張型インタラクションネットワークを提案する。 提案したMDFI-Netは,公開データセットの最先端手法よりもセグメンテーション性能が優れている。
  論文  参考訳（メタデータ） (2024-10-20T16:42:22Z)
• Comparing Adversarial and Supervised Learning for Organs at Risk Segmentation in CT images [0.0]
  放射線治療ワークフローの重要な構成要素は、CTスキャンからのOrgan at Risk (OAR)セグメンテーションである。 本稿では,GAN(Generative Adversarial Networks)の性能について,CT画像からOARをセグメント化するための教師付き学習手法と比較して検討する。 結果は非常に有望であり、提案されたGANベースのアプローチがCNNベースのアプローチと似ているか、あるいは優れていることを示している。
  論文  参考訳（メタデータ） (2023-03-31T10:10:05Z)
• CaraNet: Context Axial Reverse Attention Network for Segmentation of Small Medical Objects [0.0]
  本稿では,小さなオブジェクトのセグメンテーション性能を改善するために,コンテキスト軸逆アテンションネットワーク(CaraNet)を提案する。 我々のCaraNetはDiceセグメンテーションの精度を最上位で達成し、その結果、小さな医療オブジェクトのセグメンテーションにおいてCaraNetの明確な優位性を示している。
  論文  参考訳（メタデータ） (2023-01-31T02:12:33Z)
• 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)
• 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)
• 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)
• CaraNet: Context Axial Reverse Attention Network for Segmentation of Small Medical Objects [0.0]
  本稿では,小さなオブジェクトのセグメンテーション性能を改善するために,コンテキスト軸予約注意ネットワーク(CaraNet)を提案する。 我々のCaraNetは、Diceのセグメンテーションの精度を最上位で達成していますが、小さな医療オブジェクトのセグメンテーションにおいて、明らかなアドバンテージも示しています。
  論文  参考訳（メタデータ） (2021-08-16T22:48:47Z)
• DONet: Dual Objective Networks for Skin Lesion Segmentation [77.9806410198298]
  本稿では,皮膚病変のセグメンテーションを改善するために,Dual Objective Networks (DONet) という,シンプルで効果的なフレームワークを提案する。 我々のDONetは2つの対称デコーダを採用し、異なる目標に近づくための異なる予測を生成する。 皮膚内視鏡画像における多種多様な病変のスケールと形状の課題に対処するために,再帰的コンテキスト符号化モジュール(RCEM)を提案する。
  論文  参考訳（メタデータ） (2020-08-19T06:02:46Z)
• Pairwise Relation Learning for Semi-supervised Gland Segmentation [90.45303394358493]
  病理組織像における腺分節に対するPRS2モデルを提案する。 このモデルはセグメンテーションネットワーク(S-Net)とペア関係ネットワーク(PR-Net)から構成される。 我々は,GlaSデータセットの最近の5つの手法とCRAGデータセットの最近の3つの手法を比較した。
  論文  参考訳（メタデータ） (2020-08-06T15:02:38Z)
• KiU-Net: Towards Accurate Segmentation of Biomedical Images using Over-complete Representations [59.65174244047216]
  本稿では,高次元にデータを投影するオーバーコンプリートアーキテクチャ(Ki-Net)を提案する。 このネットワークは、U-Netで拡張されると、小さな解剖学的ランドマークを分割する場合に大幅に改善される。 早期新生児の2次元超音波による脳解剖学的セグメント化の課題について検討した。
  論文  参考訳（メタデータ） (2020-06-08T18:59:24Z)

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。