論文の概要: Multiple Sclerosis Lesions Segmentation using Attention-Based CNNs in
FLAIR Images
- arxiv url: http://arxiv.org/abs/2201.01832v1
- Date: Wed, 5 Jan 2022 21:37:43 GMT
- ステータス: 処理完了
- システム内更新日: 2022-01-07 22:26:50.458194
- Title: Multiple Sclerosis Lesions Segmentation using Attention-Based CNNs in
FLAIR Images
- Title（参考訳）: FLAIR画像における注意型CNNを用いた多発性硬化病変の分離
- Authors: Mehdi SadeghiBakhi, Hamidreza Pourreza, Hamidreza Mahyar
- Abstract要約: 多発性硬化症(Multiple Sclerosis、MS)は、中枢神経系の病変を引き起こす自己免疫性脱髄性疾患である。
今のところ、病変の分断には多要素自動バイオメディカルアプローチが多用されている。
著者らは1つのモダリティ(FLAIR画像)を用いてMS病変を正確に分類する方法を提案する。
- 参考スコア（独自算出の注目度）: 0.2578242050187029
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: Objective: Multiple Sclerosis (MS) is an autoimmune, and demyelinating
disease that leads to lesions in the central nervous system. This disease can
be tracked and diagnosed using Magnetic Resonance Imaging (MRI). Up to now a
multitude of multimodality automatic biomedical approaches is used to segment
lesions which are not beneficial for patients in terms of cost, time, and
usability. The authors of the present paper propose a method employing just one
modality (FLAIR image) to segment MS lesions accurately. Methods: A patch-based
Convolutional Neural Network (CNN) is designed, inspired by 3D-ResNet and
spatial-channel attention module, to segment MS lesions. The proposed method
consists of three stages: (1) the contrast-limited adaptive histogram
equalization (CLAHE) is applied to the original images and concatenated to the
extracted edges in order to create 4D images; (2) the patches of size 80 * 80 *
80 * 2 are randomly selected from the 4D images; and (3) the extracted patches
are passed into an attention-based CNN which is used to segment the lesions.
Finally, the proposed method was compared to previous studies of the same
dataset. Results: The current study evaluates the model, with a test set of
ISIB challenge data. Experimental results illustrate that the proposed approach
significantly surpasses existing methods in terms of Dice similarity and
Absolute Volume Difference while the proposed method use just one modality
(FLAIR) to segment the lesions. Conclusions: The authors have introduced an
automated approach to segment the lesions which is based on, at most, two
modalities as an input. The proposed architecture is composed of convolution,
deconvolution, and an SCA-VoxRes module as an attention module. The results
show, the proposed method outperforms well compare to other methods.
- Abstract（参考訳）: 目的: 多発性硬化症(ms)は自己免疫疾患であり、中枢神経系の病変につながる脱髄性疾患である。
この疾患はMRI(Magnetic Resonance Imaging)を用いて追跡診断できる。
これまでのマルチモダリティ自動バイオメディカルアプローチは、コスト、時間、使用性の観点から患者にとって有益でない病変を分割するために用いられてきた。
本論文の著者らは,MS病変を正確に分類するために,1つのモダリティ(FLAIR画像)のみを用いる手法を提案する。
方法: パッチベースの畳み込みニューラルネットワーク(CNN)は、3D-ResNetと空間チャネルアテンションモジュールにインスパイアされて設計され、MS病変を分断する。
提案手法は,(1)原画像にコントラスト制限適応ヒストグラム等化(clahe)を施し,抽出されたエッジに連結して4d画像を作成する,(2)4d画像から大きさ80×80×80*2のパッチをランダムに選択する,(3)切除されたパッチを注意に基づくcnnに通過させる,の3段階からなる。
最後に,提案手法を同一データセットの先行研究と比較した。
結果: 本研究は, isibチャレンジデータのテストセットを用いて, モデルを評価する。
実験の結果,提案法が従来の方法を大幅に超えていることが明らかとなったが,提案法では病変の分節に1モード性(flair)のみを用いる。
結論: 著者らは、入力として少なくとも2つのモダリティに基づく病変を分割する自動アプローチを導入した。
提案するアーキテクチャは,コンボリューション,デコンボリューション,sca-voxresモジュールをアテンションモジュールとして構成する。
その結果,提案手法は他の手法と比較して優れていた。
関連論文リスト
- CT-based brain ventricle segmentation via diffusion Schrödinger Bridge without target domain ground truths [0.9720086191214947]
クリニカルCTスキャンによる高効率かつ正確な脳室分画は、腹腔鏡下手術のような緊急手術には不可欠である。
我々は,CTセグメント化の真偽を必要とせず,新しい不確実性に留意した心室分画法を導入する。
提案手法では拡散型Schr"odinger Bridgeと残像U-Netを併用し,画像診断とMRI検査を併用した。
論文 参考訳（メタデータ） (2024-05-28T15:17:58Z) - Diffusion Models for Counterfactual Generation and Anomaly Detection in Brain Images [39.94162291765236]
病気の画像の健全なバージョンを生成し,それを用いて画素単位の異常マップを得るための弱教師付き手法を提案する。
健常者を対象にした拡散モデルを用いて, サンプリングプロセスの各ステップで拡散拡散確率モデル (DDPM) と拡散拡散確率モデル (DDIM) を組み合わせる。
論文 参考訳（メタデータ） (2023-08-03T21:56:50Z) - 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) - Acute ischemic stroke lesion segmentation in non-contrast CT images
using 3D convolutional neural networks [0.0]
非コントラストCT脳画像における急性虚血性脳梗塞の容積分画を目的とした自動アルゴリズムを提案する。
我々のディープラーニングアプローチは、人気のある3D U-Net畳み込みニューラルネットワークアーキテクチャに基づいている。
論文 参考訳（メタデータ） (2023-01-17T10:39:39Z) - 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) - Med-DANet: Dynamic Architecture Network for Efficient Medical Volumetric
Segmentation [13.158995287578316]
我々は,Med-DANetという動的アーキテクチャネットワークを提案し,効率的な精度と効率のトレードオフを実現する。
入力された3次元MRIボリュームのスライス毎に,提案手法は決定ネットワークによってスライス固有の決定を学習する。
提案手法は, 従来の3次元MRI脳腫瘍セグメント化法と比較して, 同等あるいは良好な結果が得られる。
論文 参考訳（メタデータ） (2022-06-14T03:25:58Z) - Harmonizing Pathological and Normal Pixels for Pseudo-healthy Synthesis [68.5287824124996]
そこで本研究では,新しいタイプの識別器であるセグメンタを提案し,病変の正確な特定と擬似健康画像の視覚的品質の向上を図っている。
医用画像強調に生成画像を適用し,低コントラスト問題に対処するために拡張結果を利用する。
BraTSのT2モダリティに関する総合的な実験により、提案手法は最先端の手法よりも大幅に優れていることが示された。
論文 参考訳（メタデータ） (2022-03-29T08:41:17Z) - Explainable multiple abnormality classification of chest CT volumes with
AxialNet and HiResCAM [89.2175350956813]
本稿では,容積医用画像における多変量分類の課題について紹介する。
本稿では,複数のインスタンス学習型畳み込みニューラルネットワークであるAxialNetを提案する。
そして、HiResCAMと3D許容領域を利用した新しいマスクロスにより、モデルの学習を改善することを目指す。
論文 参考訳（メタデータ） (2021-11-24T01:14:33Z) - Modality Completion via Gaussian Process Prior Variational Autoencoders
for Multi-Modal Glioma Segmentation [75.58395328700821]
本稿では,患者スキャンに欠落するサブモダリティを1つ以上のインプットするために,MGP-VAE(Multi-modal Gaussian Process Prior Variational Autoencoder)を提案する。
MGP-VAEは、変分オートエンコーダ(VAE)に先立ってガウス過程(GP)を利用して、被験者/患者およびサブモダリティ相関を利用することができる。
4つのサブモダリティのうち2つ、または3つが欠落している脳腫瘍に対するMGP-VAEの適用性を示す。
論文 参考訳（メタデータ） (2021-07-07T19:06:34Z) - DFENet: A Novel Dimension Fusion Edge Guided Network for Brain MRI
Segmentation [0.0]
本稿では,2次元CNNと3次元CNNの特徴を融合させることにより,これらの要件を満たす新しいDFENetを提案する。
提案手法は, 既存の方法よりも頑健で正確であり, バイオメディカルな応用に頼ることができる。
論文 参考訳（メタデータ） (2021-05-17T15:43:59Z) - Cross-Modality Brain Tumor Segmentation via Bidirectional
Global-to-Local Unsupervised Domain Adaptation [61.01704175938995]
本論文では,UDAスキームに基づくBiGL(Bidirectional Global-to-Local)適応フレームワークを提案する。
具体的には、脳腫瘍をセグメント化するために、双方向画像合成およびセグメンテーションモジュールを提案する。
提案手法は, 最先端の非教師なし領域適応法を大きなマージンで上回っている。
論文 参考訳（メタデータ） (2021-05-17T10:11:45Z)
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。