論文の概要: Characterizing Renal Structures with 3D Block Aggregate Transformers
- arxiv url: http://arxiv.org/abs/2203.02430v1
- Date: Fri, 4 Mar 2022 17:00:14 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-07 17:31:20.044394
- Title: Characterizing Renal Structures with 3D Block Aggregate Transformers
- Title(参考訳): 3次元ブロック骨材トランスフォーマによる腎構造の特徴化
- Authors: Xin Yu, Yucheng Tang, Yinchi Zhou, Riqiang Gao, Qi Yang, Ho Hin Lee,
Thomas Li, Shunxing Bao, Yuankai Huo, Zhoubing Xu, Thomas A. Lasko, Richard
G. Abramson, and Bennett A. Landman
- Abstract要約: 造影CTで腎成分を分画する3Dブロックアグリゲーショントランスフォーマを用いた新しい手法を提案する。
腎サブ構造セグメンテーションデータセットの最初のコホートを,機関審査委員会(IRB)の承認のもと,116名の被験者で構築した。
本稿では, 3次元ブロック集約変換器を用いて, 自己アテンションを変更することなく, シーケンス表現間の局所的な通信を実現することを示す。
- 参考スコア(独自算出の注目度): 22.2526302216028
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Efficiently quantifying renal structures can provide distinct spatial context
and facilitate biomarker discovery for kidney morphology. However, the
development and evaluation of the transformer model to segment the renal
cortex, medulla, and collecting system remains challenging due to data
inefficiency. Inspired by the hierarchical structures in vision transformer, we
propose a novel method using a 3D block aggregation transformer for segmenting
kidney components on contrast-enhanced CT scans. We construct the first cohort
of renal substructures segmentation dataset with 116 subjects under
institutional review board (IRB) approval. Our method yields the
state-of-the-art performance (Dice of 0.8467) against the baseline approach of
0.8308 with the data-efficient design. The Pearson R achieves 0.9891 between
the proposed method and manual standards and indicates the strong correlation
and reproducibility for volumetric analysis. We extend the proposed method to
the public KiTS dataset, the method leads to improved accuracy compared to
transformer-based approaches. We show that the 3D block aggregation transformer
can achieve local communication between sequence representations without
modifying self-attention, and it can serve as an accurate and efficient
quantification tool for characterizing renal structures.
- Abstract(参考訳): 効率的な腎構造の定量化は、異なる空間的文脈を提供し、腎臓形態のバイオマーカー発見を促進することができる。
しかし, 腎皮質, 髄質, 収集系を分割するトランスフォーマモデルの開発と評価は, データの非効率性から依然として困難である。
視覚トランスフォーマの階層構造に触発されて,造影ctで腎臓成分を分節する3次元ブロックアグリゲーショントランスを用いた新しい手法を提案する。
施設評価委員会 (irb) の承認のもと, 116名の被験者による腎サブストラクチャーセグメンテーションデータセットの最初のコホートを構築した。
提案手法は,データ効率設計による0.8308のベースラインアプローチに対して,最先端性能(0.8467)が得られる。
Pearson R は提案手法と手動標準の間で 0.9891 を達成し,ボリューム解析における強い相関関係と再現性を示す。
提案手法をパブリックKiTSデータセットに拡張することにより,トランスフォーマーベースのアプローチと比較して精度が向上する。
3Dブロック集約変換器は、自己注意を変更せずに、配列表現間の局所的なコミュニケーションを実現することができ、腎構造を特徴付けるための正確かつ効率的な定量化ツールとして機能することを示す。
関連論文リスト
- SDR-Former: A Siamese Dual-Resolution Transformer for Liver Lesion
Classification Using 3D Multi-Phase Imaging [59.78761085714715]
本研究は肝病変分類のための新しいSDR-Formerフレームワークを提案する。
提案フレームワークは2つの臨床データセットに関する総合的な実験を通じて検証された。
科学コミュニティを支援するため,肝病変解析のための多段階MRデータセットを公開しています。
論文 参考訳(メタデータ) (2024-02-27T06:32:56Z) - CIS-UNet: Multi-Class Segmentation of the Aorta in Computed Tomography
Angiography via Context-Aware Shifted Window Self-Attention [10.335899694123711]
大動脈セグメンテーションのためのディープラーニングモデルであるContext Infused Swin-UNet(CIS-UNet)を紹介する。
CIS-UNetは、CNNエンコーダ、対称デコーダ、スキップ接続、新しいコンテキスト対応シフトウィンドウ自己認識(CSW-SA)をボトルネックブロックとする階層型エンコーダデコーダ構造を採用している。
CIS-UNetは,従来のSwinUNetRセグメンテーションモデルよりも優れた平均Dice係数0.713を達成し,コンピュータ断層撮影(CT)の訓練を行った。
論文 参考訳(メタデータ) (2024-01-23T19:17:20Z) - Two-View Topogram-Based Anatomy-Guided CT Reconstruction for Prospective
Risk Minimization [6.143855587452395]
GAN(Generative Adversarial Network)に基づくCT再構成モデルを提案する。
GANは3Dボリュームを前方と外側のCTプロジェクションから再構成するように訓練されている。
提案手法は,PSNRが26.49,RMSEが196.17,SSIMが0.64,SSIMが26.21,201.55,0.63でCTボリュームを再構成できる。
論文 参考訳(メタデータ) (2024-01-23T12:53:37Z) - A Hybrid Approach to Full-Scale Reconstruction of Renal Arterial Network [5.953404851562665]
腎血管ネットワークの主観的なモデルを構築するためのハイブリッドフレームワークを提案する。
我々は,大動脈の半自動分割と微小CTスキャンによる大脳皮質領域の推定を出発点として用いた。
ラット腎から得られた再建データと既存の解剖学的データとの統計的対応性を示した。
論文 参考訳(メタデータ) (2023-03-03T10:39:25Z) - 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) - Transformer based Generative Adversarial Network for Liver Segmentation [4.317557160310758]
本稿では,Transformer(s) とGenerative Adversarial Network (GAN) を組み合わせたハイブリッドアプローチを用いた新しいセグメンテーション手法を提案する。
我々のモデルは高いダイス係数0.9433、リコール0.9515、精度0.9376、その他のトランスフォーマーベースアプローチより優れていた。
論文 参考訳(メタデータ) (2022-05-21T19:55:43Z) - A unified 3D framework for Organs at Risk Localization and Segmentation
for Radiation Therapy Planning [56.52933974838905]
現在の医療ワークフローは、OAR(Organs-at-risk)のマニュアル記述を必要とする
本研究は,OARローカライゼーション・セグメンテーションのための統合された3Dパイプラインの導入を目的とする。
提案手法は医用画像に固有の3Dコンテキスト情報の活用を可能にする。
論文 参考訳(メタデータ) (2022-03-01T17:08:41Z) - CSformer: Bridging Convolution and Transformer for Compressive Sensing [65.22377493627687]
本稿では,CNNからの詳細な空間情報を活用するためのハイブリッドフレームワークと,表現学習の強化を目的としたトランスフォーマーが提供するグローバルコンテキストを統合することを提案する。
提案手法は、適応的なサンプリングとリカバリからなるエンドツーエンドの圧縮画像センシング手法である。
実験により, 圧縮センシングにおける専用トランスアーキテクチャの有効性が示された。
論文 参考訳(メタデータ) (2021-12-31T04:37:11Z) - Automatic size and pose homogenization with spatial transformer network
to improve and accelerate pediatric segmentation [51.916106055115755]
空間変換器ネットワーク(STN)を利用することにより、ポーズとスケール不変の新たなCNNアーキテクチャを提案する。
私たちのアーキテクチャは、トレーニング中に一緒に見積もられる3つのシーケンシャルモジュールで構成されています。
腹部CTスキャナーを用いた腎および腎腫瘍の分節法について検討した。
論文 参考訳(メタデータ) (2021-07-06T14:50:03Z) - Revisiting 3D Context Modeling with Supervised Pre-training for
Universal Lesion Detection in CT Slices [48.85784310158493]
CTスライスにおける普遍的病変検出のための3Dコンテキスト強化2D特徴を効率的に抽出するための修飾擬似3次元特徴ピラミッドネットワーク(MP3D FPN)を提案する。
新たな事前学習手法により,提案したMP3D FPNは,DeepLesionデータセット上での最先端検出性能を実現する。
提案された3Dプリトレーニングウェイトは、他の3D医療画像分析タスクのパフォーマンスを高めるために使用できる。
論文 参考訳(メタデータ) (2020-12-16T07:11:16Z) - Generative Modelling of 3D in-silico Spongiosa with Controllable
Micro-Structural Parameters [1.0804061924593265]
本稿では, シリコン中の現実的な骨構造を生成するために, 生成的対向ネットワークの最近の進歩を適用することを提案する。
最初のステップでは、ワッサーシュタインの目的と勾配のペナルティを用いて、累積生成モデルを漸進的に訓練した。
骨粗しょう症治療後の骨構造をシミュレートし, 骨粗しょうの治療効果について検討した。
論文 参考訳(メタデータ) (2020-09-23T18:11:47Z)
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。