論文の概要: Conquering Data Variations in Resolution: A Slice-Aware Multi-Branch Decoder Network

• arxiv url: http://arxiv.org/abs/2203.03640v1
• Date: Mon, 7 Mar 2022 14:31:26 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-09 15:49:01.975779
• Title: Conquering Data Variations in Resolution: A Slice-Aware Multi-Branch Decoder Network
• Title（参考訳）: スライスアウェアマルチブランチデコーダネットワークによる解像度データのばらつきの克服
• Authors: Shuxin Wang, Shilei Cao, Zhizhong Chai, Dong Wei, Kai Ma, Liansheng Wang, Yefeng Zheng
• Abstract要約: 本研究は,スライス内分解能とスライス間分解能の比の幅広い変動を性能の重要な障害とみなす。 本研究では,各スライスに対して,平面内セマンティクスだけでなく,外面にもとづく特徴を抽出することを強調するスライス対応2.5Dネットワークを提案する。
• 参考スコア（独自算出の注目度）: 28.946037652152395
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Fully convolutional neural networks have made promising progress in joint liver and liver tumor segmentation. Instead of following the debates over 2D versus 3D networks (for example, pursuing the balance between large-scale 2D pretraining and 3D context), in this paper, we novelly identify the wide variation in the ratio between intra- and inter-slice resolutions as a crucial obstacle to the performance. To tackle the mismatch between the intra- and inter-slice information, we propose a slice-aware 2.5D network that emphasizes extracting discriminative features utilizing not only in-plane semantics but also out-of-plane coherence for each separate slice. Specifically, we present a slice-wise multi-input multi-output architecture to instantiate such a design paradigm, which contains a Multi-Branch Decoder (MD) with a Slice-centric Attention Block (SAB) for learning slice-specific features and a Densely Connected Dice (DCD) loss to regularize the inter-slice predictions to be coherent and continuous. Based on the aforementioned innovations, we achieve state-of-the-art results on the MICCAI 2017 Liver Tumor Segmentation (LiTS) dataset. Besides, we also test our model on the ISBI 2019 Segmentation of THoracic Organs at Risk (SegTHOR) dataset, and the result proves the robustness and generalizability of the proposed method in other segmentation tasks.
• Abstract（参考訳）: 完全畳み込みニューラルネットワークは、肝と肝腫瘍の分節において有望な進歩を遂げている。 本稿では,2次元ネットワークと3次元ネットワークの議論(例えば,大規模2次元事前学習と3次元コンテキストのバランスの追求)に従う代わりに,スライス内分解能とスライス間分解能の比率の広さが性能の重要な障害であることを示す。 本研究では,スライス内情報とスライス間情報とのミスマッチに対処するため,各スライスに対して,平面内セマンティクスだけでなく,面外コヒーレンスを利用した識別特徴の抽出を重視したスライス対応2.5Dネットワークを提案する。 具体的には、スライス特有の特徴を学習するためのslice-centric attention block(sab)を備えたマルチブランチデコーダ(md)と、コヒーレントで連続的なスライス間予測を規則化するdcd損失(dcd)を含む、このような設計パラダイムをインスタンス化するスライスワイズマルチインプットマルチアウトプットアーキテクチャを提案する。 上記のイノベーションに基づいて、MICCAI 2017 Liver tumor Segmentation (LiTS)データセットで最先端の結果を得る。 また,ISBI 2019 Segmentation of THoracic Organs at Risk (SegTHOR) データセット上で,提案手法が他のセグメンテーションタスクにおいて堅牢性および一般化可能であることを証明した。

関連論文リスト

• A Flexible 2.5D Medical Image Segmentation Approach with In-Slice and Cross-Slice Attention [13.895277069418045]
  任意の数のスライスで2.5D画像を処理できるフレキシブル2.5DセグメンテーションモデルであるCSA-Netを紹介する。 1)脳MRI,(2)バイナリ前立腺MRIのセグメンテーション,(3)マルチクラス前立腺MRIのセグメンテーションの3つのタスクについてCSA-Netを評価した。
  論文  参考訳（メタデータ） (2024-04-30T18:28:09Z)
• Dual-scale Enhanced and Cross-generative Consistency Learning for Semi-supervised Polyp Segmentation [52.06525450636897]
  大腸癌の早期診断と治療において, 自動ポリープセグメンテーションが重要な役割を担っている。 既存の手法は、完全に教師されたトレーニングに大きく依存しており、大量のラベル付きデータと時間を要するピクセル単位のアノテーションを必要とする。 大腸内視鏡画像からの半教師付きポリープ(DEC-Seg)のための新しいDual-scale Enhanced and Cross-generative consistency learningフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-12-26T12:56:31Z)
• Self-supervised learning via inter-modal reconstruction and feature projection networks for label-efficient 3D-to-2D segmentation [4.5206601127476445]
  ラベル効率のよい3D-to-2Dセグメンテーションのための新しい畳み込みニューラルネットワーク(CNN)と自己教師付き学習(SSL)手法を提案する。 異なるデータセットの結果から、提案されたCNNは、ラベル付きデータに制限のあるシナリオにおいて、Diceスコアの最大8%まで、アートの状態を著しく改善することが示された。
  論文  参考訳（メタデータ） (2023-07-06T14:16:25Z)
• Dual Multi-scale Mean Teacher Network for Semi-supervised Infection Segmentation in Chest CT Volume for COVID-19 [76.51091445670596]
  CT(Computed tomography)データから肺感染症を自動的に検出することは、COVID-19と戦う上で重要な役割を担っている。 現在の新型コロナウイルス感染症のセグメンテーションのほとんどは、主に3Dシーケンシャルな制約を欠いた2D CT画像に依存している。 既存の3次元CTセグメンテーション法では,3次元ボリュームにおける複数レベルの受容場サイズを達成できない単一スケールの表現に焦点が当てられている。
  論文  参考訳（メタデータ） (2022-11-10T13:11:21Z)
• 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)
• Semi-Supervised Hybrid Spine Network for Segmentation of Spine MR Images [14.190504802866288]
  半教師付き複合脊椎ネットワーク (SSHSNet) という2段階のアルゴリズムを提案し, 同時椎体 (VBs) と椎間板 (IVDs) のセグメンテーションを実現する。 まず,2次元半監督型DeepLabv3+をクロス擬似監督を用いて構築し,スライス内特徴と粗いセグメンテーションを得た。 2段目では、3Dフル解像度のパッチベースのDeepLabv3+がスライス間情報を抽出するために構築された。 その結果,提案手法はデータ不均衡問題に対処する上で大きな可能性を秘めていることがわかった。
  論文  参考訳（メタデータ） (2022-03-23T02:57:14Z)
• Cylindrical and Asymmetrical 3D Convolution Networks for LiDAR-based Perception [122.53774221136193]
  運転時のLiDARに基づく認識のための最先端の手法は、しばしば点雲を2D空間に投影し、2D畳み込みによって処理する。 自然な対策として、3Dボクセル化と3D畳み込みネットワークを利用する方法がある。 本研究では,3次元幾何学的パターンを探索するために,円筒状分割と非対称な3次元畳み込みネットワークを設計する,屋外LiDARセグメンテーションのための新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-09-12T06:25:11Z)
• PAENet: A Progressive Attention-Enhanced Network for 3D to 2D Retinal Vessel Segmentation [0.0]
  光コヒーレンス・トモグラフィー(OCTA)画像では3次元から2次元の網膜血管セグメンテーションは難しい問題である。 本稿では,多機能表現を抽出するアテンション機構に基づくプログレッシブ・アテンション・エンハンスメント・ネットワーク(PAENet)を提案する。 提案アルゴリズムは,従来の手法と比較して最先端性能を実現する。
  論文  参考訳（メタデータ） (2021-08-26T10:27:25Z)
• Multi-Slice Dense-Sparse Learning for Efficient Liver and Tumor Segmentation [4.150096314396549]
  ディープ畳み込みニューラルネットワーク(DCNN)は2次元および3次元の医用画像セグメンテーションにおいて大きな成功を収めている。 そこで我々は,DCNNを正規化するための入力として,密接な隣接スライスと疎隣接スライスを抽出するデータの観点から,新しい密集スプリストレーニングフローを提案する。 また、ネットワークの観点から2.5Dの軽量nnU-Netを設計し、その効率を向上させるために深度的に分離可能な畳み込みを採用する。
  論文  参考訳（メタデータ） (2021-08-15T15:29:48Z)
• TSGCNet: Discriminative Geometric Feature Learning with Two-Stream GraphConvolutional Network for 3D Dental Model Segmentation [141.2690520327948]
  2流グラフ畳み込みネットワーク(TSGCNet)を提案し、異なる幾何学的特性から多視点情報を学ぶ。 3次元口腔内スキャナーで得られた歯科モデルのリアルタイムデータセットを用いてTSGCNetの評価を行った。
  論文  参考訳（メタデータ） (2020-12-26T08:02:56Z)
• Unpaired Multi-modal Segmentation via Knowledge Distillation [77.39798870702174]
  本稿では,不対向画像分割のための新しい学習手法を提案する。 提案手法では,CTおよびMRI間での畳み込みカーネルの共有により,ネットワークパラメータを多用する。 我々は2つの多クラスセグメンテーション問題に対するアプローチを広範囲に検証した。
  論文  参考訳（メタデータ） (2020-01-06T20:03:17Z)

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。