論文の概要: NaviAirway: a bronchiole-sensitive deep learning-based airway
segmentation pipeline for planning of navigation bronchoscopy
- arxiv url: http://arxiv.org/abs/2203.04294v1
- Date: Tue, 8 Mar 2022 04:23:47 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-11 09:39:52.964914
- Title: NaviAirway: a bronchiole-sensitive deep learning-based airway
segmentation pipeline for planning of navigation bronchoscopy
- Title(参考訳): NaviAirway: 気管支鏡検査のための深層学習型気道セグメンテーションパイプライン
- Authors: Andong Wang, Terence Chi Chun Tam, Ho Ming Poon, Kun-Chang Yu, and
Wei-Ning Lee
- Abstract要約: ナビゲーション気管支鏡(Navigation bronchoscopy)は、医師が気管支鏡を被験者の気道に通して標的の肺病変を採取する、最小限の侵襲的な手術である。
コンピュータ・トモグラフィー(CT)スキャンから再構成した3次元気道ロードマップは,この手順の前提条件である。
NaviAirwayと呼ばれるディープラーニングベースのパイプラインを,4つの新しいコンポーネントを通じて,より微細な気管支の発見を行う。
- 参考スコア(独自算出の注目度): 3.7744002572669535
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Navigation bronchoscopy is a minimally invasive procedure in which doctors
pass a bronchoscope into a subject's airways to sample the target pulmonary
lesion. A three-dimensional (3D) airway roadmap reconstructed from Computer
Tomography (CT) scans is a prerequisite for this procedure, especially when the
target is distally located. Therefore, an accurate and efficient airway
segmentation algorithm is essential to reduce bronchoscopists' burden of
pre-procedural airway identification as well as patients' discomfort during the
prolonged procedure. However, airway segmentation remains a challenging task
because of the intrinsic complex tree-like structure, imbalanced sizes of
airway branches, potential domain shifts of CT scans, and few available labeled
images. To address these problems, we present a deep learning-based pipeline,
denoted as NaviAirway, which finds finer bronchioles through four major novel
components - feature extractor modules in model architecture design, a
bronchiole-sensitive loss function, a human-vision-inspired iterative training
strategy, and a semi-supervised learning framework to utilize unlabeled CT
images. Experimental results showed that NaviAirway outperformed existing
methods, particularly in identification of higher generation bronchioles and
robustness to new CT scans. On average, NaviAirway takes five minutes to
segment the CT scans of one patient on a GPU-embedded computer. Moreover, we
propose two new metrics to complement conventional ones for a more
comprehensive and fairer evaluation of deep learning-based airway segmentation
approaches. The code is publicly available on
https://github.com/AntonotnaWang/NaviAirway.
- Abstract(参考訳): ナビゲーション気管支鏡(navigation bronchoscopy)は、患者の気道に気管支鏡を通し、対象の肺病変を採取する、最小限の侵襲的手術である。
コンピュータ・トモグラフィー(CT)スキャンから再構成した3次元の気道ロードマップは、特に標的が離れた位置にある場合、この手順の前提条件である。
したがって, 気管支科医のプロシージャ前気道識別に対する負担軽減と, 長期経過中の患者の不快感を軽減するために, 正確かつ効率的な気道分割アルゴリズムが不可欠である。
しかし、本質的な複雑な木のような構造、気道枝の大きさの不均衡、CTスキャンの潜在的な領域シフト、利用可能なラベル付き画像が少ないため、気道セグメンテーションは依然として困難な課題である。
そこで本研究では,モデルアーキテクチャ設計における特徴抽出モジュール,ブロンキオール感応的損失関数,人間ビジョンに触発された反復的トレーニング戦略,ラベルのないCT画像を利用するための半教師付き学習フレームワーク,という,4つの新しいコンポーネントを通じて,より微細な気管支拡張を行うNaviAirwayというディープラーニングベースのパイプラインを提案する。
実験の結果,NaviAirwayは既存の方法よりも優れており,特に新しいCTスキャンに対する高次気管支の同定と堅牢性を示した。
NaviAirwayは平均5分で、1人の患者のCTスキャンをGPU内蔵コンピューターに分割する。
さらに,より包括的かつ公平な評価のために,従来の手法を補完する2つの新しい指標を提案する。
コードはhttps://github.com/AntonotnaWang/NaviAirwayで公開されている。
関連論文リスト
- TopoSD: Topology-Enhanced Lane Segment Perception with SDMap Prior [70.84644266024571]
我々は、標準定義地図(SDMaps)を見るために知覚モデルを訓練することを提案する。
我々はSDMap要素をニューラル空間マップ表現やインスタンストークンにエンコードし、先行情報のような補完的な特徴を組み込む。
レーンセグメント表現フレームワークに基づいて、モデルはレーン、中心線、およびそれらのトポロジを同時に予測する。
論文 参考訳(メタデータ) (2024-11-22T06:13:42Z) - Two-stage Contextual Transformer-based Convolutional Neural Network for
Airway Extraction from CT Images [17.45239343953272]
CT画像を用いた気道セグメンテーションのための新しい2段階3次元コンテクスト変換器U-Netを提案する。
この方法は2つの段階から構成され、初期および改良された気道セグメンテーションを実行する。
第1段階では、サブネットに全気道マスクとCT画像が設けられ、サブネットに肺内マスクと対応するCTスキャンが提供される。
論文 参考訳(メタデータ) (2022-12-15T08:18:37Z) - A CT-Based Airway Segmentation Using U$^2$-net Trained by the Dice Loss
Function [0.0]
我々は,多地点CTスキャンから気道木をモデル化するために,Dice損失関数によって訓練されたU$2$-netを用いる。
トレーニングから導出された唾液度確率マップを検証データに適用し、対応する気道木を抽出する。
論文 参考訳(メタデータ) (2022-09-22T05:57:33Z) - Fuzzy Attention Neural Network to Tackle Discontinuity in Airway
Segmentation [67.19443246236048]
気道セグメンテーションは肺疾患の検査、診断、予後に重要である。
いくつかの小型の気道支線(気管支や終端など)は自動セグメンテーションの難しさを著しく増す。
本稿では,新しいファジィアテンションニューラルネットワークと包括的損失関数を備える,気道セグメンテーションの効率的な手法を提案する。
論文 参考訳(メタデータ) (2022-09-05T16:38:13Z) - Airway Tree Modeling Using Dual-channel 3D UNet 3+ with Vesselness Prior [1.471992435706872]
肺気道ツリーモデリングは肺疾患の診断、特にX線CT(CT)に必須である
本研究では,Frangiフィルタ[5]とUNet 3+[11]を組み合わせて,デュアルチャネルUNet 3+を開発する。
論文 参考訳(メタデータ) (2022-08-30T03:16:19Z) - An Empirical Study of Remote Sensing Pretraining [117.90699699469639]
本研究では,空中画像におけるリモートセンシング事前訓練(RSP)の実証的研究を行った。
RSPは、シーン認識タスクで特有のパフォーマンスを提供するのに役立つ。
RSPは、従来のイメージネットがRS画像に事前学習する際のデータ格差を緩和するが、それでもタスクの相違に悩まされる可能性がある。
論文 参考訳(メタデータ) (2022-04-06T13:38:11Z) - Polyline Based Generative Navigable Space Segmentation for Autonomous
Visual Navigation [57.3062528453841]
ロボットが教師なしの方法で移動可能な空間分割を学習できるようにするための表現学習ベースのフレームワークを提案する。
提案するPSV-Netは,単一のラベルを使わずとも,高精度で視覚ナビゲーション可能な空間を学習可能であることを示す。
論文 参考訳(メタデータ) (2021-10-29T19:50:48Z) - SPIN Road Mapper: Extracting Roads from Aerial Images via Spatial and
Interaction Space Graph Reasoning for Autonomous Driving [64.10636296274168]
道路抽出は、自律航法システムを構築するための重要なステップである。
この問題に対して単に畳み込みニューラルネットワーク(ConvNets)を使用することは、画像内の道路セグメント間の遠い依存関係をキャプチャする非効率であるため、効果がない。
本研究では,ConvNetに接続した時,特徴写像から投影された空間空間および相互作用空間上に構築されたグラフの推論を行う空間空間グラフ推論(SPIN)モジュールを提案する。
論文 参考訳(メタデータ) (2021-09-16T03:52:17Z) - Coarse-to-fine Airway Segmentation Using Multi information Fusion
Network and CNN-based Region Growing [6.357411132360318]
周囲の枝や複雑な木のような構造の低コントラストは、気道セグメンテーションの2つの主要な課題として残っている。
近年の研究では、深層学習手法がセグメンテーションタスクにおいてうまく機能していることが示されている。
完全な気道木を得るために, 粗粒分断フレームワークを提案する。
論文 参考訳(メタデータ) (2021-02-25T09:51:30Z) - Learning Tubule-Sensitive CNNs for Pulmonary Airway and Artery-Vein
Segmentation in CT [45.93021999366973]
肺気道,動脈,静脈の分節に対する畳み込みニューラルネットワーク(CNN)の訓練は困難である。
コントラスト非造影CTにおいて,CNNによる正確な気道および動脈静脈分画法を提案する。
細気管支、動脈、静脈に対して優れた感受性を有する。
論文 参考訳(メタデータ) (2020-12-10T15:56:08Z)
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。