論文の概要: UNet Architectures in Multiplanar Volumetric Segmentation -- Validated
on Three Knee MRI Cohorts
- arxiv url: http://arxiv.org/abs/2203.08194v1
- Date: Tue, 15 Mar 2022 18:45:58 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-18 10:02:05.655011
- Title: UNet Architectures in Multiplanar Volumetric Segmentation -- Validated
on Three Knee MRI Cohorts
- Title（参考訳）: 多平面ボリュームセグメンテーションにおけるUNetアーキテクチャー-3つの膝MRIコホートによる検証
- Authors: Sandeep Singh Sengara, Christopher Meulengrachtb, Mikael Ploug
Boesenb, Anders F{\o}hrby Overgaardb, Henrik Gudbergsenb, Janus Damm Nybingb,
Erik Bj{\o}rnager Dam
- Abstract要約: UNetは、2D医療画像の分割のための方法論的な金の標準である。
UNetのいくつかのバリエーションが提案され、有望な結果が得られた。
有望なUNet変種が一貫してUNetを上回っている場合、一般性を示すことができる。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: UNet has become the gold standard method for segmenting 2D medical images
that any new method must be validated against. However, in recent years,
several variations of the seminal UNet have been proposed with promising
results. However, there is no clear consensus on the generalisability of these
architectures, and UNet currently remains the methodological gold standard. The
purpose of this study was to evaluate some of the most promising UNet-inspired
architectures for 3D segmentation. For the segmentation of 3D scans,
UNet-inspired methods are also dominant, but there is a larger variety across
applications. By evaluating the architectures in a different dimensionality,
embedded in a different method, and for a different task, we aimed to evaluate
if any of these UNet-alternatives are promising as a new gold standard that
generalizes even better than UNet. Specifically, we investigated the
architectures as the central 2D segmentation core in the Multi-Planar Unet 3D
segmentation method that previously demonstrated excellent generalization in
the MICCAI Segmentation Decathlon. Generalisability can be demonstrated if a
promising UNet-variant consistently outperforms UNet in this setting. For this
purpose, we evaluated four architectures for cartilage segmentation from three
different cohorts with knee MRIs.
- Abstract（参考訳）: UNetは、新しい方法の検証が必要な2D医療画像のセグメンテーションのためのゴールドスタンダードメソッドとなっている。
しかし、近年では、有望な結果を得るためにいくつかの変種が提案されている。
しかしながら、これらのアーキテクチャの一般性については明確なコンセンサスがなく、UNetは現在、方法論的なゴールドスタンダードのままである。
本研究の目的は、3Dセグメンテーションのための最も有望なUNetアーキテクチャのいくつかを評価することである。
3Dスキャンのセグメンテーションでは、UNetにインスパイアされたメソッドも支配的だが、アプリケーションによって大きなバリエーションがある。
異なる次元でアーキテクチャを評価し、異なる手法に埋め込まれ、異なるタスクのために、これらのUNet代替品のいずれかがUNetよりもさらに良く一般化する新しいゴールド標準として有望であるかどうかを評価することを目的とした。
具体的には,miccaiセグメンテーションdecathlonにおいて優れた一般化を示したマルチプランナーunet3dセグメンテーション法において,中心となる2次元セグメンテーションコアとしてアーキテクチャを調査した。
一般性(generalisability)は、有望な unet-variant がこの設定で unet を一貫して上回れば証明できる。
そこで我々は, 膝関節MRIを用いた3種類のコホートから軟骨分節の4つの構造について検討した。
関連論文リスト
- Multi-Unit Floor Plan Recognition and Reconstruction Using Improved Semantic Segmentation of Raster-Wise Floor Plans [1.0436971860292366]
MDA-Unet と MACU-Net アーキテクチャに基づく2つの新しい画素分割手法を提案する。
提案手法は他の2つの最先端技術とベンチマークデータセットと比較した。
一般的なCubeCasaベンチマークデータセットでは,5つのクラスに対して平均F1スコアが0.86に達している。
論文 参考訳（メタデータ） (2024-08-02T18:36:45Z) - SegPoint: Segment Any Point Cloud via Large Language Model [62.69797122055389]
我々は,多種多様なタスクにまたがるポイントワイドセグメンテーションマスクを生成するSegPointと呼ばれるモデルを提案する。
SegPointは、単一のフレームワーク内でさまざまなセグメンテーションタスクに対処する最初のモデルである。
論文 参考訳（メタデータ） (2024-07-18T17:58:03Z) - SAI3D: Segment Any Instance in 3D Scenes [68.57002591841034]
新規なゼロショット3Dインスタンスセグメンテーション手法であるSAI3Dを紹介する。
我々の手法は3Dシーンを幾何学的プリミティブに分割し、段階的に3Dインスタンスセグメンテーションにマージする。
ScanNet、Matterport3D、さらに難しいScanNet++データセットに関する実証的な評価は、我々のアプローチの優位性を示している。
論文 参考訳（メタデータ） (2023-12-17T09:05:47Z) - Automated 3D Tumor Segmentation using Temporal Cubic PatchGAN (TCuP-GAN) [0.276240219662896]
テンポラルキューブPatchGAN(TCuP-GAN)は、畳み込み長短期記憶ネットワーク(LSTM)を用いた生成的特徴学習フレームワークの概念を結合したボリューム・ツー・ボリューム翻訳モデルである。
われわれは,4つのセグメンテーション課題 (Adult Glioma, Meningioma, Pediatric tumors, Sub-Saharan Africa) のデータに基づくTCuP-GANの有用性を実証した。
すべての課題にまたがって、堅牢なマルチクラスセグメンテーションマスクを予測するために、我々のフレームワークが成功したことを実証する。
論文 参考訳（メタデータ） (2023-11-23T18:37:26Z) - HKNAS: Classification of Hyperspectral Imagery Based on Hyper Kernel
Neural Architecture Search [104.45426861115972]
設計したハイパーカーネルを利用して,構造パラメータを直接生成することを提案する。
我々は1次元または3次元の畳み込みを伴う画素レベルの分類と画像レベルの分類を別々に行う3種類のネットワークを得る。
6つの公開データセットに関する一連の実験は、提案手法が最先端の結果を得ることを示した。
論文 参考訳（メタデータ） (2023-04-23T17:27:40Z) - Learning from Temporal Spatial Cubism for Cross-Dataset Skeleton-based
Action Recognition [88.34182299496074]
アクションラベルはソースデータセットでのみ利用可能だが、トレーニング段階のターゲットデータセットでは利用できない。
我々は,2つの骨格に基づく行動データセット間の領域シフトを低減するために,自己スーパービジョン方式を利用する。
時間的セグメントや人体部分のセグメンテーションとパーフォーミングにより、我々は2つの自己教師あり学習分類タスクを設計する。
論文 参考訳（メタデータ） (2022-07-17T07:05:39Z) - 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) - Segmentation of Macular Edema Datasets with Small Residual 3D U-Net
Architectures [5.881334886616738]
本稿では, 深部畳み込み型ニューラルネットワークの黄斑浮腫セグメンテーション問題への応用について検討する。
一般的な信念とは対照的に、このアプリケーション設定内のニューラルアーキテクチャは、大量のトレーニングサンプルを必要とせずに、目に見えないテストイメージ上での人間レベルのパフォーマンスに近いパフォーマンスを達成することができる。
論文 参考訳（メタデータ） (2020-05-10T15:34:46Z) - Evolutionary Multi Objective Optimization Algorithm for Community
Detection in Complex Social Networks [10.855626765597005]
ネットワーク内のコミュニティ構造を見つけるために,3目的の定式化の2つのバリエーションを提案する。
4つのベンチマークネットワークデータセットで実験を行う。
論文 参考訳（メタデータ） (2020-05-07T00:13:31Z) - 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) - Brain segmentation based on multi-atlas guided 3D fully convolutional
network ensembles [1.52292571922932]
構造磁気共鳴画像(MRI)から関心領域(ROI)を抽出するためのマルチアトラスガイド3次元完全畳み込みネットワーク(FCN)アンサンブルモデル(M-FCN)を提案し,検証した。
我々は、各ROIの3次元FCNモデルを、適応サイズのパッチとデコンボリューション層内の畳み込み層の組込み出力を用いて訓練し、局所的およびグローバルなコンテキストパターンをさらに捉えた。
その結果,提案手法はセグメンテーション性能に優れていた。
論文 参考訳（メタデータ） (2019-01-05T08:23:48Z)
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。