論文の概要: Segmenting Medical Instruments in Minimally Invasive Surgeries using
AttentionMask
- arxiv url: http://arxiv.org/abs/2203.11358v1
- Date: Mon, 21 Mar 2022 21:37:56 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-24 11:04:06.563001
- Title: Segmenting Medical Instruments in Minimally Invasive Surgeries using
AttentionMask
- Title(参考訳): AttentionMask を用いた最小侵襲サージェリーにおける医療機器のセグメンテーション
- Authors: Christian Wilms, Alexander Michael Gerlach, R\"udiger Schmitz, Simone
Frintrop
- Abstract要約: 我々は,オブジェクト提案生成システムであるAttentionMaskに適応し,将来的な提案を選択するための専用の後処理を提案する。
ROBUST-MIS Challenge 2019の結果から,適応型 AttentionMask システムは最先端のパフォーマンスを実現するための強力な基盤であることがわかった。
- 参考スコア(独自算出の注目度): 66.63753229115983
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Precisely locating and segmenting medical instruments in images of minimally
invasive surgeries, medical instrument segmentation, is an essential first step
for several tasks in medical image processing. However, image degradations,
small instruments, and the generalization between different surgery types make
medical instrument segmentation challenging. To cope with these challenges, we
adapt the object proposal generation system AttentionMask and propose a
dedicated post-processing to select promising proposals. The results on the
ROBUST-MIS Challenge 2019 show that our adapted AttentionMask system is a
strong foundation for generating state-of-the-art performance. Our evaluation
in an object proposal generation framework shows that our adapted AttentionMask
system is robust to image degradations, generalizes well to unseen types of
surgeries, and copes well with small instruments.
- Abstract(参考訳): 医療機器セグメンテーション(medical instrument segmentation, 医療機器セグメンテーション)は、医療画像処理におけるいくつかの課題において重要な第一歩である。
しかし, 画像劣化, 小型楽器, 各種手術種間の一般化は, 医療機器のセグメンテーションを困難にしている。
これらの課題に対処するために,オブジェクト提案生成システム attentionmask を適応させ,有望な提案を選択するための専用のポストプロセッシングを提案する。
ROBUST-MIS Challenge 2019の結果から,我々の適応型 AttentionMask システムは最先端のパフォーマンスを実現するための強力な基盤であることがわかった。
提案手法を用いた提案手法の評価から,アテンションマスクシステムは画像劣化に対して頑健であり,目に見えない種類の手術によく一般化し,小型機器にうまく対応できることを示した。
関連論文リスト
- Mask-Enhanced Segment Anything Model for Tumor Lesion Semantic
Segmentation [49.916468280857885]
Mask-Enhanced SAM (M-SAM) は3次元腫瘍病変の分節に適した革新的なアーキテクチャである。
本稿では,M-SAM内におけるMask-Enhanced Adapter (MEA) を提案する。
論文 参考訳(メタデータ) (2024-03-09T13:37:02Z) - AMLP:Adaptive Masking Lesion Patches for Self-supervised Medical Image
Segmentation [67.97926983664676]
自己監督型マスク画像モデリングは自然画像に対して有望な結果を示した。
しかし,このような手法を医用画像に直接適用することは依然として困難である。
適応型マスキング病変パッチ(AMLP)の自己管理型医用画像分割フレームワークを提案する。
論文 参考訳(メタデータ) (2023-09-08T13:18:10Z) - Visual-Kinematics Graph Learning for Procedure-agnostic Instrument Tip
Segmentation in Robotic Surgeries [29.201385352740555]
そこで我々は,様々な外科手術を施した楽器の先端を正確に分類する新しいビジュアル・キネマティクスグラフ学習フレームワークを提案する。
具体的には、画像とキネマティクスの両方から楽器部品のリレーショナル特徴を符号化するグラフ学習フレームワークを提案する。
クロスモーダル・コントラッシブ・ロスは、キネマティクスからチップセグメンテーションのイメージへの頑健な幾何学的先行を組み込むように設計されている。
論文 参考訳(メタデータ) (2023-09-02T14:52:58Z) - Disruptive Autoencoders: Leveraging Low-level features for 3D Medical
Image Pre-training [51.16994853817024]
本研究は、3Dラジオグラフィ画像のための効果的な事前学習フレームワークの設計に焦点をあてる。
ローカルマスキングと低レベルの摂動の組み合わせによって生成された破壊から、オリジナルのイメージを再構築しようとする事前トレーニングフレームワークであるDisruptive Autoencodersを紹介する。
提案する事前トレーニングフレームワークは、複数のダウンストリームタスクでテストされ、最先端のパフォーマンスを実現する。
論文 参考訳(メタデータ) (2023-07-31T17:59:42Z) - Text Promptable Surgical Instrument Segmentation with Vision-Language
Models [16.203166812021045]
そこで本研究では,手術器具の多様性と分化に関わる課題を克服するために,新たなテキストプロンプト可能な手術器具セグメンテーション手法を提案する。
我々は、事前訓練された画像とテキストエンコーダをモデルバックボーンとして利用し、テキストプロンプト可能なマスクデコーダを設計する。
いくつかの手術器具セグメンテーションデータセットの実験は、我々のモデルの優れた性能と有望な一般化能力を示す。
論文 参考訳(メタデータ) (2023-06-15T16:26:20Z) - Learning How To Robustly Estimate Camera Pose in Endoscopic Videos [5.073761189475753]
カメラポーズ推定における2つの幾何学的損失を最小限に抑えるために,奥行きと光学的流れを推定するステレオ内視鏡の解を提案する。
最も重要なことは、入力画像の内容に応じてコントリビューションのバランスをとるために、2つの学習された画素単位の重みマッピングを導入することである。
パブリックなSCAREDデータセットに対する我々のアプローチを検証するとともに、新たなインビボデータセットであるStereoMISを導入しています。
論文 参考訳(メタデータ) (2023-04-17T07:05:01Z) - Multimodal Semantic Scene Graphs for Holistic Modeling of Surgical
Procedures [70.69948035469467]
カメラビューから3Dグラフを生成するための最新のコンピュータビジョン手法を利用する。
次に,手術手順の象徴的,意味的表現を統一することを目的としたマルチモーダルセマンティックグラフシーン(MSSG)を紹介する。
論文 参考訳(メタデータ) (2021-06-09T14:35:44Z) - Contrastive Registration for Unsupervised Medical Image Segmentation [1.5125686694430571]
非教師型医用画像分割のための新しいコントラスト型登録アーキテクチャを提案する。
まず、教師なしの医用画像セグメントの登録により、画像から画像への変換パターンをキャプチャするアーキテクチャを提案する。
第2に,特徴レベルのネットワークの識別能力を高めるために,コントラスト学習機構を登録アーキテクチャに組み込む。
論文 参考訳(メタデータ) (2020-11-17T19:29:08Z) - Self-Supervision with Superpixels: Training Few-shot Medical Image
Segmentation without Annotation [12.47837000630753]
ほとんどショットのセマンティックセグメンテーションは医療画像の応用に大きな可能性を秘めている。
既存のFSS技術の多くは、トレーニングのために豊富な注釈付きセマンティッククラスを必要とする。
本稿では,医用画像に対する自己監督型FSSフレームワークを提案する。
論文 参考訳(メタデータ) (2020-07-20T04:46:33Z) - Robust Medical Instrument Segmentation Challenge 2019 [56.148440125599905]
腹腔鏡装置の術中追跡は、しばしばコンピュータとロボットによる介入の必要条件である。
本研究の課題は,30の手術症例から取得した10,040枚の注釈画像からなる外科的データセットに基づいていた。
結果は、初期仮説、すなわち、アルゴリズムの性能がドメインギャップの増大とともに低下することを確認する。
論文 参考訳(メタデータ) (2020-03-23T14:35:08Z)
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。