論文の概要: Semi-Supervised Hybrid Spine Network for Segmentation of Spine MR Images
- arxiv url: http://arxiv.org/abs/2203.12151v1
- Date: Wed, 23 Mar 2022 02:57:14 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-24 13:49:48.723668
- Title: Semi-Supervised Hybrid Spine Network for Segmentation of Spine MR Images
- Title（参考訳）: Spine MR画像の分割のための半教師付きハイブリッドスピンネットワーク
- Authors: Meiyan Huang, Shuoling Zhou, Xiumei Chen, Haoran Lai, Qianjin Feng
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 14.190504802866288
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Automatic segmentation of vertebral bodies (VBs) and intervertebral discs
(IVDs) in 3D magnetic resonance (MR) images is vital in diagnosing and treating
spinal diseases. However, segmenting the VBs and IVDs simultaneously is not
trivial. Moreover, problems exist, including blurry segmentation caused by
anisotropy resolution, high computational cost, inter-class similarity and
intra-class variability, and data imbalances. We proposed a two-stage
algorithm, named semi-supervised hybrid spine network (SSHSNet), to address
these problems by achieving accurate simultaneous VB and IVD segmentation. In
the first stage, we constructed a 2D semi-supervised DeepLabv3+ by using cross
pseudo supervision to obtain intra-slice features and coarse segmentation. In
the second stage, a 3D full-resolution patch-based DeepLabv3+ was built. This
model can be used to extract inter-slice information and combine the coarse
segmentation and intra-slice features provided from the first stage. Moreover,
a cross tri-attention module was applied to compensate for the loss of
inter-slice and intra-slice information separately generated from 2D and 3D
networks, thereby improving feature representation ability and achieving
satisfactory segmentation results. The proposed SSHSNet was validated on a
publicly available spine MR image dataset, and remarkable segmentation
performance was achieved. Moreover, results show that the proposed method has
great potential in dealing with the data imbalance problem. Based on previous
reports, few studies have incorporated a semi-supervised learning strategy with
a cross attention mechanism for spine segmentation. Therefore, the proposed
method may provide a useful tool for spine segmentation and aid clinically in
spinal disease diagnoses and treatments. Codes are publicly available at:
https://github.com/Meiyan88/SSHSNet.
- Abstract（参考訳）: 3次元磁気共鳴(MR)画像における椎体(VBs)と椎間板(IVDs)の自動分画は脊椎疾患の診断・治療に不可欠である。
しかし、VBとIVDを同時に分割することは自明ではない。
さらに、異方性分解によるぼやけたセグメンテーション、高い計算コスト、クラス間類似性とクラス内変動性、データ不均衡といった問題も存在する。
我々は,これらの問題に対して,VBとIVDの同時分割を高精度に実現し,半教師付きハイブリッドスピネルネットワーク(SSHSNet)という2段階のアルゴリズムを提案した。
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。
第2段階では、3Dフル解像度のパッチベースのDeepLabv3+が製造された。
このモデルは、スライス間情報を抽出し、第1段階から提供される粗いセグメンテーションとスライス内特徴を組み合わせるために使用できる。
さらに、2dおよび3dネットワークから別々に生成されたスライス間情報およびスライス内情報の損失を補償するためにクロストリアテンションモジュールを適用し、特徴表現能力を改善し、良好なセグメンテーション結果を得た。
提案したSSHSNetはスピンMR画像データセットで検証され,顕著なセグメンテーション性能が得られた。
また,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。
前回の報告に基づいて、脊椎分割のためのクロスアテンション機構を備えた半教師付き学習戦略を組み込んだ研究はほとんどない。
したがって, 脊椎疾患の診断や治療において, 脊椎分節や補助に有用なツールを提供することができる。
コードはhttps://github.com/Meiyan88/SSHSNet.comで公開されている。
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) - Dual-scale Enhanced and Cross-generative Consistency Learning for Semi-supervised Medical Image Segmentation [49.57907601086494]
医用画像のセグメンテーションはコンピュータ支援診断において重要な役割を担っている。
半教師型医用画像(DEC-Seg)のための新しいDual-scale Enhanced and Cross-generative consistency learning frameworkを提案する。
論文 参考訳（メタデータ） (2023-12-26T12:56:31Z) - CORPS: Cost-free Rigorous Pseudo-labeling based on Similarity-ranking
for Brain MRI Segmentation [3.1657395760137406]
本稿では,新しいアトラスを用いた擬似ラベル法と3次元脳MRI分割のための3次元深部畳み込みニューラルネットワーク(DCNN)に基づく半教師付きセグメンテーションフレームワークを提案する。
実験により, 定性的, 定量的に比較して, 提案手法の優位性を示した。
論文 参考訳（メタデータ） (2022-05-19T14:42:49Z) - 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) - Conquering Data Variations in Resolution: A Slice-Aware Multi-Branch
Decoder Network [28.946037652152395]
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。
論文 参考訳（メタデータ） (2022-03-07T14:31:26Z) - 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) - Volumetric Medical Image Segmentation: A 3D Deep Coarse-to-fine
Framework and Its Adversarial Examples [74.92488215859991]
本稿では,これらの課題に効果的に取り組むために,新しい3Dベースの粗粒度フレームワークを提案する。
提案した3Dベースのフレームワークは、3つの軸すべてに沿ってリッチな空間情報を活用できるため、2Dよりも大きなマージンで優れている。
我々は,3つのデータセット,NIH膵データセット,JHMI膵データセット,JHMI病理嚢胞データセットについて実験を行った。
論文 参考訳（メタデータ） (2020-10-29T15:39:19Z) - Fully Automatic Intervertebral Disc Segmentation Using Multimodal 3D
U-Net [12.619402990144922]
本稿では,MRI画像からIVDを分割する3次元U-Netに基づく新しい畳み込みフレームワークを提案する。
まず、各脊椎標本において椎間板の中心を局在させ、その後、局所化された椎間板を中心とした小体積の収穫に基づいてネットワークを訓練する。
論文 参考訳（メタデータ） (2020-09-28T18:58:24Z) - DDU-Nets: Distributed Dense Model for 3D MRI Brain Tumor Segmentation [27.547646527286886]
分散高密度接続(DDC)の3つのパターンが提案され,CNNの機能再利用と伝播が促進される。
DDC(DDU-Nets)を組み込んだCNNベースのモデルでは,3次元MR画像から脳腫瘍をよりよく検出し,セグメンテーションするために,ピクセルからピクセルへの効率よくトレーニングを行う。
提案手法はBraTS 2019データセットで評価され,DDU-Netsの有効性が示された。
論文 参考訳（メタデータ） (2020-03-03T05:08:34Z) - VerSe: A Vertebrae Labelling and Segmentation Benchmark for
Multi-detector CT Images [121.31355003451152]
大規模Vertebrae Challenge(VerSe)は、2019年と2020年に開催されたMICCAI(International Conference on Medical Image Computing and Computer Assisted Intervention)と共同で設立された。
本評価の結果を報告するとともに,脊椎レベル,スキャンレベル,および異なる視野での性能変化について検討した。
論文 参考訳（メタデータ） (2020-01-24T21:09:18Z)
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。