論文の概要: Intervertebral Disc Labeling With Learning Shape Information, A Look Once Approach

• arxiv url: http://arxiv.org/abs/2204.02943v1
• Date: Wed, 6 Apr 2022 17:23:02 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-07 16:33:29.711719
• Title: Intervertebral Disc Labeling With Learning Shape Information, A Look Once Approach
• Title（参考訳）: 形状情報学習による椎間板ラベリング : look once アプローチ
• Authors: Reza Azad, Moein Heidari, Julien Cohen-Adad, Ehsan Adeli, Dorit Merhof
• Abstract要約: 椎間板位置の候補を予測するための新しいU-Net構造を提案する。 本設計では,画像形状情報(画像勾配)を統合し,リッチで汎用的な幾何学的情報を学ぶことを奨励する。 後処理側では、偽陽性率をさらに下げるために、置換不変な 'look once' モデルを提案する。
• 参考スコア（独自算出の注目度）: 12.720976102251148
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate and automatic segmentation of intervertebral discs from medical images is a critical task for the assessment of spine-related diseases such as osteoporosis, vertebral fractures, and intervertebral disc herniation. To date, various approaches have been developed in the literature which routinely relies on detecting the discs as the primary step. A disadvantage of many cohort studies is that the localization algorithm also yields false-positive detections. In this study, we aim to alleviate this problem by proposing a novel U-Net-based structure to predict a set of candidates for intervertebral disc locations. In our design, we integrate the image shape information (image gradients) to encourage the model to learn rich and generic geometrical information. This additional signal guides the model to selectively emphasize the contextual representation and suppress the less discriminative features. On the post-processing side, to further decrease the false positive rate, we propose a permutation invariant 'look once' model, which accelerates the candidate recovery procedure. In comparison with previous studies, our proposed approach does not need to perform the selection in an iterative fashion. The proposed method was evaluated on the spine generic public multi-center dataset and demonstrated superior performance compared to previous work. We have provided the implementation code in https://github.com/rezazad68/intervertebral-lookonce
• Abstract（参考訳）: 医用画像からの椎間板の精度と自動分割は,椎間板症,椎間板骨折,椎間板ヘルニアなどの脊椎疾患の診断に重要な課題である。 これまで,ディスクの検出を主ステップとする文献に様々なアプローチが開発されてきた。 多くのコホート研究の欠点は、ローカライゼーションアルゴリズムが偽陽性検出をもたらすことである。 本研究では,新しいU-Net構造を提案し,椎間板位置の候補セットを予測することにより,この問題を軽減することを目的とする。 本設計では,画像形状情報(画像勾配)を統合し,リッチで汎用的な幾何学的情報を学ぶことを奨励する。 この追加信号は、文脈表現を選択的に強調し、差別的でない特徴を抑えるようモデルに誘導する。 処理後、偽陽性率をさらに下げるために、候補回復手順を加速する置換不変な'look once'モデルを提案する。 従来の研究と比較して,提案手法は反復的に選択を行う必要はない。 提案手法はspiner general public multi-center dataset上で評価され,従来よりも優れた性能を示した。 実装コードはhttps://github.com/rezazad68/intervertebral-lookonceで提供しました。

関連論文リスト

• Seeing Unseen: Discover Novel Biomedical Concepts via Geometry-Constrained Probabilistic Modeling [53.7117640028211]
  同定された問題を解決するために,幾何制約付き確率的モデリング処理を提案する。 構成された埋め込み空間のレイアウトに適切な制約を課すために、重要な幾何学的性質のスイートを組み込む。 スペクトルグラフ理論法は、潜在的な新規クラスの数を推定するために考案された。
  論文  参考訳（メタデータ） (2024-03-02T00:56:05Z)
• Shape Matters: Detecting Vertebral Fractures Using Differentiable Point-Based Shape Decoding [51.38395069380457]
  変性性脊椎疾患は高齢者に多い。 骨粗しょう性骨折やその他の変性変形性骨折のタイムリーな診断は、重度の腰痛や障害のリスクを軽減するための前向きな処置を促進する。 本研究では,脊椎動物に対する形状自動エンコーダの使用について検討する。
  論文  参考訳（メタデータ） (2023-12-08T18:11:22Z)
• Multi-task Explainable Skin Lesion Classification [54.76511683427566]
  少ないラベル付きデータでよく一般化する皮膚病変に対する数発のショットベースアプローチを提案する。 提案手法は,アテンションモジュールや分類ネットワークとして機能するセグメンテーションネットワークの融合を含む。
  論文  参考訳（メタデータ） (2023-10-11T05:49:47Z)
• QUIZ: An Arbitrary Volumetric Point Matching Method for Medical Image Registration [10.788848900099385]
  クエリポイントキッザ(QUIZ)という,任意の利害関係のボクセル点に基づく医用画像登録手法を提案する。 本研究は, 頸部がん患者の大変形データセットを用いて本手法の有効性を検証した。
  論文  参考訳（メタデータ） (2023-09-30T08:13:40Z)
• A Hybrid Deep Feature-Based Deformable Image Registration Method for Pathology Images [18.439134996404274]
  病理学者は、正確な診断のために、異なる染色された病理スライスからの情報を組み合わせる必要がある。 本稿では, 染色された病理試料に対するハイブリッドな特徴量に基づく変形可能な画像登録フレームワークを提案する。 提案手法は,平均平均登録目標誤差(rTRE)が0.0034に達すると,従来の手法よりも17%向上する。
  論文  参考訳（メタデータ） (2022-08-16T10:35:18Z)
• Contrastive and Selective Hidden Embeddings for Medical Image Segmentation [25.80192874762209]
  医用画像セグメンテーションのための対照的な学習ベース重み事前トレーニングを提案する。 不確実性を考慮した特徴選択ブロック(UAFS)と呼ばれる新しい構造は、少数機能による学習目標シフトを処理するように設計されている。 6つのドメインから8つのパブリックデータセットにまたがって、最先端の結果が得られます。
  論文  参考訳（メタデータ） (2022-01-21T16:52:19Z)
• Stacked Hourglass Network with a Multi-level Attention Mechanism: Where to Look for Intervertebral Disc Labeling [2.3848738964230023]
  椎間板の位置と骨格構造を協調的に学習する多レベルアテンション機構を有する重畳時間ガラスネットワークを提案する。 提案した深層学習モデルは意味的セグメンテーションの強さとポーズ推定手法を考慮し,欠落した領域と偽陽性検出を扱う。
  論文  参考訳（メタデータ） (2021-08-14T14:53:27Z)
• Improving Faithfulness in Abstractive Summarization with Contrast Candidate Generation and Selection [54.38512834521367]
  モデル非依存後処理技術としてのコントラスト候補生成と選択について検討する。 代替候補要約を生成して判別補正モデルを学習する。 このモデルを使用して、最終的な出力サマリーとして最適な候補を選択する。
  論文  参考訳（メタデータ） (2021-04-19T05:39:24Z)
• Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype Prediction [55.94378672172967]
  本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。 新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。 我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
  論文  参考訳（メタデータ） (2020-09-02T02:50:30Z)
• Improved Slice-wise Tumour Detection in Brain MRIs by Computing Dissimilarities between Latent Representations [68.8204255655161]
  磁気共鳴画像(MRI)の異常検出は教師なし手法で行うことができる。 本研究では,変分オートエンコーダの潜伏空間における相似関数の計算に基づいて,腫瘍検出のためのスライスワイズ半教師法を提案する。 本研究では,高解像度画像上でのモデルをトレーニングし,再現の質を向上させることにより,異なるベースラインに匹敵する結果が得られることを示す。
  論文  参考訳（メタデータ） (2020-07-24T14:02:09Z)

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。