論文の概要: Pseudo-Label Guided Multi-Contrast Generalization for Non-Contrast
Organ-Aware Segmentation
- arxiv url: http://arxiv.org/abs/2205.05898v1
- Date: Thu, 12 May 2022 06:36:33 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-13 13:02:22.850645
- Title: Pseudo-Label Guided Multi-Contrast Generalization for Non-Contrast
Organ-Aware Segmentation
- Title(参考訳): 非コントラストオルガン・アウェアセグメンテーションのための擬似ラベル誘導マルチコントラスト一般化
- Authors: Ho Hin Lee, Yucheng Tang, Riqiang Gao, Qi Yang, Xin Yu, Shunxing Bao,
James G. Terry, J. Jeffrey Carr, Yuankai Huo, Bennett A. Landman
- Abstract要約: 本研究では,非コントラストのセグメンテーションをゼロトラストラベルなしで計算するための教師なし手法を提案する。
生成的敵対的アプローチとは違って,CECTを用いて一対の形態的文脈を計算し,教師の指導を行う。
コントラストとコントラストを併用したCTスキャンによる多臓器分画に対するアプローチを検証した。
- 参考スコア(独自算出の注目度): 21.792652078631868
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Non-contrast computed tomography (NCCT) is commonly acquired for lung cancer
screening, assessment of general abdominal pain or suspected renal stones,
trauma evaluation, and many other indications. However, the absence of contrast
limits distinguishing organ in-between boundaries. In this paper, we propose a
novel unsupervised approach that leverages pairwise contrast-enhanced CT (CECT)
context to compute non-contrast segmentation without ground-truth label. Unlike
generative adversarial approaches, we compute the pairwise morphological
context with CECT to provide teacher guidance instead of generating fake
anatomical context. Additionally, we further augment the intensity correlations
in 'organ-specific' settings and increase the sensitivity to organ-aware
boundary. We validate our approach on multi-organ segmentation with paired
non-contrast & contrast-enhanced CT scans using five-fold cross-validation.
Full external validations are performed on an independent non-contrast cohort
for aorta segmentation. Compared with current abdominal organs segmentation
state-of-the-art in fully supervised setting, our proposed pipeline achieves a
significantly higher Dice by 3.98% (internal multi-organ annotated), and 8.00%
(external aorta annotated) for abdominal organs segmentation. The code and
pretrained models are publicly available at
https://github.com/MASILab/ContrastMix.
- Abstract(参考訳): 非造影CT(non-contrast Computed tomography, NCCT)は, 肺がん検診, 全身性腹痛, 腎結石疑診, 外傷性評価, その他の多くの診断に一般的に用いられる。
しかし、コントラストの欠如は境界内の臓器を区別する。
本稿では,一対のコントラスト強調CT(CECT)を用いて,非コントラストセグメンテーションをゼロトラストラベルなしで計算する手法を提案する。
生成的敵対的アプローチとは違って,CECTを用いて相互に形態的コンテキストを計算して,偽の解剖学的コンテキストを生成する代わりに教師指導を行う。
さらに,"organ-specific"設定における強度相関をさらに強化し,臓器認識境界に対する感度を高める。
5倍のクロスバリデーションを用いた非コントラスト・コントラストctスキャンによるマルチオルガンセグメンテーションのアプローチを検証する。
オータセグメンテーションのための独立した非コントラストコホート上で完全な外部検証を行う。
現在の腹部臓器の分節状態と完全に監督された状態で比較すると,提案するパイプラインは3.98% (内部マルチオルガン注記) と8.00% (外大動脈注記) で腹腔内臓器分節を有意に高めている。
コードと事前訓練されたモデルはhttps://github.com/MASILab/ContrastMix.comで公開されている。
関連論文リスト
- CT-based brain ventricle segmentation via diffusion Schrödinger Bridge without target domain ground truths [0.9720086191214947]
クリニカルCTスキャンによる高効率かつ正確な脳室分画は、腹腔鏡下手術のような緊急手術には不可欠である。
我々は,CTセグメント化の真偽を必要とせず,新しい不確実性に留意した心室分画法を導入する。
提案手法では拡散型Schr"odinger Bridgeと残像U-Netを併用し,画像診断とMRI検査を併用した。
論文 参考訳(メタデータ) (2024-05-28T15:17:58Z) - Deep Supervision by Gaussian Pseudo-label-based Morphological Attention
for Abdominal Aorta Segmentation in Non-Contrast CTs [0.11916956807881575]
本稿では, フォロジカル・アテンション(MA)向上を実現するため, 従来の深層学習モデルに統合されたガウス的擬似ラベルを提案する。
様々な2D/3D深層学習モデルで導入され,5749個のCTスライスからなる30個の非コントラストCTボリュームの局所データセット上で検証された。
論文 参考訳(メタデータ) (2024-02-04T14:59:31Z) - Accurate Fine-Grained Segmentation of Human Anatomy in Radiographs via
Volumetric Pseudo-Labeling [66.75096111651062]
我々は,10,021個の胸部CTと157個のラベルの大規模データセットを作成した。
解剖学的擬似ラベル抽出のために3次元解剖分類モデルのアンサンブルを適用した。
得られたセグメンテーションモデルはCXRで顕著な性能を示した。
論文 参考訳(メタデータ) (2023-06-06T18:01:08Z) - Structure-aware registration network for liver DCE-CT images [50.28546654316009]
セグメント化誘導深層登録網に関連臓器の構造情報を組み込んだ構造認識型登録手法を提案する。
提案手法は,最新技術よりも高い登録精度を達成し,解剖学的構造を効果的に維持することができる。
論文 参考訳(メタデータ) (2023-03-08T14:08:56Z) - Reliable Joint Segmentation of Retinal Edema Lesions in OCT Images [55.83984261827332]
本稿では,信頼性の高いマルチスケールウェーブレットエンハンストランスネットワークを提案する。
本研究では,ウェーブレット型特徴抽出器ネットワークとマルチスケール変圧器モジュールを統合したセグメンテーションバックボーンを開発した。
提案手法は,他の最先端セグメンテーション手法と比較して信頼性の高いセグメンテーション精度を実現する。
論文 参考訳(メタデータ) (2022-12-01T07:32:56Z) - Adaptive Contrastive Learning with Dynamic Correlation for Multi-Phase
Organ Segmentation [25.171694372205774]
臓器レベルでの各ミニバッチにおけるサンプル間の類似・異種コントラスト関係に適応するデータ駆動型コントラスト損失関数を提案する。
非コントラストCTデータセットとMICCAI 2015 BTCV ChallengeのコントラストCTデータセットを併用した多臓器セグメンテーションの検討を行った。
論文 参考訳(メタデータ) (2022-10-16T22:38:30Z) - Anatomically constrained CT image translation for heterogeneous blood
vessel segmentation [3.88838725116957]
造影CT(ceCT)画像の解剖学的構造は, 造影剤拡散の変動により, 分画が困難になる可能性がある。
放射線線量を制限するために、生成モデルは1つのモダリティを合成するために用いられる。
CycleGANは、ペアデータの必要性を軽減するため、特に注目を集めている。
本稿では,高忠実度画像を生成するためのCycleGANの拡張について述べる。
論文 参考訳(メタデータ) (2022-10-04T16:14:49Z) - Inconsistency-aware Uncertainty Estimation for Semi-supervised Medical
Image Segmentation [92.9634065964963]
我々は、不確実性推定と個別の自己学習戦略に基づいて、新しい半教師付きセグメンテーションモデル、すなわち保守的ラディカルネットワーク(CoraNet)を提案する。
現在の技術と比較すると、ColaNetは優れたパフォーマンスを示しています。
論文 参考訳(メタデータ) (2021-10-17T08:49:33Z) - Synergistic Learning of Lung Lobe Segmentation and Hierarchical
Multi-Instance Classification for Automated Severity Assessment of COVID-19
in CT Images [61.862364277007934]
3次元CT画像におけるCOVID-19の重症度自動評価のための相乗的学習フレームワークを提案する。
マルチタスクのディープネットワーク(M$2$UNet)が開発され、新型コロナウイルス患者の重症度を評価する。
われわれのM$2$UNetはパッチレベルのエンコーダと肺葉分画のためのセグメンテーションサブネットワークと重度評価のための分類サブネットワークから構成されている。
論文 参考訳(メタデータ) (2020-05-08T03:16:15Z) - Detecting Pancreatic Ductal Adenocarcinoma in Multi-phase CT Scans via
Alignment Ensemble [77.5625174267105]
膵管腺癌(PDAC)は最も致命的ながんの1つである。
複数のフェーズは単一のフェーズよりも多くの情報を提供するが、それらは整列せず、テクスチャにおいて不均一である。
PDAC検出性能を高めるために,これらすべてのアライメントのアンサンブルを提案する。
論文 参考訳(メタデータ) (2020-03-18T19:06:27Z) - A Deep learning Approach to Generate Contrast-Enhanced Computerised
Tomography Angiography without the Use of Intravenous Contrast Agents [2.2840399926157806]
我々は,この非コントラスト変換タスク(NC2C)に対して,2次元サイクル生成適応ネットワークを訓練した。
このパイプラインは、非コントラストCT画像において、視覚的に非コヒーレントな軟組織領域を区別することができる。
論文 参考訳(メタデータ) (2020-03-02T22:20:08Z)
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。