論文の概要: Dual Branch Prior-SegNet: CNN for Interventional CBCT using Planning
Scan and Auxiliary Segmentation Loss
- arxiv url: http://arxiv.org/abs/2205.10353v1
- Date: Wed, 11 May 2022 15:48:15 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-29 20:38:02.522114
- Title: Dual Branch Prior-SegNet: CNN for Interventional CBCT using Planning
Scan and Auxiliary Segmentation Loss
- Title(参考訳): dual branch prior-segnet:プランニングスキャンと補助セグメンテーション損失を用いた介入型cbctのためのcnn
- Authors: Philipp Ernst, Suhita Ghosh, Georg Rose, Andreas N\"urnberger
- Abstract要約: 追加のヘッドは、介入機器を分割することを学び、再構築タスクをガイドする。
実験の結果,提案モデルであるDual Branch Prior-SegNetは, >2.8dB PSNRで評価されたモデルよりも有意に優れていた。
- 参考スコア(独自算出の注目度): 0.3058685580689604
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: This paper proposes an extension to the Dual Branch Prior-Net for sparse view
interventional CBCT reconstruction incorporating a high quality planning scan.
An additional head learns to segment interventional instruments and thus guides
the reconstruction task. The prior scans are misaligned by up to +-5deg
in-plane during training. Experiments show that the proposed model, Dual Branch
Prior-SegNet, significantly outperforms any other evaluated model by >2.8dB
PSNR. It also stays robust wrt. rotations of up to +-5.5deg.
- Abstract(参考訳): 本稿では,高品質プランニングスキャンを組み込んだsparse view interventional cbct再構成のためのdual branch prior-netの拡張を提案する。
追加のヘッドは、セグメント介入機器を学習し、リコンストラクションタスクをガイドする。
事前スキャンは、訓練中に最大+-5degでミスアライメントされる。
実験の結果,提案モデルであるDual Branch Prior-SegNetは, >2.8dB PSNRで評価されたモデルよりも有意に優れていた。
堅牢な wrt も保持する。
回転は+-5.5degまで。
関連論文リスト
- Multimodal Learning With Intraoperative CBCT & Variably Aligned Preoperative CT Data To Improve Segmentation [0.21847754147782888]
コーンビームCT(CBCT)はコンピュータ支援による介入を促進する重要なツールである。
劣化した画像品質は下流のセグメンテーションに影響を及ぼす可能性があるが、高品質の術前スキャンが利用可能であることは、改善の可能性を示唆している。
本稿では,CBCT と CT のほぼ一致したスキャンを融合させるマルチモーダル学習法を提案し,CBCT の品質と誤調整が最終的なセグメンテーション性能に与える影響について検討する。
論文 参考訳(メタデータ) (2024-06-17T15:31:54Z) - Boosting Image Restoration via Priors from Pre-trained Models [54.83907596825985]
我々は、OSFによるターゲット復元ネットワークの復元結果を改善するために、Pre-Train-Guided Refinement Module (PTG-RM)と呼ばれる軽量モジュールを学習する。
PTG-RMは、低照度強化、デラリニング、デブロアリング、デノナイジングなど、様々なタスクにおける様々なモデルの復元性能を効果的に向上させる。
論文 参考訳(メタデータ) (2024-03-11T15:11:57Z) - MEPNet: A Model-Driven Equivariant Proximal Network for Joint
Sparse-View Reconstruction and Metal Artifact Reduction in CT Images [29.458632068296854]
我々はMEPNetと呼ばれるモデル駆動の同変近似ネットワークを提案する。
MEPNetは最適化に着想を得ており、明確な動作メカニズムを持っている。
コードをurlhttps://github.com/hongwang01/MEPNetでリリースします。
論文 参考訳(メタデータ) (2023-06-25T15:50:11Z) - Cross-supervised Dual Classifiers for Semi-supervised Medical Image
Segmentation [10.18427897663732]
半教師付き医用画像分割は、大規模医用画像解析に有望な解決策を提供する。
本稿では、二重分類器(DC-Net)に基づくクロス教師あり学習フレームワークを提案する。
LAとPancreas-CTデータセットの実験は、DC-Netが半教師付きセグメンテーションの他の最先端手法よりも優れていることを示している。
論文 参考訳(メタデータ) (2023-05-25T16:23:39Z) - Prompt Tuning for Parameter-efficient Medical Image Segmentation [79.09285179181225]
2つの医用画像データセットのセマンティックセグメンテーションにパラメータ効率が良いが効果的な適応を実現するために,いくつかのコントリビューションを提案し,検討する。
我々はこのアーキテクチャを、オンライン生成プロトタイプへの割り当てに基づく専用密集型セルフスーパービジョンスキームで事前訓練する。
得られたニューラルネットワークモデルにより、完全に微調整されたモデルとパラメータに適応したモデルとのギャップを緩和できることを実証する。
論文 参考訳(メタデータ) (2022-11-16T21:55:05Z) - Prediction of Lung CT Scores of Systemic Sclerosis by Cascaded
Regression Neural Networks [2.6784615269339076]
本稿では,2つのカスケード型ディープレグレッションニューラルネットワークからなる自動スコアリングフレームワークを提案する。
最初の(3D)ネットワークは、3D CTスキャンで5つの基準値の頭蓋骨の位置を予測することを目的としている。
第2(2D)ネットワークは、結果の2D軸スライスを受け取り、スコアを予測する。
論文 参考訳(メタデータ) (2021-10-15T13:28:12Z) - An Uncertainty-Driven GCN Refinement Strategy for Organ Segmentation [53.425900196763756]
本研究では,不確実性解析とグラフ畳み込みネットワークに基づくセグメンテーション改善手法を提案する。
半教師付きグラフ学習問題を定式化するために、特定の入力ボリュームにおける畳み込みネットワークの不確実性レベルを用いる。
本手法は膵臓で1%,脾臓で2%向上し,最先端のCRF改善法よりも優れていた。
論文 参考訳(メタデータ) (2020-12-06T18:55:07Z) - Rethinking Transformer-based Set Prediction for Object Detection [57.7208561353529]
実験の結果,提案手法は元のDETRよりもはるかに高速に収束するだけでなく,検出精度の点でDTRや他のベースラインよりも優れていた。
論文 参考訳(メタデータ) (2020-11-21T21:59:42Z) - Pairwise Relation Learning for Semi-supervised Gland Segmentation [90.45303394358493]
病理組織像における腺分節に対するPRS2モデルを提案する。
このモデルはセグメンテーションネットワーク(S-Net)とペア関係ネットワーク(PR-Net)から構成される。
我々は,GlaSデータセットの最近の5つの手法とCRAGデータセットの最近の3つの手法を比較した。
論文 参考訳(メタデータ) (2020-08-06T15:02:38Z) - Boundary-assisted Region Proposal Networks for Nucleus Segmentation [89.69059532088129]
大量の核が混在しているため、機械学習モデルはうまく機能しない。
我々は、堅牢なインスタンスレベルの核分割を実現する境界支援領域提案ネットワーク(BRP-Net)を考案する。
論文 参考訳(メタデータ) (2020-06-04T08:26:38Z)
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。