論文の概要: HMRNet: High and Multi-Resolution Network with Bidirectional Feature
Calibration for Brain Structure Segmentation in Radiotherapy
- arxiv url: http://arxiv.org/abs/2206.02959v1
- Date: Tue, 7 Jun 2022 01:23:40 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-09 05:52:50.798153
- Title: HMRNet: High and Multi-Resolution Network with Bidirectional Feature
Calibration for Brain Structure Segmentation in Radiotherapy
- Title(参考訳): HMRNet : 放射線治療における脳構造分離のための双方向特徴校正による高分解能・高分解能ネットワーク
- Authors: Hao Fu, Guotai Wang, Wenhui Lei, Wei Xu, Qianfei Zhao, Shichuan Zhang,
Kang Li, Shaoting Zhang
- Abstract要約: マルチスケール特徴学習と高分解能分岐からなる高分解能・高分解能ネットワーク(HMRNet)を提案する。
ABC 構造の大きさや位置を考慮し,各構造が大まかに局所化されてより細かなセグメンテーション結果が得られるようにネットワークを適用した。
提案手法は, ABCの2020年大会で2位を獲得し, 脳腫瘍のCTVのより正確かつ合理的なデライン化の可能性を秘めている。
- 参考スコア(独自算出の注目度): 22.395591111209995
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Accurate segmentation of Anatomical brain Barriers to Cancer spread (ABCs)
plays an important role for automatic delineation of Clinical Target Volume
(CTV) of brain tumors in radiotherapy. Despite that variants of U-Net are
state-of-the-art segmentation models, they have limited performance when
dealing with ABCs structures with various shapes and sizes, especially thin
structures (e.g., the falx cerebri) that span only few slices. To deal with
this problem, we propose a High and Multi-Resolution Network (HMRNet) that
consists of a multi-scale feature learning branch and a high-resolution branch,
which can maintain the high-resolution contextual information and extract more
robust representations of anatomical structures with various scales. We further
design a Bidirectional Feature Calibration (BFC) block to enable the two
branches to generate spatial attention maps for mutual feature calibration.
Considering the different sizes and positions of ABCs structures, our network
was applied after a rough localization of each structure to obtain fine
segmentation results. Experiments on the MICCAI 2020 ABCs challenge dataset
showed that: 1) Our proposed two-stage segmentation strategy largely
outperformed methods segmenting all the structures in just one stage; 2) The
proposed HMRNet with two branches can maintain high-resolution representations
and is effective to improve the performance on thin structures; 3) The proposed
BFC block outperformed existing attention methods using monodirectional feature
calibration. Our method won the second place of ABCs 2020 challenge and has a
potential for more accurate and reasonable delineation of CTV of brain tumors.
- Abstract(参考訳): 脳腫瘍の放射線治療における臨床ターゲットボリューム(CTV)の自動デライン化には,解剖学的脳バリアの正確ながん拡散(ABCs)が重要である。
u-netの変種は最先端のセグメンテーションモデルであるにもかかわらず、様々な形状やサイズ、特に薄い構造(例えば、falx cerebri)のabcs構造を扱う場合の性能は限られている。
この問題に対処するために,マルチスケール特徴学習部と高分解能分岐からなる高分解能・高分解能ネットワーク(HMRNet)を提案し,高分解能な文脈情報を維持し,様々なスケールで解剖学的構造のより堅牢な表現を抽出する。
さらに、双方向特徴校正(BFC)ブロックを設計し、相互特徴校正のための空間的注意マップを生成する。
ABC 構造の大きさや位置を考慮し,各構造が大まかに局所化されてより細かなセグメンテーション結果が得られるようにネットワークを適用した。
MICCAI 2020 ABCs チャレンジデータセットの実験によると、
1) 提案した2段階分割戦略は, 全構造を1段階に分割する手法よりも優れていた。
2) 2つの枝を持つHMRNetは高分解能表現を維持でき, 薄型構造の性能向上に有効である。
3) 提案するbfcブロックは, 単方向特徴量校正を用いた既存の注意手法を上回った。
提案手法は, ABCの2020年大会で2位を獲得し, 脳腫瘍のCTVのより正確かつ合理的なデライン化の可能性を秘めている。
関連論文リスト
- Prototype Learning Guided Hybrid Network for Breast Tumor Segmentation in DCE-MRI [58.809276442508256]
本稿では,畳み込みニューラルネットワーク(CNN)とトランスフォーマー層を組み合わせたハイブリッドネットワークを提案する。
プライベートおよびパブリックなDCE-MRIデータセットの実験結果から,提案したハイブリッドネットワークは最先端の手法よりも優れた性能を示した。
論文 参考訳(メタデータ) (2024-08-11T15:46:00Z) - BRAU-Net++: U-Shaped Hybrid CNN-Transformer Network for Medical Image Segmentation [11.986549780782724]
医用画像の正確な分割作業のために,BRAU-Net++ というハイブリッドで効果的な CNN-Transformer ネットワークを提案する。
具体的には、BRAU-Net++は、U字型エンコーダデコーダ構造を設計するために、コアビルディングブロックとしてバイレベルルーティングアテンションを使用する。
提案手法は,そのベースラインであるBRAU-Netを含む,最先端の手法を超越した手法である。
論文 参考訳(メタデータ) (2024-01-01T10:49:09Z) - 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) - AG-CRC: Anatomy-Guided Colorectal Cancer Segmentation in CT with
Imperfect Anatomical Knowledge [9.961742312147674]
自動生成臓器マスクを利用する新しい解剖ガイドセグメンテーションフレームワークを開発した。
提案手法を2つのCRCセグメンテーションデータセット上で広範囲に評価する。
論文 参考訳(メタデータ) (2023-10-07T03:22:06Z) - Scale-aware Super-resolution Network with Dual Affinity Learning for
Lesion Segmentation from Medical Images [50.76668288066681]
低解像度医用画像から様々な大きさの病変を適応的に分割する,スケールアウェアな超解像ネットワークを提案する。
提案するネットワークは,他の最先端手法と比較して一貫した改善を実現した。
論文 参考訳(メタデータ) (2023-05-30T14:25:55Z) - Full-scale Deeply Supervised Attention Network for Segmenting COVID-19
Lesions [0.24366811507669117]
我々は,CT画像におけるコロナ感染領域の効率的なセグメンテーションのためのフルスケールDeeply Supervised Attention Network(FuDSA-Net)を紹介した。
モデルは、ネットワークの異なるレベルで取得されたマルチスカラー機能を含む、エンコーディングパスの全レベルからのアクティベーション応答を考察する。
マルチスカラー特性の全領域を新しいアテンション機構に組み込むことで、アクティベーション応答と有用な情報を含む位置の選択が優先される。
論文 参考訳(メタデータ) (2022-10-27T16:05:47Z) - Crosslink-Net: Double-branch Encoder Segmentation Network via Fusing
Vertical and Horizontal Convolutions [58.71117402626524]
医用画像分割のための新しいダブルブランチエンコーダアーキテクチャを提案する。
1)正方形畳み込みカーネルによる特徴の識別をさらに改善する必要があるため,非正方形および水平畳み込みカーネルの利用を提案する。
実験では,4つのデータセット上でのモデルの有効性を検証した。
論文 参考訳(メタデータ) (2021-07-24T02:58:32Z) - Cross-Modality Brain Tumor Segmentation via Bidirectional
Global-to-Local Unsupervised Domain Adaptation [61.01704175938995]
本論文では,UDAスキームに基づくBiGL(Bidirectional Global-to-Local)適応フレームワークを提案する。
具体的には、脳腫瘍をセグメント化するために、双方向画像合成およびセグメンテーションモジュールを提案する。
提案手法は, 最先端の非教師なし領域適応法を大きなマージンで上回っている。
論文 参考訳(メタデータ) (2021-05-17T10:11:45Z) - FocusNetv2: Imbalanced Large and Small Organ Segmentation with
Adversarial Shape Constraint for Head and Neck CT Images [82.48587399026319]
organ-at-risk (oars) は、健康な臓器の損傷を避けるために放射線治療計画において重要なステップである。
本研究では,この課題を解決するために,2段階の深層ニューラルネットワークであるFocusNetv2を提案する。
従来のFocusNetに加えて,小臓器に新たな対角的形状制約を導入し,推定小臓器形状と臓器形状との整合性を確保する。
論文 参考訳(メタデータ) (2021-04-05T04:45:31Z)
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。