論文の概要: Asymmetry Disentanglement Network for Interpretable Acute Ischemic
Stroke Infarct Segmentation in Non-Contrast CT Scans
- arxiv url: http://arxiv.org/abs/2206.15445v1
- Date: Thu, 30 Jun 2022 17:39:28 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-01 15:18:14.880987
- Title: Asymmetry Disentanglement Network for Interpretable Acute Ischemic
Stroke Infarct Segmentation in Non-Contrast CT Scans
- Title（参考訳）: 非コントラストctスキャンにおける急性期脳卒中梗塞分節の非対称性ジエンタングルメントネットワーク
- Authors: Haomiao Ni, Yuan Xue, Kelvin Wong, John Volpi, Stephen T.C. Wong,
James Z. Wang, Xiaolei Huang
- Abstract要約: NCCTにおける病理症状と内因性解剖症状を自動的に分離する新しい非対称性ディスタングルメントネットワーク(ADN)を提案する。
ADNは入力NCCTに基づいてまず、異なるタイプの3次元非対称性写像を生成する非対称性非絡み合わせを行う。
ADNは、パブリックNCCTデータセット上で最先端のAISセグメンテーション性能を達成する。
- 参考スコア（独自算出の注目度）: 16.901081820073593
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Accurate infarct segmentation in non-contrast CT (NCCT) images is a crucial
step toward computer-aided acute ischemic stroke (AIS) assessment. In clinical
practice, bilateral symmetric comparison of brain hemispheres is usually used
to locate pathological abnormalities. Recent research has explored asymmetries
to assist with AIS segmentation. However, most previous symmetry-based work
mixed different types of asymmetries when evaluating their contribution to AIS.
In this paper, we propose a novel Asymmetry Disentanglement Network (ADN) to
automatically separate pathological asymmetries and intrinsic anatomical
asymmetries in NCCTs for more effective and interpretable AIS segmentation. ADN
first performs asymmetry disentanglement based on input NCCTs, which produces
different types of 3D asymmetry maps. Then a synthetic,
intrinsic-asymmetry-compensated and pathology-asymmetry-salient NCCT volume is
generated and later used as input to a segmentation network. The training of
ADN incorporates domain knowledge and adopts a tissue-type aware regularization
loss function to encourage clinically-meaningful pathological asymmetry
extraction. Coupled with an unsupervised 3D transformation network, ADN
achieves state-of-the-art AIS segmentation performance on a public NCCT
dataset. In addition to the superior performance, we believe the learned
clinically-interpretable asymmetry maps can also provide insights towards a
better understanding of AIS assessment. Our code is available at
https://github.com/nihaomiao/MICCAI22_ADN.
- Abstract（参考訳）: 非造影CT(NCCT)画像における正確な梗塞分割は、コンピュータ支援急性期脳梗塞(AIS)評価への重要なステップである。
臨床において、両側対称な脳半球の比較は通常、病的異常の特定に使用される。
最近の研究はAISセグメンテーションを支援するための非対称性を探求している。
しかし、以前の対称性に基づくほとんどの研究は、AISへの貢献を評価する際に異なる種類の対称性を混合した。
本稿では,より効果的かつ解釈可能なAISセグメンテーションのために,NCCTにおける病理症状と内因性解剖症状を自動的に分離する新しい非対称性ディスタングルネットワーク(ADN)を提案する。
ADNは入力NCCTに基づいてまず、異なるタイプの3次元非対称性写像を生成する非対称性非絡み合わせを行う。
次に、合成、内在的非対称性補償及び病理的非対称性関連NCCTボリュームを生成し、後にセグメンテーションネットワークへの入力として使用する。
ADNのトレーニングは、ドメイン知識を取り入れ、臨床的に有意な病態非対称性抽出を促進するために、組織型意識正規化損失関数を採用する。
教師なしの3D変換ネットワークと組み合わせて、ADNはパブリックNCCTデータセット上で最先端のAISセグメンテーション性能を達成する。
優れた性能に加えて,臨床に解釈可能な非対称性マップもAIS評価の理解を深めるための洞察を与えることができると考えている。
私たちのコードはhttps://github.com/nihaomiao/miccai22_adnで利用可能です。
関連論文リスト
- Symmetry Awareness Encoded Deep Learning Framework for Brain Imaging Analysis [17.96729816246268]
本研究は,脳疾患の検出とセグメンテーション分析を強化するために,ヒト脳の固有対称解剖学的特徴を活用する新しいアプローチを提案する。
左右半球の対称的特徴を符号化するために,新たな対称性認識クロスアテンション (SACA) モジュールが提案され,Symmetry-Aware Head (SAH) として対称的特徴を検出するプロキシタスクが提案されている。
本研究は, 事前トレーニングに対称性認識を取り入れることの有効性を提唱し, 医用画像解析のための新しいベンチマークを作成し, 正確かつ効率的な診断プロセスに向けて大きな前進を約束する。
論文 参考訳（メタデータ） (2024-07-12T03:08:15Z) - 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) - S3M: Scalable Statistical Shape Modeling through Unsupervised
Correspondences [91.48841778012782]
本研究では,集団解剖学における局所的および大域的形状構造を同時に学習するための教師なし手法を提案する。
我々のパイプラインは、ベースライン法と比較して、SSMの教師なし対応推定を大幅に改善する。
我々の手法は、ノイズの多いニューラルネットワーク予測から学ぶのに十分堅牢であり、より大きな患者にSSMを拡張できる可能性がある。
論文 参考訳（メタデータ） (2023-04-15T09:39:52Z) - Attentive Symmetric Autoencoder for Brain MRI Segmentation [56.02577247523737]
視覚変換器(ViT)をベースとした3次元脳MRIセグメンテーションタスクのための新しいアテンテーティブシンメトリオートエンコーダを提案する。
事前学習の段階では、提案するオートエンコーダがより注意を払って、勾配測定値に従って情報パッチを再構築する。
実験の結果,提案手法は最先端の自己教師付き学習法や医用画像分割モデルよりも優れていた。
論文 参考訳（メタデータ） (2022-09-19T09:43:19Z) - Beyond CNNs: Exploiting Further Inherent Symmetries in Medical Image
Segmentation [21.6412682130116]
より正確な表現を学習するために、これらの固有対称性を符号化することで、新しいグループ同変セグメンテーションフレームワークを提案する。
GER-UNet(Group Equivariant Res-UNet)が通常のCNNよりも優れていることを示す。
新たに構築されたGER-UNetは、サンプルの複雑さとフィルタの冗長性を減少させる可能性を示している。
論文 参考訳（メタデータ） (2022-07-29T04:28:20Z) - 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) - Symmetry-Enhanced Attention Network for Acute Ischemic Infarct
Segmentation with Non-Contrast CT Images [50.55978219682419]
急性虚血性梗塞セグメンテーションのための対称性増強型注意ネットワーク(SEAN)を提案する。
提案するネットワークは、入力されたCT画像を、脳組織が左右対称な標準空間に自動的に変換する。
提案したSEANは、ダイス係数と梗塞局所化の両方の観点から、対称性に基づく最先端の手法より優れている。
論文 参考訳（メタデータ） (2021-10-11T07:13:26Z) - Anatomy-Aware Siamese Network: Exploiting Semantic Asymmetry for
Accurate Pelvic Fracture Detection in X-ray Images [36.35987775099686]
本研究では,空間トランス層で強化されたシームズネットワーク上に構築された新しいフラクチャー検出フレームワークを提案する。
提案法は, 特発性患者2,359例のPXRに対して広範囲に評価されている。
これは最先端の骨折検出方法の中でも最高であり、臨床症状の改善がある。
論文 参考訳（メタデータ） (2020-07-03T02:33:24Z) - A Global Benchmark of Algorithms for Segmenting Late Gadolinium-Enhanced
Cardiac Magnetic Resonance Imaging [90.29017019187282]
現在世界最大の心臓LGE-MRIデータセットである154個の3D LGE-MRIを用いた「2018 left Atrium Challenge」。
技術および生物学的指標を用いた提案アルゴリズムの解析を行った。
その結果, 最上部法は93.2%, 平均表面は0.7mmであった。
論文 参考訳（メタデータ） (2020-04-26T08:49:17Z) - Exploring Partial Intrinsic and Extrinsic Symmetry in 3D Medical Imaging [39.5958976939981]
ヒト解剖学のCTにおける不完全な左右対称を検出するための新しい手法を提案する。
骨盤骨の構造的に対称な性質を探求し、外傷性外傷患者の片側骨折に対する介入画像増強法として用いられる。
論文 参考訳（メタデータ） (2020-03-04T19:08:55Z)
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。