論文の概要: What Makes for Automatic Reconstruction of Pulmonary Segments
- arxiv url: http://arxiv.org/abs/2207.03078v1
- Date: Thu, 7 Jul 2022 04:24:17 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-09 03:11:38.558961
- Title: What Makes for Automatic Reconstruction of Pulmonary Segments
- Title（参考訳）: 肺切片の自動再建に何をもたらすか
- Authors: Kaiming Kuang, Li Zhang, Jingyu Li, Hongwei Li, Jiajun Chen, Bo Du,
Jiancheng Yang
- Abstract要約: 肺の3次元再構成は肺癌の外科的治療計画において重要な役割を担っている。
しかし, 深層学習の時代には, 肺部分の自動再建は行われていない。
肺セグメント再建のための深部暗黙表面モデルImPulSeを提案する。
- 参考スコア（独自算出の注目度）: 50.216231776343115
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: 3D reconstruction of pulmonary segments plays an important role in surgical
treatment planning of lung cancer, which facilitates preservation of pulmonary
function and helps ensure low recurrence rates. However, automatic
reconstruction of pulmonary segments remains unexplored in the era of deep
learning. In this paper, we investigate what makes for automatic reconstruction
of pulmonary segments. First and foremost, we formulate, clinically and
geometrically, the anatomical definitions of pulmonary segments, and propose
evaluation metrics adhering to these definitions. Second, we propose ImPulSe
(Implicit Pulmonary Segment), a deep implicit surface model designed for
pulmonary segment reconstruction. The automatic reconstruction of pulmonary
segments by ImPulSe is accurate in metrics and visually appealing. Compared
with canonical segmentation methods, ImPulSe outputs continuous predictions of
arbitrary resolutions with higher training efficiency and fewer parameters.
Lastly, we experiment with different network inputs to analyze what matters in
the task of pulmonary segment reconstruction. Our code is available at
https://github.com/M3DV/ImPulSe.
- Abstract（参考訳）: 肺の3次元再構築は肺癌の外科的治療計画において重要な役割を担っており,肺機能の維持と再発率の低下に寄与する。
しかし, 深層学習期には, 肺部分の自動再建は行われていない。
本稿では,肺セグメントの自動再建に何をもたらすかを検討する。
まず第一に, 臨床的, 幾何学的に肺分節の解剖学的定義を定式化し, これらの定義に固執する評価指標を提案する。
第2に,肺部分再建のための深部暗黙的表面モデルであるimpact (implicit pulmonary segment)を提案する。
ImPulSeによる肺部分の自動再建は、測定値と視覚的にも正確である。
標準セグメンテーション法と比較して、ImPulSeは訓練効率が高くパラメータが少ない任意の解像度の連続予測を出力する。
最後に,肺セグメント再建作業における課題を分析するために,異なるネットワーク入力を用いて実験を行った。
私たちのコードはhttps://github.com/M3DV/ImPulSeで利用可能です。
関連論文リスト
- Shape-aware synthesis of pathological lung CT scans using CycleGAN for enhanced semi-supervised lung segmentation [0.0]
本稿では,画像-画像間翻訳におけるCycleGANの使用を強調した。
既存の真実と一致する偽の病理画像を生成することができる拡張方法を提供する。
本研究の予備的な結果は, 質的, 定量的に有意な改善を示すものである。
論文 参考訳（メタデータ） (2024-05-14T12:45:49Z) - Automatic segmentation of lung findings in CT and application to Long
COVID [38.69538648742266]
S-MEDSegは胸部CT画像における肺病変の正確な分画のための深層学習に基づくアプローチである。
S-MEDSegは、トレーニング済みのEfficientNetバックボーン、双方向機能ピラミッドネットワーク、モダンネットワークの進化を組み合わせたものだ。
論文 参考訳（メタデータ） (2023-10-13T23:42:43Z) - BRONCO: Automated modelling of the bronchovascular bundle using the
Computed Tomography Images [32.586316762855944]
我々はCT画像に基づく気管支血管束のセグメンテーションパイプラインを提案する。
我々は,低用量CTと標準用CTの両方で,様々な病理組織を用いて,様々なスライス厚で再構成し,各種機械から取得した。
論文 参考訳（メタデータ） (2023-09-18T00:38:25Z) - Automatic lobe segmentation using attentive cross entropy and end-to-end
fissure generation [6.0255364788259165]
トレーニング中の肺線維周囲に注意を払う自動肺葉分画フレームワークを提案する。
また, 補助的肺細管分割作業において, エンドツーエンドの肺細管生成手法も導入した。
プライベートデータセットSTLBとパブリックデータセットLUNA16でそれぞれ97.83%と94.75%のダイススコアを達成した。
論文 参考訳（メタデータ） (2023-07-24T09:16:05Z) - Fuzzy Attention Neural Network to Tackle Discontinuity in Airway
Segmentation [67.19443246236048]
気道セグメンテーションは肺疾患の検査、診断、予後に重要である。
いくつかの小型の気道支線(気管支や終端など)は自動セグメンテーションの難しさを著しく増す。
本稿では,新しいファジィアテンションニューラルネットワークと包括的損失関数を備える,気道セグメンテーションの効率的な手法を提案する。
論文 参考訳（メタデータ） (2022-09-05T16:38:13Z) - REGAS: REspiratory-GAted Synthesis of Views for Multi-Phase CBCT
Reconstruction from a single 3D CBCT Acquisition [75.64791080418162]
REGASは、アンダーサンプドトモグラフィビューを合成し、再構成画像中のアーティファクトのエイリアスを緩和する自己教師手法を提案する。
高解像度4Dデータ上でのディープニューラルネットワークの大規模なメモリコストに対処するため、REGASは分散して微分可能なフォワードプロジェクションを可能にする新しいレイパス変換(RPT)を導入した。
論文 参考訳（メタデータ） (2022-08-17T03:42:19Z) - BronchusNet: Region and Structure Prior Embedded Representation Learning
for Bronchus Segmentation and Classification [53.53758990624962]
そこで我々は,BronchusNetという組込みフレームワークに先立って,正確な気管支分析を行うための領域と構造を提案する。
気管支分画のための適応型ハード領域対応UNetを提案する。
気管支枝の分類には,ハイブリッドな点-ボクセルグラフ学習モジュールを提案する。
論文 参考訳（メタデータ） (2022-05-14T02:32:33Z) - Pulmonary Fissure Segmentation in CT Images Based on ODoS Filter and
Shape Features [3.7006330637320897]
我々は、方位情報と等級情報を融合して、ファイジャー強化のための構造特徴を強調することにより、ODoSフィルタを採用する。
大きさ場における肺細管と管状構造の形状差を考慮し, 形状測定法と3次元骨格化モデルを組み合わせて肺細管を切断する。
論文 参考訳（メタデータ） (2022-01-23T02:43:03Z) - CoRSAI: A System for Robust Interpretation of CT Scans of COVID-19
Patients Using Deep Learning [133.87426554801252]
我々は,深部畳み込み神経網のアンサンブルを用いた肺CTスキャンのセグメンテーションによるアプローチを採用した。
本モデルを用いて, 病変の分類, 患者の動態の評価, 病変による肺の相対体積の推定, 肺の損傷ステージの評価が可能となった。
論文 参考訳（メタデータ） (2021-05-25T12:06:55Z) - Deep Residual 3D U-Net for Joint Segmentation and Texture Classification
of Nodules in Lung [91.3755431537592]
肺結節の分類法, そのテクスチャ分類, 肺CT像による後続の推奨について検討した。
提案手法は, 一般的なU-Netアーキテクチャファミリに基づくニューラルネットワークモデルと, 共同結節分割とそのテクスチャ分類タスクと, フォローアップレコメンデーションのためのアンサンブルベースモデルから構成される。
論文 参考訳（メタデータ） (2020-06-25T07:20:41Z)
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。