Fugu-MT 論文翻訳(概要): A Multi-Stage Framework for the 2022 Multi-Structure Segmentation for Renal Cancer Treatment

論文の概要: A Multi-Stage Framework for the 2022 Multi-Structure Segmentation for Renal Cancer Treatment

arxiv url: http://arxiv.org/abs/2207.09165v1
Date: Tue, 19 Jul 2022 10:12:26 GMT
ステータス: 処理完了
システム内更新日: 2022-07-20 14:18:21.521560
Title: A Multi-Stage Framework for the 2022 Multi-Structure Segmentation for Renal Cancer Treatment
Title（参考訳）: 腎癌治療のための2022年多構造分節の多段階的枠組み
Authors: Yusheng Liu, Zhongchen Zhao and Lisheng Wang
Abstract要約: CTアンギオグラフィー(CTA)画像を用いた3次元腎解析は臨床的に非常に重要である。本稿では、新しいnnhra-unetネットワークを提案し、それに基づく多段階フレームワークを用いて、腎臓の多構造を分断し、KiPA2022チャレンジに参加する。
参考スコア（独自算出の注目度）: 1.3672079462036872
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Three-dimensional (3D) kidney parsing on computed tomography angiography (CTA) images is of great clinical significance. Automatic segmentation of kidney, renal tumor, renal vein and renal artery benefits a lot on surgery-based renal cancer treatment. In this paper, we propose a new nnhra-unet network, and use a multi-stage framework which is based on it to segment the multi-structure of kidney and participate in the KiPA2022 challenge.
Abstract（参考訳）: CTアンギオグラフィー(CTA)画像を用いた3次元腎解析は臨床的に非常に重要である。腎、腎腫瘍、腎静脈、腎動脈の自動分画は、手術ベースの腎癌治療に大いに役立つ。本稿では,新しいnnhra-unetネットワークを提案し,それに基づく多段階フレームワークを用いて腎臓の多層構造を分割し,kipa2022チャレンジに参加する。

関連論文リスト

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)
CoRe: An Automated Pipeline for The Prediction of Liver Resection Complexity from Preoperative CT Scans [53.561797148529664]
肝切除を複雑にするために重要な位置にある腫瘍が知られている。 CoReは、術後LRの複雑さを予測するための自動化された医療画像処理パイプラインである。
論文参考訳（メタデータ） (2022-10-15T15:29:24Z)
An evaluation of U-Net in Renal Structure Segmentation [13.7055816814391]
Kidney PArsing(KiPA 2022) Challengeは、きめ細かいマルチ構造データセットの構築を目指している。我々はいくつかのU-Netの変種を評価し、最終提案のための最良のモデルを選択した。
論文参考訳（メタデータ） (2022-09-06T06:53:41Z)
Boundary-Aware Network for Kidney Parsing [18.75582522299797]
血管造影(CTA)スキャンで腎臓を分節する境界認識ネットワーク(BA-Net)を提案する。モデルは共有エンコーダ、境界デコーダ、セグメンテーションデコーダを含む。その結果,BA-Netの有効性が示された。
論文参考訳（メタデータ） (2022-08-29T02:19:30Z)
KiPA22 Report: U-Net with Contour Regularization for Renal Structures Segmentation [10.438583569272303]
医用画像セグメンテーションの最先端手法であるnnU-Netフレームワークを用いる。腫瘍ラベルの外れ率予測を小さくするため,腫瘍ラベルの輪郭正則化(CR)損失とDice損失とクロスエントロピー損失を併用した。
論文参考訳（メタデータ） (2022-08-10T15:07:20Z)
CANet: Channel Extending and Axial Attention Catching Network for Multi-structure Kidney Segmentation [0.9115927248875568]
マルチ構造腎セグメンテーションのためのチャネル延長および軸方向注意捕捉ネットワーク(CANet)を提案する。腎, 腫瘍, 動脈, 静脈の95.8%, 89.1%, 87.5%, 84.9%のダイススコアを得た。
論文参考訳（メタデータ） (2022-08-10T09:49:19Z)
A unified 3D framework for Organs at Risk Localization and Segmentation for Radiation Therapy Planning [56.52933974838905]
現在の医療ワークフローは、OAR(Organs-at-risk)のマニュアル記述を必要とする本研究は,OARローカライゼーション・セグメンテーションのための統合された3Dパイプラインの導入を目的とする。提案手法は医用画像に固有の3Dコンテキスト情報の活用を可能にする。
論文参考訳（メタデータ） (2022-03-01T17:08:41Z)
Learned super resolution ultrasound for improved breast lesion characterization [52.77024349608834]
超高分解能超音波局在顕微鏡は毛細血管レベルでの微小血管のイメージングを可能にする。この作業では、これらの課題に対処するために、信号構造を効果的に活用するディープニューラルネットワークアーキテクチャを使用します。トレーニングしたネットワークを利用することで,従来のPSF知識を必要とせず,UCAの分離性も必要とせず,短時間で微小血管構造を復元する。
論文参考訳（メタデータ） (2021-07-12T09:04:20Z)
EnMcGAN: Adversarial Ensemble Learning for 3D Complete Renal Structures Segmentation [15.43823931396036]
3次元完全腎構造(CRS)セグメンテーションは、腎臓、腫瘍、腎動脈、静脈を1つの推論でセグメント化することを目的としている。腎構造の複雑な形状,低コントラスト,大きな解剖学的変化により,3次元CRSセグメンテーションは成功しなかった。本研究では,3次元CRSセグメンテーションのための逆アンサンブル学習とEnsemble Multi-condition GAN(EnMcGAN)を提案する。
論文参考訳（メタデータ） (2021-06-08T06:40:42Z)
Rethinking the Extraction and Interaction of Multi-Scale Features for Vessel Segmentation [53.187152856583396]
網膜血管と主要動脈を2次元基底画像と3次元CTアンギオグラフィー(CTA)スキャンで分割する,PC-Netと呼ばれる新しいディープラーニングモデルを提案する。 PC-Netでは、ピラミッド圧縮励起(PSE)モジュールが各畳み込みブロックに空間情報を導入し、より効果的なマルチスケール特徴を抽出する能力を高めている。
論文参考訳（メタデータ） (2020-10-09T08:22:54Z)
M3Lung-Sys: A Deep Learning System for Multi-Class Lung Pneumonia Screening from CT Imaging [85.00066186644466]
マルチタスク型マルチスライス深層学習システム(M3Lung-Sys)を提案する。 COVID-19とHealthy, H1N1, CAPとの鑑別に加えて, M3 Lung-Sysも関連病変の部位を特定できる。
論文参考訳（メタデータ） (2020-10-07T06:22:24Z)

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。