論文の概要: Human Treelike Tubular Structure Segmentation: A Comprehensive Review
and Future Perspectives
- arxiv url: http://arxiv.org/abs/2207.11203v1
- Date: Tue, 12 Jul 2022 17:01:42 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-31 14:36:52.462901
- Title: Human Treelike Tubular Structure Segmentation: A Comprehensive Review
and Future Perspectives
- Title(参考訳): ヒト樹状管状構造分節の包括的考察と今後の展望
- Authors: Hao Li, Zeyu Tang, Yang Nan, Guang Yang
- Abstract要約: 人間の生理学の構造は木のような形態に従っており、しばしば非常に微細なスケールで複雑さを表現する。
2Dおよび3D画像の大規模なコレクションは、医用画像モダリティによって利用可能になっている。
構造解析は、疾患の診断、治療計画、予後に関する洞察を提供する。
- 参考スコア(独自算出の注目度): 8.103169967374944
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Various structures in human physiology follow a treelike morphology, which
often expresses complexity at very fine scales. Examples of such structures are
intrathoracic airways, retinal blood vessels, and hepatic blood vessels. Large
collections of 2D and 3D images have been made available by medical imaging
modalities such as magnetic resonance imaging (MRI), computed tomography (CT),
Optical coherence tomography (OCT) and ultrasound in which the spatial
arrangement can be observed. Segmentation of these structures in medical
imaging is of great importance since the analysis of the structure provides
insights into disease diagnosis, treatment planning, and prognosis. Manually
labelling extensive data by radiologists is often time-consuming and
error-prone. As a result, automated or semi-automated computational models have
become a popular research field of medical imaging in the past two decades, and
many have been developed to date. In this survey, we aim to provide a
comprehensive review of currently publicly available datasets, segmentation
algorithms, and evaluation metrics. In addition, current challenges and future
research directions are discussed.
- Abstract(参考訳): 人間の生理学における様々な構造は木のような形態を辿り、しばしば非常に微細なスケールで複雑さを表現する。
そのような構造の例として、胸腔内気道、網膜血管、肝血管がある。
磁気共鳴画像(mri)、ct(ct)、光コヒーレンス断層撮影(oct)、および空間配置を観察できる超音波などの医用イメージングモードにより、2dおよび3d画像の大規模なコレクションが利用可能になっている。
疾患診断、治療計画、予後に関する洞察を提供するため、これらの構造を医用画像に分割することが非常に重要である。
放射線科医による広範囲なデータを手動でラベル付けすることは、しばしば時間がかかり、エラーを起こしやすい。
その結果、過去20年間に自動化または半自動化された計算モデルが医療画像の一般的な研究分野となり、その多くは現在まで開発されている。
本調査では,現在公開されているデータセット,セグメンテーションアルゴリズム,評価指標の総合的なレビューを行う。
また,現在の課題と今後の研究方向性についても論じる。
関連論文リスト
- SegmentAnyBone: A Universal Model that Segments Any Bone at Any Location
on MRI [13.912230325828943]
本稿では,MRIにおける骨分割のための汎用的,一般公開的なディープラーニングモデルを提案する。
提案モデルでは,完全自動セグメンテーションとプロンプトベースセグメンテーションの2つのモードで動作可能である。
1) さまざまなMRIプロトコルにまたがる新しいMRIデータセットの収集,注釈付けを行い,300以上の注釈付きボリュームと8485個の注釈付きスライスを含む。
論文 参考訳(メタデータ) (2024-01-23T18:59:25Z) - VALD-MD: Visual Attribution via Latent Diffusion for Medical Diagnostics [0.0]
医用画像における視覚的属性は、医用画像の診断関連成分を明確にすることを目指している。
本稿では、潜在拡散モデルとドメイン固有大言語モデルを組み合わせた新しい生成的視覚属性手法を提案する。
結果として生じるシステムは、ゼロショット局所化疾患誘導を含む様々な潜在能力を示す。
論文 参考訳(メタデータ) (2024-01-02T19:51:49Z) - Large-scale Long-tailed Disease Diagnosis on Radiology Images [59.37561810438641]
本研究では,放射線画像における大規模大語彙疾患分類の問題点について検討する。
i)データセット構築では、39,026ケース(192,675スキャン)を含む930のユニークなICD-10-CMコードとリンクした5568の障害を含む、学術的にアクセス可能な大規模診断データセットを構築します。
さらに,本研究の最終モデルは事前学習モデルとして機能し,様々な外部データセットの診断に役立てることができる。
論文 参考訳(メタデータ) (2023-12-26T18:20:48Z) - Towards Automated Semantic Segmentation in Mammography Images [0.0]
乳頭, 胸部筋, 線維腺組織, 脂肪組織を, 標準乳房造影画像で区分けするための深層学習ベースの枠組みを提案する。
論文 参考訳(メタデータ) (2023-07-18T15:04:42Z) - K-Space-Aware Cross-Modality Score for Synthesized Neuroimage Quality
Assessment [71.27193056354741]
クロスモダリティな医用画像合成をどう評価するかという問題は、ほとんど解明されていない。
本稿では,この課題の進展を促すため,新しい指標K-CROSSを提案する。
K-CROSSは、トレーニング済みのマルチモードセグメンテーションネットワークを使用して、病変の位置を予測する。
論文 参考訳(メタデータ) (2023-07-10T01:26:48Z) - Detailed Annotations of Chest X-Rays via CT Projection for Report
Understanding [16.5295886999348]
臨床放射線学報告では、医師は患者の健康状態に関する重要な情報を取得する。
患者の内部構造に関する生の医療画像データから、観察結果を伝達する。
現在の医療画像処理システムでは、患者の解剖と外観の両方が明確に把握されていない。
論文 参考訳(メタデータ) (2022-10-07T09:21:48Z) - Medical Image Captioning via Generative Pretrained Transformers [57.308920993032274]
我々は、Show-Attend-Tell と GPT-3 という2つの言語モデルを組み合わせて、包括的で記述的な放射線学記録を生成する。
提案モデルは、Open-I、MIMIC-CXR、汎用MS-COCOの2つの医療データセットで検証される。
論文 参考訳(メタデータ) (2022-09-28T10:27:10Z) - SQUID: Deep Feature In-Painting for Unsupervised Anomaly Detection [76.01333073259677]
無線画像からの異常検出のための空間認識型メモリキューを提案する(略してSQUID)。
SQUIDは, 微細な解剖学的構造を逐次パターンに分類でき, 推測では画像中の異常(見えない/修正されたパターン)を識別できる。
論文 参考訳(メタデータ) (2021-11-26T13:47:34Z) - Comprehensive Validation of Automated Whole Body Skeletal Muscle,
Adipose Tissue, and Bone Segmentation from 3D CT images for Body Composition
Analysis: Towards Extended Body Composition [0.6176955945418618]
ディープラーニングのような強力な人工知能のツールは、3D画像全体を分割し、すべての内部解剖の正確な測定を生成することができるようになった。
これにより、これまで存在した深刻なボトルネック、すなわち手動セグメンテーションの必要性の克服が可能になる。
これらの測定は不可能であったため、フィールドを非常に小さく限られたサブセットに制限した。
論文 参考訳(メタデータ) (2021-06-01T17:30:45Z) - Weakly supervised multiple instance learning histopathological tumor
segmentation [51.085268272912415]
スライド画像全体のセグメント化のための弱教師付きフレームワークを提案する。
トレーニングモデルに複数のインスタンス学習スキームを利用する。
提案するフレームワークは,The Cancer Genome AtlasとPatchCamelyonデータセットのマルチロケーションとマルチ中心公開データに基づいて評価されている。
論文 参考訳(メタデータ) (2020-04-10T13:12:47Z) - VerSe: A Vertebrae Labelling and Segmentation Benchmark for
Multi-detector CT Images [121.31355003451152]
大規模Vertebrae Challenge(VerSe)は、2019年と2020年に開催されたMICCAI(International Conference on Medical Image Computing and Computer Assisted Intervention)と共同で設立された。
本評価の結果を報告するとともに,脊椎レベル,スキャンレベル,および異なる視野での性能変化について検討した。
論文 参考訳(メタデータ) (2020-01-24T21:09:18Z)
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。