論文の概要: SuperVessel: Segmenting High-resolution Vessel from Low-resolution Retinal Image

• arxiv url: http://arxiv.org/abs/2207.13882v1
• Date: Thu, 28 Jul 2022 05:20:28 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-29 12:51:05.962916
• Title: SuperVessel: Segmenting High-resolution Vessel from Low-resolution Retinal Image
• Title（参考訳）: 低解像度網膜画像から高分解能容器を分割するsupervessel
• Authors: Yan Hu and Zhongxi Qiu and Dan Zeng and Li Jiang and Chen Lin and Jiang Liu
• Abstract要約: 本稿では,低解像度画像を入力として,高分解能かつ高精度な血管分割を行うSuperVesselというアルゴリズムを提案する。 提案したSuperVesselは,他の最先端アルゴリズムと比較して,分割精度が6%以上で,より小さな容器を分割することができる。
• 参考スコア（独自算出の注目度）: 14.15919158242763
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Vascular segmentation extracts blood vessels from images and serves as the basis for diagnosing various diseases, like ophthalmic diseases. Ophthalmologists often require high-resolution segmentation results for analysis, which leads to super-computational load by most existing methods. If based on low-resolution input, they easily ignore tiny vessels or cause discontinuity of segmented vessels. To solve these problems, the paper proposes an algorithm named SuperVessel, which gives out high-resolution and accurate vessel segmentation using low-resolution images as input. We first take super-resolution as our auxiliary branch to provide potential high-resolution detail features, which can be deleted in the test phase. Secondly, we propose two modules to enhance the features of the interested segmentation region, including an upsampling with feature decomposition (UFD) module and a feature interaction module (FIM) with a constraining loss to focus on the interested features. Extensive experiments on three publicly available datasets demonstrate that our proposed SuperVessel can segment more tiny vessels with higher segmentation accuracy IoU over 6%, compared with other state-of-the-art algorithms. Besides, the stability of SuperVessel is also stronger than other algorithms. We will release the code after the paper is published.
• Abstract（参考訳）: 血管分割は画像から血管を抽出し、眼科疾患などの様々な疾患の診断の基盤となる。 眼科医は分析のために高分解能のセグメンテーション結果を必要とすることが多く、既存の手法で超計算負荷が発生する。 低解像度の入力に基づいていれば、小さな容器を無視したり、セグメント化された容器の不連続を引き起こしたりする。 これらの問題を解決するために,低分解能画像を入力として高分解能かつ高精度な血管分割を行うSuperVesselアルゴリズムを提案する。 私たちはまず、テストフェーズで削除可能な高解像度の詳細機能を提供するために、補助ブランチとして超分解能を取ります。 第2に,機能分解(ufd)モジュールのアップサンプリングと,機能操作モジュール(fim)の制約損失を伴い,関心のある機能に焦点を当てた,興味のあるセグメンテーション領域の機能を強化する2つのモジュールを提案する。 3つのデータセットを広範囲に実験した結果,提案するsupervesselは,他の最先端アルゴリズムと比較して,より高精度なセグメンテーションiouでより小さな容器をセグメント化できることが証明された。 さらに、SuperVesselの安定性は他のアルゴリズムよりも強い。 論文が公開された後、コードを公開します。

関連論文リスト

• 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)
• FS-Net: Full Scale Network and Adaptive Threshold for Improving Extraction of Micro-Retinal Vessel Structures [4.776514178760067]
  本稿では,エンコーダ・デコーダニューラルネットワークアーキテクチャに基づく大規模マイクロ容器抽出機構を提案する。 提案手法はDRIVE,CHASE-DB1,STAREデータセットを用いて評価されている。
  論文  参考訳（メタデータ） (2023-11-14T10:32:17Z)
• 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)
• MAF-Net: Multiple attention-guided fusion network for fundus vascular image segmentation [1.3295074739915493]
  網膜基底画像の血管を正確に検出するマルチアテンション誘導核融合ネットワーク(MAF-Net)を提案する。 従来のUNetベースのモデルは、長距離依存を明示的にモデル化するため、部分的な情報を失う可能性がある。 提案手法は,いくつかの最先端手法と比較して良好な結果が得られることを示す。
  論文  参考訳（メタデータ） (2023-05-05T15:22:20Z)
• Reliable Joint Segmentation of Retinal Edema Lesions in OCT Images [55.83984261827332]
  本稿では,信頼性の高いマルチスケールウェーブレットエンハンストランスネットワークを提案する。 本研究では,ウェーブレット型特徴抽出器ネットワークとマルチスケール変圧器モジュールを統合したセグメンテーションバックボーンを開発した。 提案手法は,他の最先端セグメンテーション手法と比較して信頼性の高いセグメンテーション精度を実現する。
  論文  参考訳（メタデータ） (2022-12-01T07:32:56Z)
• Hard Exudate Segmentation Supplemented by Super-Resolution with Multi-scale Attention Fusion Module [14.021944194533644]
  硬外用量(HE)は網膜浮腫の最も特異的なバイオマーカーである。 本稿では,SS-MAFと呼ばれる高分解能部分分割手法を提案する。 我々はIDRiDとE-Ophthaの2つのパブリック病変データセットについて検討した。
  論文  参考訳（メタデータ） (2022-11-17T08:25:04Z)
• Multimodal Multi-Head Convolutional Attention with Various Kernel Sizes for Medical Image Super-Resolution [56.622832383316215]
  超解像CTおよびMRIスキャンのための新しいマルチヘッド畳み込みアテンションモジュールを提案する。 我々の注目モジュールは、畳み込み操作を用いて、複数の入力テンソルに対して共同的な空間チャネルアテンションを行う。 それぞれの頭部は空間的注意に対する特定の減少率に応じた受容野の大きさの異なる複数の注意ヘッドを導入している。
  論文  参考訳（メタデータ） (2022-04-08T07:56:55Z)
• Hierarchical Deep Network with Uncertainty-aware Semi-supervised Learning for Vessel Segmentation [58.45470500617549]
  本稿では,注目機構が血管全体に誘導される低コントラストキャピラリー領域を局在させる階層的なディープネットワークを提案する。 提案手法は,底部画像における網膜動脈/静脈の分画とCT画像における肝門/肝血管の分画のベンチマークにおいて,最先端の性能を実現する。
  論文  参考訳（メタデータ） (2021-05-31T06:55:43Z)
• 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)
• Partial Volume Segmentation of Brain MRI Scans of any Resolution and Contrast [6.850909506891018]
  部分ボラーミング(PV)は、確率論的アトラスを伴う脳MRIのベイズ分割における最後の重要な未解決問題である。 PVは、アトラスとテストスキャンの間に大きな解像度ギャップがある場合、特にセグメンテーションにおいて問題となる。 我々は、(多モード)低分解能(LR)スキャンと基礎となる高分解能(HR)セグメンテーションのマッピングを直接学習することで、この問題に対処する畳み込みニューラルネットワーク(CNN)であるPV-SynthSegを提案する。
  論文  参考訳（メタデータ） (2020-04-21T18:04:44Z)

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。