Fugu-MT 論文翻訳(概要): Using Large Context for Kidney Multi-Structure Segmentation from CTA Images

論文の概要: Using Large Context for Kidney Multi-Structure Segmentation from CTA Images

arxiv url: http://arxiv.org/abs/2208.04525v3
Date: Wed, 28 Feb 2024 11:48:21 GMT
ステータス: 処理完了
システム内更新日: 2024-02-29 19:32:29.714348
Title: Using Large Context for Kidney Multi-Structure Segmentation from CTA Images
Title（参考訳）: 大規模コンテキストを用いたCTA画像からのキドニー多構造セグメンテーション
Authors: Weiwei Cao and Yuzhu Cao
Abstract要約: 本稿は,MICCAI 2022 KIPA チャレンジにおける多構造セグメンテーション法の主な技術について概説する。本論文の主な貢献は,大容量のコンテキスト情報処理機能を備えた3次元UNetを設計することである。本手法は,MICCAI 2022 KIPA Chal-lengeオープンテストデータセットで8位,平均8.2。
参考スコア（独自算出の注目度）: 0.40792653193642503
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Accurate and automated segmentation of multi-structure (i.e., kidneys, renal tu-mors, arteries, and veins) from 3D CTA is one of the most important tasks for surgery-based renal cancer treatment (e.g., laparoscopic partial nephrectomy). This paper briefly presents the main technique details of the multi-structure seg-mentation method in MICCAI 2022 KIPA challenge. The main contribution of this paper is that we design the 3D UNet with the large context information cap-turing capability. Our method ranked eighth on the MICCAI 2022 KIPA chal-lenge open testing dataset with a mean position of 8.2. Our code and trained models are publicly available at https://github.com/fengjiejiejiejie/kipa22_nnunet.
Abstract（参考訳）: 手術ベースの腎癌治療(腹腔鏡下部分腎摘出術など)において, 3D CTAからの多施設(腎臓, 腎房, 動脈, 静脈など)の正確な自動分割が最も重要な課題である。本稿は,MICCAI 2022 KIPA チャレンジにおける多構造セグメンテーション法の主な技術について概説する。本論文の主な貢献は,大容量のコンテキスト情報処理機能を備えた3次元UNetを設計することである。本手法は,MICCAI 2022 KIPA Chal-lengeオープンテストデータセットで8位,平均8.2。私たちのコードとトレーニングされたモデルは、https://github.com/fengjiejiejiejie/kipa22_nnunetで公開されている。

関連論文リスト

Towards a Benchmark for Colorectal Cancer Segmentation in Endorectal Ultrasound Videos: Dataset and Model Development [59.74920439478643]
本稿では,多様なERUSシナリオをカバーする最初のベンチマークデータセットを収集し,注釈付けする。 ERUS-10Kデータセットは77の動画と10,000の高解像度アノテートフレームで構成されています。本稿では,ASTR (Adaptive Sparse-context TRansformer) という大腸癌セグメンテーションのベンチマークモデルを提案する。
論文参考訳（メタデータ） (2024-08-19T15:04:42Z)
Automatic Aorta Segmentation with Heavily Augmented, High-Resolution 3-D ResUNet: Contribution to the SEG.A Challenge [0.1633301148398433]
この研究は、MICCAI 2023カンファレンスで組織されたSEGへのMedGIFTチームの貢献を示す。ディープエンコーダ・デコーダアーキテクチャに基づく完全自動アルゴリズムを提案する。ソースコードと事前訓練されたモデルを自由にリリースし、Grand-Challengeプラットフォーム上でアルゴリズムへのアクセスを提供する。
論文参考訳（メタデータ） (2023-10-24T13:28:46Z)
AttResDU-Net: Medical Image Segmentation Using Attention-based Residual Double U-Net [0.0]
本稿では,既存の医用画像セグメンテーションネットワークを改善したアテンションベース残留Double U-Netアーキテクチャ(AttResDU-Net)を提案する。 CVC clinic-DB、ISIC 2018、2018 Data Science Bowlの3つのデータセットで実験を行い、それぞれ94.35%、91.68%、92.45%のDice Coefficientスコアを得た。
論文参考訳（メタデータ） (2023-06-25T14:28:08Z)
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)
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)
MISSU: 3D Medical Image Segmentation via Self-distilling TransUNet [55.16833099336073]
医用画像セグメンテーションのためのトランスフォーマーベースUNetを提案する。グローバルな意味情報と局所的な空間的詳細特徴を同時に学習する。 MISSUは従来の最先端手法よりも優れた性能を発揮する。
論文参考訳（メタデータ） (2022-06-02T07:38:53Z)
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)
CPNet: Cycle Prototype Network for Weakly-supervised 3D Renal Compartments Segmentation on CT Images [14.756502627336305]
腹部CTA画像から腎部分の3次元構造を抽出することを目的としたCT画像の腎部分分割本稿では、3次元腎コンパートメントセグメンテーションのための弱教師付き学習フレームワークであるCycle Prototype Networkを提案する。我々のモデルは4つのラベル付き画像で79.1%と78.7%を達成し、典型的なプロトタイプPANetよりも約20%向上した。
論文参考訳（メタデータ） (2021-08-15T06:54:38Z)
Automatic Polyp Segmentation via Multi-scale Subtraction Network [100.94922587360871]
臨床的には、正確なポリープセグメンテーションは大腸癌の早期発見に重要な情報を提供する。既存のほとんどの手法はU字型構造に基づいており、デコーダで段階的に異なるレベルの特徴を融合させるために要素ワイド付加または結合を用いる。大腸内視鏡画像からポリプを抽出するマルチスケールサブトラクションネットワーク(MSNet)を提案する。
論文参考訳（メタデータ） (2021-08-11T07:54:07Z)
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)
LRTD: Long-Range Temporal Dependency based Active Learning for Surgical Workflow Recognition [67.86810761677403]
本稿では,費用対効果の高い手術ビデオ解析のための新しい能動的学習法を提案する。具体的には,非局所的再帰的畳み込みネットワーク (NL-RCNet) を提案する。手術ワークフロー認識タスクを実行することで,大規模な手術ビデオデータセット(Cholec80)に対するアプローチを検証する。
論文参考訳（メタデータ） (2020-04-21T09:21:22Z)

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。