Fugu-MT 論文翻訳(概要): KiPA22 Report: U-Net with Contour Regularization for Renal Structures Segmentation

論文の概要: KiPA22 Report: U-Net with Contour Regularization for Renal Structures Segmentation

arxiv url: http://arxiv.org/abs/2208.05772v1
Date: Wed, 10 Aug 2022 15:07:20 GMT
ステータス: 処理完了
システム内更新日: 2022-08-12 13:05:27.340092
Title: KiPA22 Report: U-Net with Contour Regularization for Renal Structures Segmentation
Title（参考訳）: KiPA22レポート:腎構造分割のための輪郭規則化U-Net
Authors: Kangqing Ye, Peng Liu, Qin Zhou, Guoyan Zheng
Abstract要約: 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。
参考スコア（独自算出の注目度）: 10.438583569272303
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Three-dimensional (3D) integrated renal structures (IRS) segmentation is important in clinical practice. With the advancement of deep learning techniques, many powerful frameworks focusing on medical image segmentation are proposed. In this challenge, we utilized the nnU-Net framework, which is the state-of-the-art method for medical image segmentation. To reduce the outlier prediction for the tumor label, we combine contour regularization (CR) loss of the tumor label with Dice loss and cross-entropy loss to improve this phenomenon.
Abstract（参考訳）: 臨床的には3次元統合腎構造(IRS)セグメンテーションが重要である。深層学習技術の進歩に伴い,医用画像のセグメンテーションに着目した強力なフレームワークが多数提案されている。本研究では,医用画像分割のための最先端手法であるnnU-Netフレームワークを用いた。腫瘍ラベルの異常予測を減少させるために,腫瘍ラベルの輪郭正規化(cr)損失とダイス損失とクロスエントロピー損失を組み合わせることにより,この現象を改善する。

関連論文リスト

Panoptic Segmentation and Labelling of Lumbar Spine Vertebrae using Modified Attention Unet [2.8730926763860687]
腰椎の3次元スライスMRIデータのパノプティカルセグメンテーションのための改良型注意U-Netアーキテクチャを提案する。本手法は,新しいマスキングロジックを取り入れた99.5%の精度を実現する。
論文参考訳（メタデータ） (2024-04-28T19:35:00Z)
Disruptive Autoencoders: Leveraging Low-level features for 3D Medical Image Pre-training [51.16994853817024]
本研究は、3Dラジオグラフィ画像のための効果的な事前学習フレームワークの設計に焦点をあてる。ローカルマスキングと低レベルの摂動の組み合わせによって生成された破壊から、オリジナルのイメージを再構築しようとする事前トレーニングフレームワークであるDisruptive Autoencodersを紹介する。提案する事前トレーニングフレームワークは、複数のダウンストリームタスクでテストされ、最先端のパフォーマンスを実現する。
論文参考訳（メタデータ） (2023-07-31T17:59:42Z)
Uncertainty Driven Bottleneck Attention U-net for Organ at Risk Segmentation [20.865775626533434]
CT画像におけるオルガン・アット・リスク(OAR)セグメンテーションは,自動セグメンテーション法では難しい課題である。本稿では,複数のデコーダU-netアーキテクチャを提案し,ネットワークのボトルネックに注目するために,デコーダ間のセグメンテーションの不一致を利用する。正確なセグメンテーションのために,CT強度統合正規化損失も提案した。
論文参考訳（メタデータ） (2023-03-19T23:45:32Z)
Structure-aware registration network for liver DCE-CT images [50.28546654316009]
セグメント化誘導深層登録網に関連臓器の構造情報を組み込んだ構造認識型登録手法を提案する。提案手法は,最新技術よりも高い登録精度を達成し,解剖学的構造を効果的に維持することができる。
論文参考訳（メタデータ） (2023-03-08T14:08:56Z)
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)
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)
Weakly-supervised Learning For Catheter Segmentation in 3D Frustum Ultrasound [74.22397862400177]
超音波を用いた新しいカテーテルセグメンテーション法を提案する。提案手法は,1ボリュームあたり0.25秒の効率で最先端の性能を実現した。
論文参考訳（メタデータ） (2020-10-19T13:56:22Z)
A Global Benchmark of Algorithms for Segmenting Late Gadolinium-Enhanced Cardiac Magnetic Resonance Imaging [90.29017019187282]
現在世界最大の心臓LGE-MRIデータセットである154個の3D LGE-MRIを用いた「2018 left Atrium Challenge」。技術および生物学的指標を用いた提案アルゴリズムの解析を行った。その結果, 最上部法は93.2%, 平均表面は0.7mmであった。
論文参考訳（メタデータ） (2020-04-26T08:49:17Z)
Multi-Scale Supervised 3D U-Net for Kidneys and Kidney Tumor Segmentation [0.8397730500554047]
腎腫瘍と腎腫瘍をCT画像から自動的に分離するマルチスケール3D U-Net(MSS U-Net)を提案する。我々のアーキテクチャは、3次元U-Netトレーニング効率を高めるために、深い監視と指数対数損失を組み合わせる。このアーキテクチャは、KiTS19パブリックデータセットのデータを使用した最先端の作業と比較して、優れたパフォーマンスを示している。
論文参考訳（メタデータ） (2020-04-17T08:25:43Z)
Weakly Supervised Lesion Co-segmentation on CT Scans [18.58056402884405]
本稿では、まずRECISTスライスから擬似マスクを生成する弱教師付きコセグメンテーションモデルを提案する。次に、これらを注意に基づく畳み込みニューラルネットワークのトレーニングラベルとして使用し、一対のCTスキャンから共通の病変を分割する。
論文参考訳（メタデータ） (2020-01-24T19:39:33Z)

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。