論文の概要: Extraction of Pulmonary Airway in CT Scans Using Deep Fully Convolutional Networks

• arxiv url: http://arxiv.org/abs/2208.07202v1
• Date: Fri, 12 Aug 2022 15:56:21 GMT
• ステータス: 処理完了
• システム内更新日: 2022-08-16 14:44:40.866486
• Title: Extraction of Pulmonary Airway in CT Scans Using Deep Fully Convolutional Networks
• Title（参考訳）: 深部畳み込みネットワークを用いたCTスキャンにおける肺気道抽出
• Authors: Shaofeng Yuan
• Abstract要約: 多地点から胸部CTスキャンで肺気道を自動的に抽出するために,2段階完全畳み込みネットワーク(FCN)を用いた。 具体的には,U字型ネットワーク構造を持つ3次元FCNを用いて,肺気道を粗い解像度で分割する。 報告した手法は,300件の公的研修セットと50件の独立した個人的検証セットを用いて評価した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate, automatic and complete extraction of pulmonary airway in medical images plays an important role in analyzing thoracic CT volumes such as lung cancer detection, chronic obstructive pulmonary disease (COPD), and bronchoscopic-assisted surgery navigation. However, this task remains challenges, due to the complex tree-like structure of the airways. In this technical report, we use two-stage fully convolutional networks (FCNs) to automatically segment pulmonary airway in thoracic CT scans from multi-sites. Specifically, we firstly adopt a 3D FCN with U-shape network architecture to segment pulmonary airway in a coarse resolution in order to accelerate medical image analysis pipeline. And then another one 3D FCN is trained to segment pulmonary airway in a fine resolution. In the 2022 MICCAI Multi-site Multi-domain Airway Tree Modeling (ATM) Challenge, the reported method was evaluated on the public training set of 300 cases and independent private validation set of 50 cases. The resulting Dice Similarity Coefficient (DSC) is 0.914 $\pm$ 0.040, False Negative Error (FNE) is 0.079 $\pm$ 0.042, and False Positive Error (FPE) is 0.090 $\pm$ 0.066 on independent private validation set.
• Abstract（参考訳）: 肺癌の検出,慢性閉塞性肺疾患(COPD),気管支鏡補助下手術ナビゲーションなどの胸部CTボリュームの分析において,医用画像における肺気道の正確な自動抽出が重要である。 しかし、気道の複雑な木のような構造のため、この作業は依然として困難である。 本技術報告では,多部位からの胸部CTスキャンで肺気道を自動的に分割するために,二段階完全畳み込みネットワーク(FCN)を用いる。 具体的には,まずU字型ネットワーク構造を持つ3次元FCNを用いて,医療画像解析パイプラインを高速化するために,肺気道を粗い解像度で分割する。 そしてもう1つの3D FCNは、肺気道を微細な解像度で分割するように訓練される。 2022年に開催されたMICCAI Multi-site Multi-domain Airway Tree Modeling (ATM) Challengeでは,300件の公開トレーニングセットと50件の独立したプライベート検証セットで評価を行った。 結果として得られるDice similarity Coefficient(DSC)は0.914$\pm$0.040、False Negative Error(FNE)は0.079$\pm$0.042、False Positive Error(FPE)は0.090$\pm$0.066である。

関連論文リスト

• Robust deep labeling of radiological emphysema subtypes using squeeze and excitation convolutional neural networks: The MESA Lung and SPIROMICS Studies [34.200556207264974]
  肺気腫は進行性で不可逆的な肺組織喪失である。 最近の研究は、肺CTにおける空間的インフォームド肺テクスチャパターン(ss)の教師なし学習につながっている。 肺CT上のss CNNとCTESの教師あり分類のための3次元圧縮・励起モデルを提案する。
  論文  参考訳（メタデータ） (2024-03-01T03:45:56Z)
• Segmentation of Aortic Vessel Tree in CT Scans with Deep Fully Convolutional Networks [4.062948258086793]
  大動脈疾患の早期発見,診断,予後には,CTスキャンによる大動脈血管木の自動的,正確な分画が不可欠である。 我々は2段階の完全畳み込みネットワーク(FCN)を用いて、複数のセンターからスキャン中のAVTを自動的に分割する。
  論文  参考訳（メタデータ） (2023-05-16T22:24:01Z)
• SGDA: Towards 3D Universal Pulmonary Nodule Detection via Slice Grouped Domain Attention [47.44114201293201]
  肺がんは世界中でがんの死因となっている。 現在の肺結節検出法は通常ドメイン固有である。 肺結節検出ネットワークの一般化能力を高めるために,スライスグループドメインアテンション(SGDA)モジュールを提案する。
  論文  参考訳（メタデータ） (2023-03-07T03:17:49Z)
• An Efficient and Robust Method for Chest X-Ray Rib Suppression that Improves Pulmonary Abnormality Diagnosis [0.49998148477760956]
  胸部X線(CXR)に対する胸部骨陰影の抑制は肺疾患の診断を改善することが示唆された。 従来のアプローチは、教師なしの物理的および教師なしのディープラーニングモデルに分類される。 本研究では,(1)空間変換勾配場における物理モデルによる最小化によりGT骨影を除去した2段階のトレーニングペアの生成について,一般化可能かつ効率的なワークフローを提案する。 2) 受信したCXRの高速リブ除去のために,ステージ1データセット上でのネットワークトレーニングをフル教師する。
  論文  参考訳（メタデータ） (2023-02-19T23:47:02Z)
• What Makes for Automatic Reconstruction of Pulmonary Segments [50.216231776343115]
  肺の3次元再構成は肺癌の外科的治療計画において重要な役割を担っている。 しかし, 深層学習の時代には, 肺部分の自動再建は行われていない。 肺セグメント再建のための深部暗黙表面モデルImPulSeを提案する。
  論文  参考訳（メタデータ） (2022-07-07T04:24:17Z)
• Pulmonary Vessel Segmentation based on Orthogonal Fused U-Net++ of Chest CT Images [1.8692254863855962]
  胸部CT画像から肺血管セグメンテーションの枠組みと改善過程について検討した。 アプローチの鍵となるのは、3つの軸から2.5D区分けネットワークを応用し、堅牢で完全に自動化された肺血管区分け結果を示す。 提案手法は,他のネットワーク構造よりも大きなマージンで優れ,平均DICEスコア0.9272,精度0.9310を極端に上回っている。
  論文  参考訳（メタデータ） (2021-07-03T21:46:29Z)
• Quantification of pulmonary involvement in COVID-19 pneumonia by means of a cascade oftwo U-nets: training and assessment on multipledatasets using different annotation criteria [83.83783947027392]
  本研究は、新型コロナウイルスの肺病変の同定、セグメント化、定量化のために人工知能(AI)を活用することを目的とする。 2つのU-netのカスケードをベースとした自動解析パイプラインLungQuantシステムを開発した。 LungQuantシステムにおけるCT-Severity Score(CT-SS)の精度も評価した。
  論文  参考訳（メタデータ） (2021-05-06T10:21:28Z)
• Fibrosis-Net: A Tailored Deep Convolutional Neural Network Design for Prediction of Pulmonary Fibrosis Progression from Chest CT Images [59.622239796473885]
  肺線維症は、回復不能な肺組織スカーリングおよび損傷を引き起こす慢性肺疾患であり、肺容量の進行的減少と既知の治療法がない。 胸部CT画像からの肺線維化進展の予測に適した深部畳み込みニューラルネットワークであるFibrosis-Netを導入する。
  論文  参考訳（メタデータ） (2021-03-06T02:16:41Z)
• 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)
• Synergistic Learning of Lung Lobe Segmentation and Hierarchical Multi-Instance Classification for Automated Severity Assessment of COVID-19 in CT Images [61.862364277007934]
  3次元CT画像におけるCOVID-19の重症度自動評価のための相乗的学習フレームワークを提案する。 マルチタスクのディープネットワーク(M$2$UNet)が開発され、新型コロナウイルス患者の重症度を評価する。 われわれのM$2$UNetはパッチレベルのエンコーダと肺葉分画のためのセグメンテーションサブネットワークと重度評価のための分類サブネットワークから構成されている。
  論文  参考訳（メタデータ） (2020-05-08T03:16:15Z)
• Generative-based Airway and Vessel Morphology Quantification on Chest CT Images [8.414072468546875]
  本稿では, 気道ラウンジ, 気道壁厚, 血管半径の断面計測を行う畳み込みニューラルレグレシタ(CNR)を提案する。 CNRは、SimulatedおよびUnversa Generative Adrial Network(SimGAN)と組み合わせて使用される合成構造の生成モデルによって生成されたデータを用いて訓練される 血管では小血管血液量の推定値と一酸化炭素(DLCO)の肺拡散能の相関性を評価する。
  論文  参考訳（メタデータ） (2020-02-13T18:45:31Z)

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。