論文の概要: PARSE challenge 2022: Pulmonary Arteries Segmentation using Swin U-Net
Transformer(Swin UNETR) and U-Net
- arxiv url: http://arxiv.org/abs/2208.09636v1
- Date: Sat, 20 Aug 2022 08:49:47 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-23 14:03:14.003999
- Title: PARSE challenge 2022: Pulmonary Arteries Segmentation using Swin U-Net
Transformer(Swin UNETR) and U-Net
- Title(参考訳): PARSE Challenge 2022: Swin U-Net Transformer(Swin UNETR)とU-Netを用いた肺動脈セグメンテーション
- Authors: Akansh Maurya, Kunal Dashrath Patil, Rohan Padhy, Kalluri Ramakrishna
and Ganapathy Krishnamurthi
- Abstract要約: 我々は,Swin UNETR と U-Net を用いた深層ニューラルネットワークアーキテクチャを用いて肺動脈をCTスキャンから抽出する手法を提案する。
私たちのチームはこの方法でマルチレベルダイススコア84.36パーセントを達成しました。
- 参考スコア(独自算出の注目度): 0.10032961794537368
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In this work, we present our proposed method to segment the pulmonary
arteries from the CT scans using Swin UNETR and U-Net-based deep neural network
architecture. Six models, three models based on Swin UNETR, and three models
based on 3D U-net with residual units were ensemble using a weighted average to
make the final segmentation masks. Our team achieved a multi-level dice score
of 84.36 percent through this method. The code of our work is available on the
following link: https://github.com/akansh12/parse2022. This work is part of the
MICCAI PARSE 2022 challenge.
- Abstract(参考訳): 本研究では,Swin UNETR と U-Net-based Deep Neural Network Architecture を用いて肺動脈をCTスキャンから抽出する手法を提案する。
6モデル, スウィンunetrをベースとする3モデル, 残留単位を持つ3次元u-netをベースとする3モデル, 重み付け平均を用いて最終セグメンテーションマスクを作製した。
私たちのチームはこの方法でマルチレベルダイススコア84.36パーセントを達成した。
私たちの作業のコードは以下のリンクで公開されている。
この作業はMICCAI PARSE 2022チャレンジの一部である。
関連論文リスト
- 3rd Place Solution for PVUW2023 VSS Track: A Large Model for Semantic
Segmentation on VSPW [68.56017675820897]
本稿では,PVUW2023 VSSトラックの3位解について紹介する。
ビデオセマンティックセグメンテーションの課題を解決するために,様々な画像レベルの視覚的バックボーンとセグメンテーションヘッドを探索した。
論文 参考訳(メタデータ) (2023-06-04T07:50:38Z) - 3D UX-Net: A Large Kernel Volumetric ConvNet Modernizing Hierarchical
Transformer for Medical Image Segmentation [5.635173603669784]
本研究では,高機能なボリュームセグメンテーションのために,ConvNetモジュールを用いた階層型トランスフォーマを適応させる3D UX-Netという軽量なボリュームトリビュータを提案する。
具体的には、Swin Transformerにインスパイアされた大規模なグローバルな受容フィールドを実現するために、大きなカーネルサイズ(例:7.7times7$から始まる)でボリュームの奥行きの畳み込みを再検討する。
論文 参考訳(メタデータ) (2022-09-29T19:54:13Z) - Automated segmentation of intracranial hemorrhages from 3D CT [9.814838162752114]
頭蓋内出血セグメンテーションチャレンジ(INSTANCE 2022)は、研究者が3次元CTからの出血脳梗塞領域のセグメンテーションに対する解決策を比較するためのプラットフォームを提供する。
2DセグメンテーションネットワークであるMONAIのSegResNetを使い、再サンプリングせずにスライス的に動作します。
論文 参考訳(メタデータ) (2022-09-21T20:37:32Z) - Automated ischemic stroke lesion segmentation from 3D MRI [8.52488593202588]
Ischemic Stroke Lesion Challenge (ISLES 2022)は、研究者がソリューションを3D MRIから虚血脳梗塞領域の3Dセグメンテーションと比較するためのプラットフォームを提供する。
我々は、すべての画像を共通の解像度に再サンプリングし、2つのMRIモード(DWIとADC)を使用し、MONAIからSegResNetセマンティックセマンティックセグメンテーションネットワークを訓練する。
論文 参考訳(メタデータ) (2022-09-20T08:21:57Z) - A multi view multi stage and multi window framework for pulmonary artery
segmentation from CT scans [12.276612122678902]
肺動脈のセグメンテーション問題を3次元CNNネットワークに基づく2段階法を用いて解決する。
また,セグメンテーション性能を向上させるために,マルチビューとマルチウィンドウレベルの手法を採用する。
論文 参考訳(メタデータ) (2022-09-08T16:55:20Z) - Focal Modulation Networks [105.93086472906765]
自己注意(SA)は完全に焦点変調ネットワーク(FocalNet)に置き換えられる
ImageNet-1Kの精度は82.3%、83.9%である。
FocalNetsは下流のタスクに転送する際、顕著な優位性を示す。
論文 参考訳(メタデータ) (2022-03-22T17:54:50Z) - Mesh Convolution with Continuous Filters for 3D Surface Parsing [101.25796935464648]
本稿では、3次元トライアングルメッシュから効果的な幾何学的特徴学習のための一連のモジュラー演算を提案する。
メッシュ畳み込みは球面調和を正規直交基底として利用し、連続畳み込みフィルタを生成する。
さらに,PicassoNet++という3次元表面の知覚解析のための新しい階層型ニューラルネットワークを提案する。
論文 参考訳(メタデータ) (2021-12-03T09:16:49Z) - DivergentNets: Medical Image Segmentation by Network Ensemble [0.6372261626436676]
大腸ポリープの検出は、機械学習や消化管内視鏡の分野でトレンドとなっている。
Polypセグメンテーションは、フレーム単位の分類やオブジェクト検出よりも精度が高いという利点がある。
3つの異なるUNetモデルからなるTriUNetというセグメンテーションモデルを提案する。
私たちはTriUNetを、UNet++、FPN、DeepLabv3、DeepLabv3+といった有名なセグメンテーションモデルと組み合わせて、より一般化可能な医療画像セグメンテーションマスクを作成する。
論文 参考訳(メタデータ) (2021-07-01T08:15:00Z) - Deep ensembles based on Stochastic Activation Selection for Polyp
Segmentation [82.61182037130406]
本研究は,大腸内視鏡検査における画像分割,特に正確なポリープ検出とセグメンテーションを扱う。
イメージセグメンテーションの基本アーキテクチャはエンコーダとデコーダで構成されている。
我々はデコーダのバックボーンを変更することで得られるDeepLabアーキテクチャのバリエーションを比較した。
論文 参考訳(メタデータ) (2021-04-02T02:07:37Z) - CoTr: Efficiently Bridging CNN and Transformer for 3D Medical Image
Segmentation [95.51455777713092]
畳み込みニューラルネットワーク(CNN)は、現代の3D医療画像セグメンテーションのデファクトスタンダードとなっている。
本稿では,bf畳み込みニューラルネットワークとbfトランスbf(cotr)を効率良く橋渡しし,正確な3次元医用画像分割を実現する新しい枠組みを提案する。
論文 参考訳(メタデータ) (2021-03-04T13:34:22Z) - Deep Residual 3D U-Net for Joint Segmentation and Texture Classification
of Nodules in Lung [91.3755431537592]
肺結節の分類法, そのテクスチャ分類, 肺CT像による後続の推奨について検討した。
提案手法は, 一般的なU-Netアーキテクチャファミリに基づくニューラルネットワークモデルと, 共同結節分割とそのテクスチャ分類タスクと, フォローアップレコメンデーションのためのアンサンブルベースモデルから構成される。
論文 参考訳(メタデータ) (2020-06-25T07:20:41Z)
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。