論文の概要: Weakly Supervised Airway Orifice Segmentation in Video Bronchoscopy
- arxiv url: http://arxiv.org/abs/2208.11468v1
- Date: Wed, 24 Aug 2022 12:18:25 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-25 12:24:29.194789
- Title: Weakly Supervised Airway Orifice Segmentation in Video Bronchoscopy
- Title（参考訳）: ビデオ気管支鏡下気道オリフィスセグメンテーション
- Authors: Ron Keuth, Mattias Heinrich, Martin Eichenlaub and Marian Himstedt
- Abstract要約: 本論文は気管支鏡視下気管支鏡視下における気管支拡張術の自動化について述べる。
このタスクに対するディープラーニングベースのアプローチは、現在、容易に利用できる真実のセグメンテーションデータが欠如しているため、妨げられている。
我々はk平均からなるデータ駆動パイプラインと、コンパクトなマーカーベースの流域アルゴリズムを提案する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Video bronchoscopy is routinely conducted for biopsies of lung tissue
suspected for cancer, monitoring of COPD patients and clarification of acute
respiratory problems at intensive care units. The navigation within complex
bronchial trees is particularly challenging and physically demanding, requiring
long-term experiences of physicians. This paper addresses the automatic
segmentation of bronchial orifices in bronchoscopy videos. Deep learning-based
approaches to this task are currently hampered due to the lack of
readily-available ground truth segmentation data. Thus, we present a
data-driven pipeline consisting of a k-means followed by a compact marker-based
watershed algorithm which enables to generate airway instance segmentation maps
from given depth images. In this way, these traditional algorithms serve as
weak supervision for training a shallow CNN directly on RGB images solely based
on a phantom dataset. We evaluate generalization capabilities of this model on
two in-vivo datasets covering 250 frames on 21 different bronchoscopies. We
demonstrate that its performance is comparable to those models being directly
trained on in-vivo data, reaching an average error of 11 vs 5 pixels for the
detected centers of the airway segmentation by an image resolution of 128x128.
Our quantitative and qualitative results indicate that in the context of video
bronchoscopy, phantom data and weak supervision using non-learning-based
approaches enable to gain a semantic understanding of airway structures.
- Abstract（参考訳）: 気管支鏡検査は, 癌と疑われる肺組織の生検, COPD 患者のモニタリング, 集中治療室における急性呼吸障害の解明に日常的に行われている。
複雑な気管支内のナビゲーションは特に困難で物理的に要求され、医師の長期的な経験を必要とする。
本稿では気管支鏡ビデオにおける気管支オリフィスの自動分割について述べる。
このタスクに対するディープラーニングベースのアプローチは現在、容易に利用可能な地上真実セグメンテーションデータが欠如しているため、妨げられている。
そこで本稿では,k-meansからなるデータ駆動パイプラインに,与えられた深度画像から気道インスタンスのセグメンテーションマップを生成するための,コンパクトなマーカーベース流域アルゴリズムを提案する。
このようにして、これらの伝統的なアルゴリズムはファントムデータセットのみに基づいて、RGBイメージ上で浅いCNNを直接トレーニングする際の弱い監督役となる。
本研究では,21種類の気管支鏡上の250フレームをカバーする2つのビビオデータセット上で,このモデルの一般化能力を評価する。
その性能はin-vivoデータで直接トレーニングされるモデルに匹敵するものであり、検出された気道セグメンテーションの中心に対して画像解像度128x128で平均11ピクセル対5ピクセルの誤差に達した。
定量的・定性的な結果から,非学習型アプローチによるファントムデータと弱い監督により,気道構造の意味的理解が得られていることが示唆された。
関連論文リスト
- Shape-aware synthesis of pathological lung CT scans using CycleGAN for enhanced semi-supervised lung segmentation [0.0]
本稿では,画像-画像間翻訳におけるCycleGANの使用を強調した。
既存の真実と一致する偽の病理画像を生成することができる拡張方法を提供する。
本研究の予備的な結果は, 質的, 定量的に有意な改善を示すものである。
論文 参考訳（メタデータ） (2024-05-14T12:45:49Z) - BS-Diff: Effective Bone Suppression Using Conditional Diffusion Models
from Chest X-Ray Images [21.19843479423806]
胸部X線(CXR)は肺検診の低用量モダリティとして一般的に用いられる。
肺領域の約75%は骨と重なり、疾患の検出と診断を妨げている。
骨抑制技術が導入されたが、現在の病院の二重エネルギーサブトラクションイメージング技術は、高価な機器と高放射線にさらされる被検体を必要としている。
本稿では,U-Netアーキテクチャを備えた条件拡散モデルと,オートエンコーダを組み込むシンプルな拡張モジュールを備える骨抑制フレームワークBS-Diffを提案する。
論文 参考訳（メタデータ） (2023-11-26T15:13:13Z) - Airway Label Prediction in Video Bronchoscopy: Capturing Temporal
Dependencies Utilizing Anatomical Knowledge [0.0]
本稿では,気管支鏡画像データのみを取り入れたナビゲーションガイダンスについて述べる。
気道樹の解剖学的制約を最大限に活用する。
我々は、個々のフレームに基づく分類において、0.81と比較して、最大0.98まで精度を向上することができる。
論文 参考訳（メタデータ） (2023-07-17T08:26:36Z) - Fuzzy Attention Neural Network to Tackle Discontinuity in Airway
Segmentation [67.19443246236048]
気道セグメンテーションは肺疾患の検査、診断、予後に重要である。
いくつかの小型の気道支線(気管支や終端など)は自動セグメンテーションの難しさを著しく増す。
本稿では,新しいファジィアテンションニューラルネットワークと包括的損失関数を備える,気道セグメンテーションの効率的な手法を提案する。
論文 参考訳（メタデータ） (2022-09-05T16:38:13Z) - Preservation of High Frequency Content for Deep Learning-Based Medical
Image Classification [74.84221280249876]
大量の胸部ラジオグラフィーの効率的な分析は、医師や放射線技師を助けることができる。
本稿では,視覚情報の効率的な識別と符号化のための離散ウェーブレット変換(DWT)を提案する。
論文 参考訳（メタデータ） (2022-05-08T15:29:54Z) - Improving Classification Model Performance on Chest X-Rays through Lung
Segmentation [63.45024974079371]
本稿では, セグメンテーションによる異常胸部X線(CXR)識別性能を向上させるための深層学習手法を提案する。
提案手法は,CXR画像中の肺領域を局所化するための深層ニューラルネットワーク(XLSor)と,大規模CXRデータセットで事前学習した自己教師あり運動量コントラスト(MoCo)モデルのバックボーンを用いたCXR分類モデルである。
論文 参考訳（メタデータ） (2022-02-22T15:24:06Z) - Debiasing pipeline improves deep learning model generalization for X-ray
based lung nodule detection [11.228544549618068]
肺がんは世界中でがん死の主要な原因であり、予後は早期診断に依存している。
胸部X線像を均質化し,除染する画像前処理パイプラインは,内部分類と外部一般化の両方を改善することができることを示す。
進化的プルーニング機構は、一般に利用可能な肺結節X線データセットから最も情報性の高い画像に基づいて結節検出深層学習モデルを訓練するために用いられる。
論文 参考訳（メタデータ） (2022-01-24T10:08:07Z) - CoRSAI: A System for Robust Interpretation of CT Scans of COVID-19
Patients Using Deep Learning [133.87426554801252]
我々は,深部畳み込み神経網のアンサンブルを用いた肺CTスキャンのセグメンテーションによるアプローチを採用した。
本モデルを用いて, 病変の分類, 患者の動態の評価, 病変による肺の相対体積の推定, 肺の損傷ステージの評価が可能となった。
論文 参考訳（メタデータ） (2021-05-25T12:06:55Z) - 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) - Deep LF-Net: Semantic Lung Segmentation from Indian Chest Radiographs
Including Severely Unhealthy Images [5.826056983051642]
胸部X線写真(胸部X線、CxR)は、様々な肺疾患の診断において重要な役割を担っている。
正確な肺分画は、健康問題、年齢、性別による肺の形状のばらつきから非常に困難である。
提案研究は,CxRからの肺の正確な分画に対する効率的な深部畳み込みニューラルネットワークの使用について検討した。
論文 参考訳（メタデータ） (2020-11-19T07:21:02Z) - 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)
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。