Fugu-MT 論文翻訳(概要): Boundary-Aware Network for Kidney Parsing

論文の概要: Boundary-Aware Network for Kidney Parsing

arxiv url: http://arxiv.org/abs/2208.13338v1
Date: Mon, 29 Aug 2022 02:19:30 GMT
ステータス: 処理完了
システム内更新日: 2022-08-30 14:33:12.251765
Title: Boundary-Aware Network for Kidney Parsing
Title（参考訳）: 腎臓解析のための境界認識ネットワーク
Authors: Shishuai Hu and Yiwen Ye and Zehui Liao and Yong Xia
Abstract要約: 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。
参考スコア（独自算出の注目度）: 18.75582522299797
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: Kidney structures segmentation is a crucial yet challenging task in the computer-aided diagnosis of surgery-based renal cancer. Although numerous deep learning models have achieved remarkable success in many medical image segmentation tasks, accurate segmentation of kidney structures on computed tomography angiography (CTA) images remains challenging, due to the variable sizes of kidney tumors and the ambiguous boundaries between kidney structures and their surroundings. In this paper, we propose a boundary-aware network (BA-Net) to segment kidneys, kidney tumors, arteries, and veins on CTA scans. This model contains a shared encoder, a boundary decoder, and a segmentation decoder. The multi-scale deep supervision strategy is adopted on both decoders, which can alleviate the issues caused by variable tumor sizes. The boundary probability maps produced by the boundary decoder at each scale are used as attention to enhance the segmentation feature maps. We evaluated the BA-Net on the Kidney PArsing (KiPA) Challenge dataset and achieved an average Dice score of 89.65$\%$ for kidney structure segmentation on CTA scans using 4-fold cross-validation. The results demonstrate the effectiveness of the BA-Net.
Abstract（参考訳）: 腎臓構造分節は、外科ベースの腎がんのコンピュータ診断において重要な課題である。多くの深層学習モデルが多くの医用画像分割作業で顕著な成功を収めているが、腎腫瘍の大きさや腎臓構造とその周囲のあいまいな境界が原因で、CTアンギオグラフィー(CTA)画像上の腎臓構造の正確なセグメンテーションは依然として困難である。本稿では, 腎臓, 腎臓腫瘍, 動脈, 静脈をctaスキャンで分割するための境界認識ネットワーク (ba-net) を提案する。この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。マルチスケールの深層監視戦略は両デコーダに採用されており、腫瘍の大きさの変化による問題を緩和することができる。各スケールで境界デコーダによって生成される境界確率マップは、セグメンテーション特徴マップを強化するために注意される。我々は,Kidney PArsing (KiPA) Challengeデータセット上でBA-Netを評価し,CTAスキャンの腎臓構造セグメンテーションにおける平均Diceスコア89.65$\%を4倍のクロスバリデーションを用いて達成した。その結果,ba-netの有効性が示された。

関連論文リスト

Dual-scale Enhanced and Cross-generative Consistency Learning for Semi-supervised Medical Image Segmentation [49.57907601086494]
医用画像のセグメンテーションはコンピュータ支援診断において重要な役割を担っている。半教師型医用画像(DEC-Seg)のための新しいDual-scale Enhanced and Cross-generative consistency learning frameworkを提案する。
論文参考訳（メタデータ） (2023-12-26T12:56:31Z)
Evaluation Kidney Layer Segmentation on Whole Slide Imaging using Convolutional Neural Networks and Transformers [13.602882723160388]
腎臓層構造のセグメンテーションは、腎病理における自動画像解析において重要な役割を担っている。現在の手動セグメンテーションプロセスは、広範囲なデジタル病理画像を扱うために、労働集約的かつ実用的であることを証明している。本研究では,代表畳み込みニューラルネットワーク(CNN)とトランスフォーマーセグメンテーションアプローチを用いる。
論文参考訳（メタデータ） (2023-09-05T20:24:27Z)
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)
An evaluation of U-Net in Renal Structure Segmentation [13.7055816814391]
Kidney PArsing(KiPA 2022) Challengeは、きめ細かいマルチ構造データセットの構築を目指している。我々はいくつかのU-Netの変種を評価し、最終提案のための最良のモデルを選択した。
論文参考訳（メタデータ） (2022-09-06T06:53:41Z)
Boundary-Aware Network for Abdominal Multi-Organ Segmentation [21.079667938055668]
腹部臓器をCTとMRIに分割する境界認識ネットワーク(BA-Net)を提案する。その結果,両セグメンテーションタスクにおいて,BA-NetはnnUNetよりも優れていることがわかった。
論文参考訳（メタデータ） (2022-08-29T02:24:02Z)
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)
BCS-Net: Boundary, Context and Semantic for Automatic COVID-19 Lung Infection Segmentation from CT Images [83.82141604007899]
BCS-Netは、CT画像から自動的に新型コロナウイルスの肺感染症を分離するための新しいネットワークである。 BCS-Netはエンコーダ-デコーダアーキテクチャに従っており、多くの設計はデコーダのステージに焦点を当てている。 BCSRブロックでは、アテンション誘導グローバルコンテキスト(AGGC)モジュールがデコーダの最も価値のあるエンコーダ機能を学ぶように設計されている。
論文参考訳（メタデータ） (2022-07-17T08:54:07Z)
An Uncertainty-Driven GCN Refinement Strategy for Organ Segmentation [53.425900196763756]
本研究では,不確実性解析とグラフ畳み込みネットワークに基づくセグメンテーション改善手法を提案する。半教師付きグラフ学習問題を定式化するために、特定の入力ボリュームにおける畳み込みネットワークの不確実性レベルを用いる。本手法は膵臓で1%,脾臓で2%向上し,最先端のCRF改善法よりも優れていた。
論文参考訳（メタデータ） (2020-12-06T18:55:07Z)
DONet: Dual Objective Networks for Skin Lesion Segmentation [77.9806410198298]
本稿では,皮膚病変のセグメンテーションを改善するために,Dual Objective Networks (DONet) という,シンプルで効果的なフレームワークを提案する。我々のDONetは2つの対称デコーダを採用し、異なる目標に近づくための異なる予測を生成する。皮膚内視鏡画像における多種多様な病変のスケールと形状の課題に対処するために,再帰的コンテキスト符号化モジュール(RCEM)を提案する。
論文参考訳（メタデータ） (2020-08-19T06:02:46Z)
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)
VerSe: A Vertebrae Labelling and Segmentation Benchmark for Multi-detector CT Images [121.31355003451152]
大規模Vertebrae Challenge(VerSe)は、2019年と2020年に開催されたMICCAI(International Conference on Medical Image Computing and Computer Assisted Intervention)と共同で設立された。本評価の結果を報告するとともに,脊椎レベル,スキャンレベル,および異なる視野での性能変化について検討した。
論文参考訳（メタデータ） (2020-01-24T21:09:18Z)

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。