Fugu-MT 論文翻訳(概要): Boundary-Aware Network for Abdominal Multi-Organ Segmentation

論文の概要: Boundary-Aware Network for Abdominal Multi-Organ Segmentation

arxiv url: http://arxiv.org/abs/2208.13774v1
Date: Mon, 29 Aug 2022 02:24:02 GMT
ステータス: 処理完了
システム内更新日: 2022-08-31 13:04:07.263352
Title: Boundary-Aware Network for Abdominal Multi-Organ Segmentation
Title（参考訳）: 腹部マルチオルガンセグメンテーションのための境界認識ネットワーク
Authors: Shishuai Hu and Zehui Liao and Yong Xia
Abstract要約: 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。
参考スコア（独自算出の注目度）: 21.079667938055668
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: Automated abdominal multi-organ segmentation is a crucial yet challenging task in the computer-aided diagnosis of abdominal organ-related diseases. Although numerous deep learning models have achieved remarkable success in many medical image segmentation tasks, accurate segmentation of abdominal organs remains challenging, due to the varying sizes of abdominal organs and the ambiguous boundaries among them. In this paper, we propose a boundary-aware network (BA-Net) to segment abdominal organs on CT scans and MRI 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 organ 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 Abdominal Multi-Organ Segmentation (AMOS) Challenge dataset and achieved an average Dice score of 89.29$\%$ for multi-organ segmentation on CT scans and an average Dice score of 71.92$\%$ on MRI scans. The results demonstrate that BA-Net is superior to nnUNet on both segmentation tasks.
Abstract（参考訳）: 腹部多臓器分節の自動化は, 腹部臓器疾患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、腹部臓器の大きさやあいまいな境界が多様であることから、腹部臓器の正確な分節化は依然として困難である。本稿では,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。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方のデコーダで採用されており、可変臓器サイズに起因する問題を軽減することができる。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。 Abdominal Multi-Organ Segmentation (AMOS) Challengeデータセット上でBA-Netを評価し,CTスキャンにおける多臓器切片の平均Diceスコア89.29$\%,MRIスキャンにおける平均Diceスコア71.92$\%を達成した。その結果,BA-Net は nnUNet より優れていることがわかった。

関連論文リスト

M3BUNet: Mobile Mean Max UNet for Pancreas Segmentation on CT-Scans [25.636974007788986]
我々は,M3BUNetを提案する。M3BUNetはMobileNetとU-Netニューラルネットワークの融合で,2段階に分けて膵CT像を段階的に分割する,新しい平均値(MM)アテンションを備える。細かなセグメンテーションの段階では、ウェーブレット分解フィルタを用いてマルチインプット画像を作成することにより、膵のセグメンテーション性能が向上することがわかった。提案手法は,最大89.53%のDice similarity Coefficient(DSC)値と最大81.16のIntersection Over Union(IOU)スコアをNIH pancreasデータセットで達成する。
論文参考訳（メタデータ） (2024-01-18T23:10:08Z)
M$^{2}$SNet: Multi-scale in Multi-scale Subtraction Network for Medical Image Segmentation [73.10707675345253]
医用画像から多様なセグメンテーションを仕上げるマルチスケールサブトラクションネットワーク(M$2$SNet)を提案する。本手法は,4つの異なる医用画像セグメンテーションタスクの11つのデータセットに対して,異なる評価基準の下で,ほとんどの最先端手法に対して好意的に機能する。
論文参考訳（メタデータ） (2023-03-20T06:26:49Z)
HALOS: Hallucination-free Organ Segmentation after Organ Resection Surgery [3.079885946230076]
最先端のセグメンテーションモデルはしばしば臓器の幻覚、すなわち臓器の偽陽性予測を引き起こす。臓器切除術後の症例を治療するMR画像における腹部臓器分割のためのHALOSを提案する。
論文参考訳（メタデータ） (2023-03-14T09:05:19Z)
Self-Supervised Correction Learning for Semi-Supervised Biomedical Image Segmentation [84.58210297703714]
半教師付きバイオメディカルイメージセグメンテーションのための自己教師付き補正学習パラダイムを提案する。共有エンコーダと2つの独立デコーダを含むデュアルタスクネットワークを設計する。異なるタスクのための3つの医用画像分割データセットの実験により,本手法の優れた性能が示された。
論文参考訳（メタデータ） (2023-01-12T08:19:46Z)
Learning from partially labeled data for multi-organ and tumor segmentation [102.55303521877933]
本稿では,トランスフォーマーに基づく動的オンデマンドネットワーク(TransDoDNet)を提案する。動的ヘッドにより、ネットワークは複数のセグメンテーションタスクを柔軟に達成することができる。我々はMOTSと呼ばれる大規模にラベル付けされたMulti-Organ and tumorベンチマークを作成し、他の競合相手よりもTransDoDNetの方が優れた性能を示す。
論文参考訳（メタデータ） (2022-11-13T13:03:09Z)
Improved Abdominal Multi-Organ Segmentation via 3D Boundary-Constrained Deep Neural Networks [9.416108287575915]
我々は3Dエンコーダ・デコーダネットワークを訓練し,腹部臓器とそれに対応する境界をCTスキャンで同時に分割する。腹腔内多臓器分節の改善における相補的境界予測タスクの有用性について検討した。
論文参考訳（メタデータ） (2022-10-09T15:31:19Z)
Boundary-Aware Network for Kidney Parsing [18.75582522299797]
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。
論文参考訳（メタデータ） (2022-08-29T02:19:30Z)
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)
Global Guidance Network for Breast Lesion Segmentation in Ultrasound Images [84.03487786163781]
我々は,大域的誘導ブロック(GGB)と乳房病変境界検出モジュールを備えた深部畳み込みニューラルネットワークを開発した。当社のネットワークは、乳房超音波病変分割における他の医療画像分割方法および最近のセマンティックセグメンテーション方法よりも優れています。
論文参考訳（メタデータ） (2021-04-05T13:15:22Z)
DoDNet: Learning to segment multi-organ and tumors from multiple partially labeled datasets [102.55303521877933]
本稿では,複数の臓器と腫瘍を部分的にラベル付けしたデータセット上に分割する動的オンデマンドネットワーク(DoDNet)を提案する。 DoDNetは共有エンコーダデコーダアーキテクチャ、タスク符号化モジュール、動的畳み込みフィルタを生成するコントローラ、そして単一だが動的セグメンテーションヘッドで構成されている。
論文参考訳（メタデータ） (2020-11-20T04:56:39Z)
Abdominal multi-organ segmentation with cascaded convolutional and adversarial deep networks [0.36944296923226316]
深層学習を用いた腹部CTおよびMR画像からの完全自動多臓器分画について検討した。我々のパイプラインは、最先端のエンコーダデコーダスキームよりも優れた結果をもたらす。
論文参考訳（メタデータ） (2020-01-26T21:28:04Z)

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。