論文の概要: Airway Tree Modeling Using Dual-channel 3D UNet 3+ with Vesselness Prior

• arxiv url: http://arxiv.org/abs/2208.13969v1
• Date: Tue, 30 Aug 2022 03:16:19 GMT
• ステータス: 処理完了
• システム内更新日: 2022-08-31 13:39:24.443066
• Title: Airway Tree Modeling Using Dual-channel 3D UNet 3+ with Vesselness Prior
• Title（参考訳）: 二重チャネル3次元unet 3+による気道トリーモデリング
• Authors: Hsiang-Chin Chien, Ching-Ping Wang, Jung-Chih Chen, Chia-Yen Lee
• Abstract要約: 肺気道ツリーモデリングは肺疾患の診断、特にX線CT(CT)に必須である 本研究では,Frangiフィルタ[5]とUNet 3+[11]を組み合わせて,デュアルチャネルUNet 3+を開発する。
• 参考スコア（独自算出の注目度）: 1.471992435706872
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The lung airway tree modeling is essential to work for the diagnosis of pulmonary diseases, especially for X-Ray computed tomography (CT). The airway tree modeling on CT images can provide the experts with 3-dimension measurements like wall thickness, etc. This information can tremendously aid the diagnosis of pulmonary diseases like chronic obstructive pulmonary disease [1-4]. Many scholars have attempted various ways to model the lung airway tree, which can be split into two major categories based on its nature. Namely, the model-based approach and the deep learning approach. The performance of a typical model-based approach usually depends on the manual tuning of the model parameter, which can be its advantages and disadvantages. The advantage is its don't require a large amount of training data which can be beneficial for a small dataset like medical imaging. On the other hand, the performance of model-based may be a misconcep-tion [5,6]. In recent years, deep learning has achieved good results in the field of medical image processing, and many scholars have used UNet-based methods in medical image segmentation [7-11]. Among all the variation of UNet, the UNet 3+ [11] have relatively good result compare to the rest of the variation of UNet. Therefor to further improve the accuracy of lung airway tree modeling, this study combines the Frangi filter [5] with UNet 3+ [11] to develop a dual-channel 3D UNet 3+. The Frangi filter is used to extracting vessel-like feature. The vessel-like feature then used as input to guide the dual-channel UNet 3+ training and testing procedures.
• Abstract（参考訳）: 肺気道ツリーモデリングは肺疾患、特にCT(X線CT)の診断に不可欠である。 CT画像上の気道ツリーモデリングは、壁の厚さなどの3次元計測を専門家に提供することができる。 この情報は慢性閉塞性肺疾患[1-4]のような肺疾患の診断に大いに役立つ。 多くの学者が肺気道木をモデル化する様々な方法を試しており、その性質に基づいて2つの主要なカテゴリーに分けられる。 すなわち、モデルベースのアプローチとディープラーニングのアプローチです。 典型的なモデルベースのアプローチのパフォーマンスは通常、モデルパラメータのマニュアルチューニングに依存します。 利点は、医療画像のような小さなデータセットにとって有益な、大量のトレーニングデータを必要としないことです。 一方、モデルベースのパフォーマンスは誤解を招くかもしれません [5,6]。 近年, 深層学習は医用画像処理の分野で優れた成果を上げており, 医用画像セグメンテーション [7-11] にUNetベースの手法を用いている学者も多い。 UNetのすべてのバリエーションの中で、UNet 3+[11]は、UNetの他のバリエーションと比較して比較的良い結果です。 そこで本研究では,Frangiフィルタ[5]とUNet 3+[11]を組み合わせることで,肺気道ツリーモデリングの精度をさらに向上する。 フランジフィルターは、容器のような特徴を抽出するために用いられる。 船体のような機能は入力として使われ、デュアルチャネルのUNet 3+のトレーニングとテスト手順をガイドする。

関連論文リスト

• High-Fidelity 3D Lung CT Synthesis in ARDS Swine Models Using Score-Based 3D Residual Diffusion Models [13.79974752491887]
  急性呼吸不全症候群(ARDS)は、肺炎症と呼吸不全を特徴とする重症疾患であり、死亡率は約40%である。 胸部X線のような従来の画像撮影法は、肺病理の完全な評価において、その効果を制限し、2次元のビューのみを提供する。 本研究では, スコアベース3D残差拡散モデルを用いて2次元X線画像から高忠実度3D肺CTを合成する。
  論文  参考訳（メタデータ） (2024-09-26T18:22:34Z)
• Application of Computer Deep Learning Model in Diagnosis of Pulmonary Nodules [5.058992545593932]
  再建法を用いて肺の3次元シミュレーションモデルを構築した。 コンピュータ支援肺結節検出モデルを構築した。 診断率は従来の診断法に比べて有意に改善した。
  論文  参考訳（メタデータ） (2024-06-19T04:27:27Z)
• Less Could Be Better: Parameter-efficient Fine-tuning Advances Medical Vision Foundation Models [71.18275399694689]
  医療視基盤モデルにおけるPEFTの有効性はまだ不明である。 NIH ChestX-ray14のラベル付きデータを用いたAUROCスコアの80.6%など,さまざまなデータ効率の学習タスクに対して,新たな最先端技術を構築した。 本研究は, PEFTを用いた医用画像の伝達学習において, コミュニティの注目を集めることが期待できる。
  論文  参考訳（メタデータ） (2024-01-22T18:59:07Z)
• Validated respiratory drug deposition predictions from 2D and 3D medical images with statistical shape models and convolutional neural networks [47.187609203210705]
  患者固有の沈着モデリングのための自動計算フレームワークを開発し,検証することを目的としている。 2次元胸部X線と3次元CT画像から3次元患者の呼吸動態を生成できる画像処理手法が提案されている。
  論文  参考訳（メタデータ） (2023-03-02T07:47:07Z)
• CT-LungNet: A Deep Learning Framework for Precise Lung Tissue Segmentation in 3D Thoracic CT Scans [1.1014741301167645]
  本稿では,3次元肺CT画像中の肺をディープネットワークと転写学習を用いて同定する完全自動手法を提案する。 VESSEL12とCRPFの2つの公開データセットとトレーニングとテストのために,LUNA16という1つの公開データセットを用いて定量的に評価した。
  論文  参考訳（メタデータ） (2022-12-28T17:37:08Z)
• Transferability limitations for Covid 3D Localization Using SARS-CoV-2 segmentation models in 4D CT images [8.026717228180935]
  深層学習モデルを用いたCT画像における肺炎感染領域のセマンティックセグメンテーションにおける転写可能性の限界について検討した。 実験結果から,Covidセグメンテーションモデルを作成する際には,転送可能性について慎重に検討する必要があることが示唆された。
  論文  参考訳（メタデータ） (2022-07-25T10:43:26Z)
• A Multi-Stage Attentive Transfer Learning Framework for Improving COVID-19 Diagnosis [49.3704402041314]
  新型コロナの診断を改善するための多段階集中移動学習フレームワークを提案する。 提案するフレームワークは、複数のソースタスクと異なるドメインのデータから知識を学習し、正確な診断モデルを訓練する3つの段階からなる。 本稿では,肺CT画像のマルチスケール表現を学習するための自己教師付き学習手法を提案する。
  論文  参考訳（メタデータ） (2021-01-14T01:39:19Z)
• Rethinking the Extraction and Interaction of Multi-Scale Features for Vessel Segmentation [53.187152856583396]
  網膜血管と主要動脈を2次元基底画像と3次元CTアンギオグラフィー(CTA)スキャンで分割する,PC-Netと呼ばれる新しいディープラーニングモデルを提案する。 PC-Netでは、ピラミッド圧縮励起(PSE)モジュールが各畳み込みブロックに空間情報を導入し、より効果的なマルチスケール特徴を抽出する能力を高めている。
  論文  参考訳（メタデータ） (2020-10-09T08:22:54Z)
• 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)
• Modelling the Distribution of 3D Brain MRI using a 2D Slice VAE [66.63629641650572]
  本研究では,2次元スライスVAEとガウスモデルを組み合わせた3次元MR脳の体積分布をモデル化する手法を提案する。 また,本研究では,脳解剖学に適合するセグメンテーションの精度を定量的に評価する新たなボリューム評価手法を提案する。
  論文  参考訳（メタデータ） (2020-07-09T13:23:15Z)

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。