Fugu-MT 論文翻訳(概要): An evaluation of U-Net in Renal Structure Segmentation

論文の概要: An evaluation of U-Net in Renal Structure Segmentation

arxiv url: http://arxiv.org/abs/2209.02247v1
Date: Tue, 6 Sep 2022 06:53:41 GMT
ステータス: 処理完了
システム内更新日: 2022-09-07 13:19:07.071556
Title: An evaluation of U-Net in Renal Structure Segmentation
Title（参考訳）: 腎構造セグメンテーションにおけるU-Netの評価
Authors: Haoyu Wang, Ziyan Huang, Jin Ye, Can Tu, Yuncheng Yang, Shiyi Du, Zhongying Deng, Chenglong Ma, Jingqi Niu, Junjun He
Abstract要約: 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。
参考スコア（独自算出の注目度）: 13.7055816814391
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Renal structure segmentation from computed tomography angiography~(CTA) is essential for many computer-assisted renal cancer treatment applications. Kidney PArsing~(KiPA 2022) Challenge aims to build a fine-grained multi-structure dataset and improve the segmentation of multiple renal structures. Recently, U-Net has dominated the medical image segmentation. In the KiPA challenge, we evaluated several U-Net variants and selected the best models for the final submission.
Abstract（参考訳）: CT血管造影から腎組織への分画は,多くのコンピュータ支援腎癌治療に必須である。 Kidney PArsing~(KiPA 2022) Challengeは、きめ細かいマルチ構造データセットを構築し、複数の腎構造のセグメンテーションを改善することを目的としている。近年、U-Netは医療画像のセグメンテーションを支配している。 KiPA チャレンジでは,いくつかの U-Net 変種を評価し,最終提案に最適なモデルを選択した。

関連論文リスト

Teaching AI the Anatomy Behind the Scan: Addressing Anatomical Flaws in Medical Image Segmentation with Learnable Prior [34.54360931760496]
臓器の数、形状、相対的な位置などの重要な解剖学的特徴は、堅牢な多臓器分割モデルの構築に不可欠である。我々は Anatomy-Informed Network (AIC-Net) と呼ばれる新しいアーキテクチャを導入する。 AIC-Netは、患者固有の解剖学に適応できる「解剖学的事前」と呼ばれる学習可能な入力を組み込んでいる。
論文参考訳（メタデータ） (2024-03-27T10:46:24Z)
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)
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)
A Multi-Stage Framework for the 2022 Multi-Structure Segmentation for Renal Cancer Treatment [1.3672079462036872]
CTアンギオグラフィー(CTA)画像を用いた3次元腎解析は臨床的に非常に重要である。本稿では、新しいnnhra-unetネットワークを提案し、それに基づく多段階フレームワークを用いて、腎臓の多構造を分断し、KiPA2022チャレンジに参加する。
論文参考訳（メタデータ） (2022-07-19T10:12:26Z)
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)
EnMcGAN: Adversarial Ensemble Learning for 3D Complete Renal Structures Segmentation [15.43823931396036]
3次元完全腎構造(CRS)セグメンテーションは、腎臓、腫瘍、腎動脈、静脈を1つの推論でセグメント化することを目的としている。腎構造の複雑な形状,低コントラスト,大きな解剖学的変化により,3次元CRSセグメンテーションは成功しなかった。本研究では,3次元CRSセグメンテーションのための逆アンサンブル学習とEnsemble Multi-condition GAN(EnMcGAN)を提案する。
論文参考訳（メタデータ） (2021-06-08T06:40:42Z)
Generalized Organ Segmentation by Imitating One-shot Reasoning using Anatomical Correlation [55.1248480381153]
そこで我々は,アノテーション付きオルガンクラスから一般化されたオルガン概念を学習し,その概念を未知のクラスに転送するOrganNetを提案する。そこで,OrganNetは臓器形態の幅広い変化に効果的に抵抗でき,一発分節タスクで最先端の結果が得られることを示す。
論文参考訳（メタデータ） (2021-03-30T13:41:12Z)
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)
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。