論文の概要: 3D Matting: A Soft Segmentation Method Applied in Computed Tomography
- arxiv url: http://arxiv.org/abs/2209.07843v1
- Date: Fri, 16 Sep 2022 10:18:59 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-19 13:16:33.663195
- Title: 3D Matting: A Soft Segmentation Method Applied in Computed Tomography
- Title(参考訳): 3Dマッティング:CTに応用したソフトセグメンテーション法
- Authors: Lin Wang, Xiufen Ye, Donghao Zhang, Wanji He, Lie Ju, Xin Wang, Wei
Feng, Kaimin Song, Xin Zhao, Zongyuan Ge
- Abstract要約: CT、MRI、PETなどの3次元画像は、医用画像の分野では一般的であり、臨床診断において重要である。
セマンティック曖昧さは多くの医用画像ラベルの典型的な特徴である。
2次元医用画像では、画像マッチングによって生成された2次元マスクの代わりにソフトマスクを用いることで、病変を特徴づけることができる。
- 参考スコア(独自算出の注目度): 26.25446145993599
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Three-dimensional (3D) images, such as CT, MRI, and PET, are common in
medical imaging applications and important in clinical diagnosis. Semantic
ambiguity is a typical feature of many medical image labels. It can be caused
by many factors, such as the imaging properties, pathological anatomy, and the
weak representation of the binary masks, which brings challenges to accurate 3D
segmentation. In 2D medical images, using soft masks instead of binary masks
generated by image matting to characterize lesions can provide rich semantic
information, describe the structural characteristics of lesions more
comprehensively, and thus benefit the subsequent diagnoses and analyses. In
this work, we introduce image matting into the 3D scenes to describe the
lesions in 3D medical images. The study of image matting in 3D modality is
limited, and there is no high-quality annotated dataset related to 3D matting,
therefore slowing down the development of data-driven deep-learning-based
methods. To address this issue, we constructed the first 3D medical matting
dataset and convincingly verified the validity of the dataset through quality
control and downstream experiments in lung nodules classification. We then
adapt the four selected state-of-the-art 2D image matting algorithms to 3D
scenes and further customize the methods for CT images. Also, we propose the
first end-to-end deep 3D matting network and implement a solid 3D medical image
matting benchmark, which will be released to encourage further research.
- Abstract(参考訳): CT、MRI、PETなどの3次元画像は、医用画像の分野では一般的であり、臨床診断において重要である。
セマンティック曖昧さは多くの医療画像ラベルの典型的な特徴である。
これは、画像特性、病理解剖学、バイナリマスクの弱い表現など多くの要因によって引き起こされ、正確な3dセグメンテーションに困難をもたらす可能性がある。
2次元医用画像では、画像マッチングによって生じる2次元マスクの代わりにソフトマスクを用いて病変を特徴づけ、より包括的に病変の構造的特徴を記述し、その後の診断と解析の恩恵を受けることができる。
本研究は,3次元医用画像の病変を記述するために,3次元シーンに画像マッチングを導入する。
3次元モダリティにおける画像マッチングの研究は限られており、3次元マッチングに関連する高品質なアノテートデータセットが存在しないため、データ駆動型ディープラーニングベースの手法の開発が遅くなる。
そこで,本研究では,肺結節分類における品質管理と下流実験により,最初の3次元医用マッティングデータセットを構築し,その妥当性を検証した。
次に,選択した4つの最先端2D画像マッチングアルゴリズムを3Dシーンに適用し,さらにCT画像の手法をカスタマイズする。
また, エンド・ツー・エンドの深層3dマッティングネットワークを提案し, さらなる研究を促進するため, 堅牢な3d医用画像マッティングベンチマークを実装した。
関連論文リスト
- T3D: Towards 3D Medical Image Understanding through Vision-Language
Pre-training [33.548818136506334]
我々は、高解像度の3D医療画像用に設計された最初のフレームワークであるT3Dを紹介する。
T3Dには2つのテキストインフォームド・プレテキストタスクが含まれている: (lowerromannumeral1) テキストインフォームド・コントラスト学習; (lowerromannumeral2) テキストインフォームド・イメージ復元。
T3Dは、臓器や腫瘍のセグメンテーションなどのタスクや疾患の分類において、現在のvSSLメソッドよりも大幅に優れている。
論文 参考訳(メタデータ) (2023-12-03T23:03:22Z) - On the Localization of Ultrasound Image Slices within Point Distribution
Models [84.27083443424408]
甲状腺疾患は高分解能超音波(US)で診断されることが多い
縦断追跡は病理甲状腺形態の変化をモニタリングするための重要な診断プロトコルである。
3次元形状表現におけるUS画像の自動スライスローカライズのためのフレームワークを提案する。
論文 参考訳(メタデータ) (2023-09-01T10:10:46Z) - Disruptive Autoencoders: Leveraging Low-level features for 3D Medical
Image Pre-training [51.16994853817024]
本研究は、3Dラジオグラフィ画像のための効果的な事前学習フレームワークの設計に焦点をあてる。
ローカルマスキングと低レベルの摂動の組み合わせによって生成された破壊から、オリジナルのイメージを再構築しようとする事前トレーニングフレームワークであるDisruptive Autoencodersを紹介する。
提案する事前トレーニングフレームワークは、複数のダウンストリームタスクでテストされ、最先端のパフォーマンスを実現する。
論文 参考訳(メタデータ) (2023-07-31T17:59:42Z) - Multi-View Vertebra Localization and Identification from CT Images [57.56509107412658]
我々は,CT画像からの多視点椎体局在と同定を提案する。
本研究では,3次元問題を異なる視点における2次元局所化および識別タスクに変換する。
本手法は,多視点グローバル情報を自然に学習することができる。
論文 参考訳(メタデータ) (2023-07-24T14:43:07Z) - ARTIC3D: Learning Robust Articulated 3D Shapes from Noisy Web Image
Collections [71.46546520120162]
単眼画像から動物体のような3D関節形状を推定することは、本質的に困難である。
本稿では,スパース画像コレクションから各物体の形状を再構築する自己教師型フレームワークARTIC3Dを提案する。
我々は、剛性部分変換の下で、描画された形状とテクスチャを微調整することで、現実的なアニメーションを作成する。
論文 参考訳(メタデータ) (2023-06-07T17:47:50Z) - MedGen3D: A Deep Generative Framework for Paired 3D Image and Mask
Generation [17.373961762646356]
我々は3次元医用画像とマスクをペアで生成できるフレームワークであるMedGen3Dを紹介する。
提案フレームワークは,合成画像とセグメンテーションマップの正確なアライメントを保証する。
論文 参考訳(メタデータ) (2023-04-08T21:43:26Z) - Joint Embedding of 2D and 3D Networks for Medical Image Anomaly
Detection [0.8122270502556374]
本研究では, 接合による3次元ネットワークの強度と2次元ネットワークの強度を組み合わせる手法を開発した。
提案手法は分類タスクと分割タスクの両方において,SoTA法と比較して優れた性能を示す。
論文 参考訳(メタデータ) (2022-12-21T11:28:52Z) - 3D Matting: A Benchmark Study on Soft Segmentation Method for Pulmonary
Nodules Applied in Computed Tomography [32.775884701366465]
医用画像中の病変を3D領域に導入し,αマット(ソフトマスク)を用いて3D画像に病変を記述した。
この問題に対処するため,従来手法と深層学習法の両方を含む3Dマッティングの総合的研究を行った。
本稿では,最初のエンドツーエンドの3次元画像マッチングネットワークを提案し,医用3次元画像マッチングベンチマークを実装した。
論文 参考訳(メタデータ) (2022-10-11T02:40:18Z) - Super Images -- A New 2D Perspective on 3D Medical Imaging Analysis [0.0]
トレーニング中に3次元知識を効率的に埋め込んで3次元データを扱うための,シンプルで効果的な2次元手法を提案する。
本手法は3次元画像にスライスを並べて超高分解能画像を生成する。
2次元ネットワークのみを利用した3次元ネットワークを実現する一方で、モデルの複雑さはおよそ3倍に減少する。
論文 参考訳(メタデータ) (2022-05-05T09:59:03Z) - Weakly Supervised Volumetric Image Segmentation with Deformed Templates [80.04326168716493]
対象対象物の表面にスパースな3次元点のセットのみを提供する必要があるという意味で、真に弱い教師付きアプローチを提案する。
監督コストの削減により、3Dの弱スーパービジョンに対する従来のアプローチよりも優れていることを示す。
論文 参考訳(メタデータ) (2021-06-07T22:09:34Z) - Revisiting 3D Context Modeling with Supervised Pre-training for
Universal Lesion Detection in CT Slices [48.85784310158493]
CTスライスにおける普遍的病変検出のための3Dコンテキスト強化2D特徴を効率的に抽出するための修飾擬似3次元特徴ピラミッドネットワーク(MP3D FPN)を提案する。
新たな事前学習手法により,提案したMP3D FPNは,DeepLesionデータセット上での最先端検出性能を実現する。
提案された3Dプリトレーニングウェイトは、他の3D医療画像分析タスクのパフォーマンスを高めるために使用できる。
論文 参考訳(メタデータ) (2020-12-16T07:11:16Z)
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。