Fugu-MT 論文翻訳(概要): Improved lung segmentation based on U-Net architecture and morphological operations

論文の概要: Improved lung segmentation based on U-Net architecture and morphological operations

arxiv url: http://arxiv.org/abs/2210.10545v1
Date: Wed, 19 Oct 2022 13:32:00 GMT
ステータス: 処理完了
システム内更新日: 2022-10-20 15:21:23.991132
Title: Improved lung segmentation based on U-Net architecture and morphological operations
Title（参考訳）: U-Netアーキテクチャと形態的操作による肺セグメンテーションの改善
Authors: S Ali John Naqvi, Abdullah Tauqeer, Rohaib Bhatti, S Bazil Ali
Abstract要約: 胸部X線写真における肺のセグメンテーションの信頼性について検討した。我々のモデルは、情報源であるChest Radiographの重要でない領域を無視することを学ぶことで、これらの課題を克服する。提案モデルの信頼性を示すDICE係数は98.1%である。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-sa/4.0/
Abstract: An essential stage in computer aided diagnosis of chest X rays is automated lung segmentation. Due to rib cages and the unique modalities of each persons lungs, it is essential to construct an effective automated lung segmentation model. This paper presents a reliable model for the segmentation of lungs in chest radiographs. Our model overcomes the challenges by learning to ignore unimportant areas in the source Chest Radiograph and emphasize important features for lung segmentation. We evaluate our model on public datasets, Montgomery and Shenzhen. The proposed model has a DICE coefficient of 98.1 percent which demonstrates the reliability of our model.
Abstract（参考訳）: コンピュータによる胸部X線診断における重要な段階は、自動肺分画である。胸骨ケージと各肺の特異な様相から, 効果的な自動肺分節モデルの構築が不可欠である。本稿では胸部x線写真における肺分画の信頼性の高いモデルを提案する。本モデルは,胸部x線源の重要でない領域を無視し,肺分画の重要な特徴を強調することで,課題を克服する。我々は、モンゴメリーと深センの公共データセットでモデルを評価する。提案モデルの信頼性を示すDICE係数は98.1%である。

関連論文リスト

Detection-Guided Deep Learning-Based Model with Spatial Regularization for Lung Nodule Segmentation [2.4044422838107438]
肺がんはがんの診断の主要な原因の1つであり、世界中でがん関連死亡の原因となっている。肺結節の分節は、悪性病変と良性病変の区別において、医師を支援する上で重要な役割を担っている。本稿では,CT画像における肺結節のセグメンテーションモデルを導入し,セグメンテーションと分類プロセスを統合する深層学習フレームワークを活用する。
論文参考訳（メタデータ） (2024-10-26T11:58:12Z)
Image Synthesis with Disentangled Attributes for Chest X-Ray Nodule Augmentation and Detection [52.93342510469636]
肺癌早期検診では胸部X線像の肺結節検出が一般的である。ディープラーニングに基づくコンピュータ支援診断(CAD)システムは、CXRの結節スクリーニングのために放射線科医をサポートすることができる。このようなデータセットの可用性を損なうため,データ拡張のために肺結節合成法を提案する。
論文参考訳（メタデータ） (2022-07-19T16:38:48Z)
What Makes for Automatic Reconstruction of Pulmonary Segments [50.216231776343115]
肺の3次元再構成は肺癌の外科的治療計画において重要な役割を担っている。しかし, 深層学習の時代には, 肺部分の自動再建は行われていない。肺セグメント再建のための深部暗黙表面モデルImPulSeを提案する。
論文参考訳（メタデータ） (2022-07-07T04:24:17Z)
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)
CoRSAI: A System for Robust Interpretation of CT Scans of COVID-19 Patients Using Deep Learning [133.87426554801252]
我々は,深部畳み込み神経網のアンサンブルを用いた肺CTスキャンのセグメンテーションによるアプローチを採用した。本モデルを用いて, 病変の分類, 患者の動態の評価, 病変による肺の相対体積の推定, 肺の損傷ステージの評価が可能となった。
論文参考訳（メタデータ） (2021-05-25T12:06:55Z)
Development of a Multi-Task Learning V-Net for Pulmonary Lobar Segmentation on Computed Tomography and Application to Diseased Lungs [0.19573380763700707]
疾患のある肺領域は、しばしばCT画像に高密度ゾーンを生成し、損傷した葉を特定するアルゴリズムの実行を制限する。この影響は、肺葉を分節する機械学習手法の改善を動機づけた。このアプローチは、放射線科医のロバストなツールとして臨床現場で容易に採用することができる。
論文参考訳（メタデータ） (2021-05-11T17:10:25Z)
Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for Thoracic Disease Identification [83.6017225363714]
ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
論文参考訳（メタデータ） (2021-02-26T02:29:30Z)
Deep LF-Net: Semantic Lung Segmentation from Indian Chest Radiographs Including Severely Unhealthy Images [5.826056983051642]
胸部X線写真(胸部X線、CxR)は、様々な肺疾患の診断において重要な役割を担っている。正確な肺分画は、健康問題、年齢、性別による肺の形状のばらつきから非常に困難である。提案研究は,CxRからの肺の正確な分画に対する効率的な深部畳み込みニューラルネットワークの使用について検討した。
論文参考訳（メタデータ） (2020-11-19T07:21:02Z)
Predicting COVID-19 Pneumonia Severity on Chest X-ray with Deep Learning [57.00601760750389]
前頭部胸部X線画像の重症度予測モデルを提案する。このようなツールは、エスカレーションやケアの非エスカレーションに使用できる新型コロナウイルスの肺感染症の重症度を測定することができる。
論文参考訳（メタデータ） (2020-05-24T23:13:16Z)
Attention U-Net Based Adversarial Architectures for Chest X-ray Lung Segmentation [0.0]
本稿では,診断パイプラインにおける基礎的,しかし困難な課題である肺分節に対する新しい深層学習手法を提案する。本手法では, 逆批判モデルとともに, 最先端の完全畳み込みニューラルネットワークを用いる。これは、患者プロファイルの異なる未確認データセットのCXRイメージによく当てはまり、JSRTデータセットの最終的なDSCRは97.5%に達した。
論文参考訳（メタデータ） (2020-03-23T14:45:48Z)
U-Det: A Modified U-Net architecture with bidirectional feature network for lung nodule segmentation [0.0]
本稿では,資源効率のよいモデルアーキテクチャであるU-Detを提案する。提案モデルは,1186個の肺結節からなるLUNA-16データセットを用いて,広範囲に訓練および評価を行った。 U-Detアーキテクチャは既存のU-Netモデルを82.82%のDice類似度係数(DSC)で上回り、人間の専門家に匹敵する結果が得られる。
論文参考訳（メタデータ） (2020-03-20T14:25:22Z)

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。