論文の概要: Segmentation of Bruch's Membrane in retinal OCT with AMD using
anatomical priors and uncertainty quantification
- arxiv url: http://arxiv.org/abs/2210.14799v1
- Date: Wed, 26 Oct 2022 15:49:07 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-27 15:44:28.045053
- Title: Segmentation of Bruch's Membrane in retinal OCT with AMD using
anatomical priors and uncertainty quantification
- Title(参考訳): AMDを用いた網膜OCTにおけるBruch膜分画の解剖学的先行と不確実性定量化
- Authors: Botond Fazekas, Dmitrii Lachinov, Guilherme Aresta, Julia Mai, Ursula
Schmidt-Erfurth, Hrvoje Bogunovic
- Abstract要約: 本稿では,AMD患者に対するBruch膜(BM)自動分割のためのエンドツーエンド深層学習法を提案する。
アテンションU-Netは、表面の自然な曲率を考慮してBM位置の確率密度関数を出力するように訓練される。
また, サーフェス位置の他に, セグメンテーション出力のAスキャン的不確かさを推定する手法も提案した。
- 参考スコア(独自算出の注目度): 4.5206601127476445
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Bruch's membrane (BM) segmentation on optical coherence tomography (OCT) is a
pivotal step for the diagnosis and follow-up of age-related macular
degeneration (AMD), one of the leading causes of blindness in the developed
world. Automated BM segmentation methods exist, but they usually do not account
for the anatomical coherence of the results, neither provide feedback on the
confidence of the prediction. These factors limit the applicability of these
systems in real-world scenarios. With this in mind, we propose an end-to-end
deep learning method for automated BM segmentation in AMD patients. An
Attention U-Net is trained to output a probability density function of the BM
position, while taking into account the natural curvature of the surface.
Besides the surface position, the method also estimates an A-scan wise
uncertainty measure of the segmentation output. Subsequently, the A-scans with
high uncertainty are interpolated using thin plate splines (TPS). We tested our
method with ablation studies on an internal dataset with 138 patients covering
all three AMD stages, and achieved a mean absolute localization error of 4.10
um. In addition, the proposed segmentation method was compared against the
state-of-the-art methods and showed a superior performance on an external
publicly available dataset from a different patient cohort and OCT device,
demonstrating strong generalization ability.
- Abstract(参考訳): bruch's membrane (bm) segmentation on optical coherence tomography (oct) は、先進国における盲目の主要な原因の一つである加齢黄斑変性 (amd) の診断と追跡にとって重要なステップである。
自動BMセグメンテーション法は存在するが、通常は結果の解剖学的コヒーレンスを考慮せず、予測の信頼性に関するフィードバックも提供しない。
これらの要因は、現実のシナリオにおけるこれらのシステムの適用性を制限する。
そこで本研究では,AMD患者に対する自動BMセグメンテーションのためのエンドツーエンドディープラーニング手法を提案する。
注意u-netは、表面の自然曲率を考慮して、bm位置の確率密度関数を出力するように訓練される。
また, サーフェス位置の他に, セグメンテーション出力のAスキャン的不確実性の測定も行う。
その後、不確実性の高いAスキャンを薄板スプライン(TPS)を用いて補間する。
3つのamdステージすべてをカバーする138例の内的データセットについてアブレーション試験を行い,平均絶対位置推定誤差を4.10 umとした。
また,提案手法を最先端法と比較し,異なる患者コホートとoctデバイスから外部に利用可能なデータセットに対して優れた性能を示し,強力な一般化能力を示した。
関連論文リスト
- Diffusion Models for Counterfactual Generation and Anomaly Detection in
Brain Images [59.85702949046042]
病気の画像の健全なバージョンを生成し,それを用いて画素単位の異常マップを得るための弱教師付き手法を提案する。
健常者を対象にした拡散モデルを用いて, サンプリングプロセスの各ステップで拡散拡散確率モデル (DDPM) と拡散拡散確率モデル (DDIM) を組み合わせる。
本手法が正常なサンプルに適用された場合,入力画像は大幅な修正を伴わずに再構成されることを確認した。
論文 参考訳(メタデータ) (2023-08-03T21:56:50Z) - CT Perfusion is All We Need: 4D CNN Segmentation of Penumbra and Core in
Patients With Suspected Ischemic Stroke [1.6836876499886009]
本稿では,時間情報を完全に活用する4つの畳み込みを入力として利用する方法について検討する。
提案した4D mJ-Netを用いることで、ペニブラとコア領域の分割にそれぞれ0.53と0.23のDice係数が得られる。
論文 参考訳(メタデータ) (2023-03-15T16:53:19Z) - 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) - Fuzzy Attention Neural Network to Tackle Discontinuity in Airway
Segmentation [67.19443246236048]
気道セグメンテーションは肺疾患の検査、診断、予後に重要である。
いくつかの小型の気道支線(気管支や終端など)は自動セグメンテーションの難しさを著しく増す。
本稿では,新しいファジィアテンションニューラルネットワークと包括的損失関数を備える,気道セグメンテーションの効率的な手法を提案する。
論文 参考訳(メタデータ) (2022-09-05T16:38:13Z) - Distance-based detection of out-of-distribution silent failures for
Covid-19 lung lesion segmentation [0.8200989595956418]
ディープラーニングモデルは、アウト・オブ・ディストリビューションデータにサイレントに失敗するため、臨床ルーチンに信頼されていない。
特徴空間におけるマハラノビス距離を利用する軽量なOOD検出法を提案する。
胸部CT像の分布変化とMRIの2つの応用について検討した。
論文 参考訳(メタデータ) (2022-08-05T15:05:23Z) - PCA: Semi-supervised Segmentation with Patch Confidence Adversarial
Training [52.895952593202054]
医用画像セグメンテーションのためのPatch Confidence Adrial Training (PCA) と呼ばれる半教師付き対向法を提案する。
PCAは各パッチの画素構造とコンテキスト情報を学習し、十分な勾配フィードバックを得る。
本手法は, 医用画像のセグメンテーションにおいて, 最先端の半教師付き手法より優れており, その有効性を示している。
論文 参考訳(メタデータ) (2022-07-24T07:45:47Z) - Incremental Cross-view Mutual Distillation for Self-supervised Medical
CT Synthesis [88.39466012709205]
本稿では,スライス間の分解能を高めるために,新しい医療スライスを構築した。
臨床実践において, 根本・中間医療スライスは常に欠落していることを考慮し, 相互蒸留の段階的相互蒸留戦略を導入する。
提案手法は,最先端のアルゴリズムよりも明確なマージンで優れる。
論文 参考訳(メタデータ) (2021-12-20T03:38:37Z) - A Deep Learning Approach to Predicting Collateral Flow in Stroke
Patients Using Radiomic Features from Perfusion Images [58.17507437526425]
側方循環は、血流を妥協した領域に酸素を供給する特殊な無酸素流路から生じる。
実際のグレーティングは主に、取得した画像の手動検査によって行われる。
MR灌流データから抽出した放射線学的特徴に基づいて,脳卒中患者の側方血流低下を予測するための深層学習手法を提案する。
論文 参考訳(メタデータ) (2021-10-24T18:58:40Z) - DFENet: A Novel Dimension Fusion Edge Guided Network for Brain MRI
Segmentation [0.0]
本稿では,2次元CNNと3次元CNNの特徴を融合させることにより,これらの要件を満たす新しいDFENetを提案する。
提案手法は, 既存の方法よりも頑健で正確であり, バイオメディカルな応用に頼ることができる。
論文 参考訳(メタデータ) (2021-05-17T15:43:59Z) - CNN Based Segmentation of Infarcted Regions in Acute Cerebral Stroke
Patients From Computed Tomography Perfusion Imaging [2.1626699124055504]
血栓溶解療法は脳損傷を軽減できるが、治療窓は狭い。
Computed To Perfusion Imagingは、脳卒中患者の一般的な一次評価ツールです。
完全自動化された4次元畳み込みニューラルネットワークに基づくセグメンテーション手法を提案する。
論文 参考訳(メタデータ) (2021-04-07T09:09:13Z) - Assignment Flow for Order-Constrained OCT Segmentation [0.0]
網膜層厚の同定は、患者ごとに個別に行う重要な課題である。
自動セグメンテーションモデルの構築は,医用画像処理分野において重要な課題となっている。
我々は、秩序に制約された3D OCT網膜細胞層セグメンテーションのための新しい、純粋にデータ駆動型テキスト幾何学的アプローチを提案する。
論文 参考訳(メタデータ) (2020-09-10T01:57:53Z)
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。