論文の概要: Uncertainty-Aware Multi-Parametric Magnetic Resonance Image Information
Fusion for 3D Object Segmentation
- arxiv url: http://arxiv.org/abs/2211.08783v1
- Date: Wed, 16 Nov 2022 09:16:52 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-17 14:47:39.947384
- Title: Uncertainty-Aware Multi-Parametric Magnetic Resonance Image Information
Fusion for 3D Object Segmentation
- Title(参考訳): 不確実性を考慮した3次元物体分割のためのマルチパラメトリック磁気共鳴画像情報融合
- Authors: Cheng Li, Yousuf Babiker M. Osman, Weijian Huang, Zhenzhen Xue, Hua
Han, Hairong Zheng, Shanshan Wang
- Abstract要約: 拡張された3次元画像セグメンテーションのための情報を完全に活用するために,不確実性を考慮したマルチパラメトリックMR画像特徴融合法を提案する。
提案手法は,既存モデルと比較してセグメンテーション性能が向上する。
- 参考スコア(独自算出の注目度): 12.361668672097753
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Multi-parametric magnetic resonance (MR) imaging is an indispensable tool in
the clinic. Consequently, automatic volume-of-interest segmentation based on
multi-parametric MR imaging is crucial for computer-aided disease diagnosis,
treatment planning, and prognosis monitoring. Despite the extensive studies
conducted in deep learning-based medical image analysis, further investigations
are still required to effectively exploit the information provided by different
imaging parameters. How to fuse the information is a key question in this
field. Here, we propose an uncertainty-aware multi-parametric MR image feature
fusion method to fully exploit the information for enhanced 3D image
segmentation. Uncertainties in the independent predictions of individual
modalities are utilized to guide the fusion of multi-modal image features.
Extensive experiments on two datasets, one for brain tissue segmentation and
the other for abdominal multi-organ segmentation, have been conducted, and our
proposed method achieves better segmentation performance when compared to
existing models.
- Abstract(参考訳): マルチパラメトリック磁気共鳴(mr)画像は臨床で必須のツールである。
その結果,多パラメータMR画像を用いた自動ボリューム分割は,コンピュータ支援疾患診断,治療計画,予後モニタリングに重要である。
深層学習に基づく医用画像解析における広範な研究にもかかわらず、異なる画像パラメータによる情報を有効に活用するには、さらなる研究が必要である。
どのように情報を融合するかは、この分野の重要な疑問である。
本稿では,3次元画像セグメンテーションのための情報を完全に活用するために,不確実性を考慮したマルチパラメトリックMR画像特徴融合法を提案する。
個々のモダリティの独立予測の不確かさを利用して、マルチモーダル画像特徴の融合を導く。
脳組織セグメンテーション用と腹部多臓器セグメンテーション用という2つのデータセットの広範囲な実験を行い,提案手法は既存のモデルと比較して,より優れたセグメンテーション性能を実現する。
関連論文リスト
- Multi-sensor Learning Enables Information Transfer across Different Sensory Data and Augments Multi-modality Imaging [21.769547352111957]
データ駆動型マルチモーダルイメージング(DMI)によるCTとMRIのシナジーイメージングについて検討した。
マルチモダリティ・イメージングにおける特徴,すなわちモダリティ・イントラモダリティ・イントラモダリティの2つの特徴を明らかにし,マルチセンサ・ラーニング(MSL)フレームワークを提案する。
相乗的CT-MRI脳画像撮影によるDMI戦略の有効性について紹介する。
論文 参考訳(メタデータ) (2024-09-28T17:40:54Z) - QUBIQ: Uncertainty Quantification for Biomedical Image Segmentation Challenge [93.61262892578067]
医用画像分割作業の不確実性、特にラター間変動性は重要な課題である。
この可変性は、自動セグメンテーションアルゴリズムの開発と評価に直接影響を及ぼす。
バイオメディカル画像量化チャレンジ(QUBIQ)における不確実性の定量化のベンチマーク結果を報告する。
論文 参考訳(メタデータ) (2024-03-19T17:57:24Z) - SDR-Former: A Siamese Dual-Resolution Transformer for Liver Lesion
Classification Using 3D Multi-Phase Imaging [59.78761085714715]
本研究は肝病変分類のための新しいSDR-Formerフレームワークを提案する。
提案フレームワークは2つの臨床データセットに関する総合的な実験を通じて検証された。
科学コミュニティを支援するため,肝病変解析のための多段階MRデータセットを公開しています。
論文 参考訳(メタデータ) (2024-02-27T06:32:56Z) - Three-Dimensional Medical Image Fusion with Deformable Cross-Attention [10.26573411162757]
マルチモーダル医療画像融合は、医療画像処理のいくつかの領域において重要な役割を担っている。
従来の融合法は、特徴を組み合わせて融合像を再構成する前に、それぞれのモダリティを独立して処理する傾向にある。
本研究では,これらの制限を是正するために設計された,革新的な教師なしの相互学習融合ネットワークを提案する。
論文 参考訳(メタデータ) (2023-10-10T04:10:56Z) - Modality-Agnostic Learning for Medical Image Segmentation Using
Multi-modality Self-distillation [1.815047691981538]
マルチモーダル・セルフディスト・イレレーション(MAG-MS)によるモダリティ非依存学習という新しい枠組みを提案する。
MAG-MSは複数のモダリティの融合から知識を蒸留し、個々のモダリティに対する表現学習を強化する。
ベンチマークデータセットを用いた実験により,MAG-MSの高効率化とセグメンテーション性能の向上が示された。
論文 参考訳(メタデータ) (2023-06-06T14:48:50Z) - Attentive Symmetric Autoencoder for Brain MRI Segmentation [56.02577247523737]
視覚変換器(ViT)をベースとした3次元脳MRIセグメンテーションタスクのための新しいアテンテーティブシンメトリオートエンコーダを提案する。
事前学習の段階では、提案するオートエンコーダがより注意を払って、勾配測定値に従って情報パッチを再構築する。
実験の結果,提案手法は最先端の自己教師付き学習法や医用画像分割モデルよりも優れていた。
論文 参考訳(メタデータ) (2022-09-19T09:43:19Z) - Generalizable multi-task, multi-domain deep segmentation of sparse
pediatric imaging datasets via multi-scale contrastive regularization and
multi-joint anatomical priors [0.41998444721319217]
本稿では,複数のデータセットに対して単一セグメンテーションネットワークを最適化する,新しいマルチタスク・マルチドメイン学習フレームワークを提案する。
足関節, 膝関節, 肩関節の3つの軽度, 小児画像データセットを用いた骨分節術の成績について検討した。
論文 参考訳(メタデータ) (2022-07-27T12:59:16Z) - Multi-modal Aggregation Network for Fast MR Imaging [85.25000133194762]
我々は,完全サンプル化された補助モダリティから補完表現を発見できる,MANetという新しいマルチモーダル・アグリゲーション・ネットワークを提案する。
我々のMANetでは,完全サンプリングされた補助的およびアンアンサンプされた目標モダリティの表現は,特定のネットワークを介して独立に学習される。
私たちのMANetは、$k$-spaceドメインの周波数信号を同時に回復できるハイブリッドドメイン学習フレームワークに従います。
論文 参考訳(メタデータ) (2021-10-15T13:16:59Z) - Modality Completion via Gaussian Process Prior Variational Autoencoders
for Multi-Modal Glioma Segmentation [75.58395328700821]
本稿では,患者スキャンに欠落するサブモダリティを1つ以上のインプットするために,MGP-VAE(Multi-modal Gaussian Process Prior Variational Autoencoder)を提案する。
MGP-VAEは、変分オートエンコーダ(VAE)に先立ってガウス過程(GP)を利用して、被験者/患者およびサブモダリティ相関を利用することができる。
4つのサブモダリティのうち2つ、または3つが欠落している脳腫瘍に対するMGP-VAEの適用性を示す。
論文 参考訳(メタデータ) (2021-07-07T19:06:34Z) - Cross-Modal Self-Attention Distillation for Prostate Cancer Segmentation [1.630747108038841]
マルチモーダル画像の特徴をより効率的に利用する方法は、医療画像セグメンテーションの分野ではまだ難しい問題である。
我々は, 中間層の符号化情報を異なるモードから完全に活用して, クロスモーダルな自己注意蒸留網を構築する。
生検にて358MRIで5倍のクロスバリデーションを施行した。
論文 参考訳(メタデータ) (2020-11-08T06:19:13Z) - Cross-Modal Information Maximization for Medical Imaging: CMIM [62.28852442561818]
病院では、同じ情報を異なるモダリティの下で利用できるようにする特定の情報システムにデータがサイロ化される。
これは、テスト時に常に利用できないかもしれない同じ情報の複数のビューを列車で取得し、使用するためのユニークな機会を提供する。
テスト時にモダリティの低下に耐性を持つマルチモーダル入力の優れた表現を学習することで、利用可能なデータを最大限活用する革新的なフレームワークを提案する。
論文 参考訳(メタデータ) (2020-10-20T20:05:35Z)
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。