論文の概要: UNet Based Pipeline for Lung Segmentation from Chest X-Ray Images
- arxiv url: http://arxiv.org/abs/2212.04617v1
- Date: Fri, 9 Dec 2022 01:00:10 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-12 14:45:14.805693
- Title: UNet Based Pipeline for Lung Segmentation from Chest X-Ray Images
- Title（参考訳）: 胸部X線画像からの肺分画のためのUNetベースパイプライン
- Authors: Shashank Shekhar, Ritika Nandi, H Srikanth Kamath
- Abstract要約: 胸部X線像から肺を分画するエンド・ツー・エンドパイプラインを提案する。
UNetを用いて、様々な肺疾患に対する初期検診の高速な処理を可能にする。
- 参考スコア（独自算出の注目度）: 1.5573807415011238
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Biomedical image segmentation is one of the fastest growing fields which has
seen extensive automation through the use of Artificial Intelligence. This has
enabled widespread adoption of accurate techniques to expedite the screening
and diagnostic processes which would otherwise take several days to finalize.
In this paper, we present an end-to-end pipeline to segment lungs from chest
X-ray images, training the neural network model on the Japanese Society of
Radiological Technology (JSRT) dataset, using UNet to enable faster processing
of initial screening for various lung disorders. The pipeline developed can be
readily used by medical centers with just the provision of X-Ray images as
input. The model will perform the preprocessing, and provide a segmented image
as the final output. It is expected that this will drastically reduce the
manual effort involved and lead to greater accessibility in
resource-constrained locations.
- Abstract（参考訳）: バイオメディカル画像のセグメンテーションは、人工知能によって広範囲に自動化された分野の1つだ。
これにより、精査と診断のプロセスを迅速化するために正確な技術が広く採用され、完成までに数日を要した。
本稿では,胸部x線画像から肺を分割するエンドツーエンドパイプラインを提案し,日本放射線技術学会(jsrt)データセット上でニューラルネットワークモデルをトレーニングし,unetを用いて各種肺疾患の初期スクリーニングの処理を高速化する。
開発されたパイプラインは、x線画像を入力として提供するだけで医療センターで容易に使用できる。
モデルは前処理を行い、最終出力としてセグメント化されたイメージを提供する。
これにより、手作業が大幅に削減され、資源に制約のある場所でのアクセシビリティが向上することが期待されている。
関連論文リスト
- CathFlow: Self-Supervised Segmentation of Catheters in Interventional Ultrasound Using Optical Flow and Transformers [66.15847237150909]
縦型超音波画像におけるカテーテルのセグメンテーションのための自己教師型ディープラーニングアーキテクチャを提案する。
ネットワークアーキテクチャは、Attention in Attentionメカニズムで構築されたセグメンテーショントランスフォーマであるAiAReSeg上に構築されている。
我々は,シリコンオルタファントムから収集した合成データと画像からなる実験データセット上で,我々のモデルを検証した。
論文 参考訳（メタデータ） (2024-03-21T15:13:36Z) - BS-Diff: Effective Bone Suppression Using Conditional Diffusion Models
from Chest X-Ray Images [21.19843479423806]
胸部X線(CXR)は肺検診の低用量モダリティとして一般的に用いられる。
肺領域の約75%は骨と重なり、疾患の検出と診断を妨げている。
骨抑制技術が導入されたが、現在の病院の二重エネルギーサブトラクションイメージング技術は、高価な機器と高放射線にさらされる被検体を必要としている。
本稿では,U-Netアーキテクチャを備えた条件拡散モデルと,オートエンコーダを組み込むシンプルな拡張モジュールを備える骨抑制フレームワークBS-Diffを提案する。
論文 参考訳（メタデータ） (2023-11-26T15:13:13Z) - AiAReSeg: Catheter Detection and Segmentation in Interventional
Ultrasound using Transformers [75.20925220246689]
血管内手術は、電離放射線を用いてカテーテルと血管を可視化するFluoroscopyの黄金標準を用いて行われる。
本研究では、最先端機械学習トランスフォーマアーキテクチャを応用して、軸干渉超音波画像シーケンス中のカテーテルを検出し、セグメント化する手法を提案する。
論文 参考訳（メタデータ） (2023-09-25T19:34:12Z) - 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) - Preservation of High Frequency Content for Deep Learning-Based Medical
Image Classification [74.84221280249876]
大量の胸部ラジオグラフィーの効率的な分析は、医師や放射線技師を助けることができる。
本稿では,視覚情報の効率的な識別と符号化のための離散ウェーブレット変換(DWT)を提案する。
論文 参考訳（メタデータ） (2022-05-08T15:29:54Z) - Debiasing pipeline improves deep learning model generalization for X-ray
based lung nodule detection [11.228544549618068]
肺がんは世界中でがん死の主要な原因であり、予後は早期診断に依存している。
胸部X線像を均質化し,除染する画像前処理パイプラインは,内部分類と外部一般化の両方を改善することができることを示す。
進化的プルーニング機構は、一般に利用可能な肺結節X線データセットから最も情報性の高い画像に基づいて結節検出深層学習モデルを訓練するために用いられる。
論文 参考訳（メタデータ） (2022-01-24T10:08:07Z) - 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) - An encoder-decoder-based method for COVID-19 lung infection segmentation [3.561478746634639]
本稿では,CTスキャン画像を用いた多タスク深層学習による肺感染症セグメンテーションを提案する。
提案手法は,データやラベル付き画像が不足していても,肺感染症を高いパフォーマンスで分離することができる。
論文 参考訳（メタデータ） (2020-07-02T04:02:03Z) - A DICOM Framework for Machine Learning Pipelines against Real-Time
Radiology Images [50.222197963803644]
Nifflerは、研究クラスタでの機械学習パイプラインの実行を可能にする統合フレームワークである。
ニフラーはDigital Imaging and Communications in Medicine (DICOM)プロトコルを使用して画像データの取得と保存を行っている。
我々は,そのアーキテクチャと3つのユースケースを提示する: リアルタイムに画像から下大静脈フィルターを検出すること,スキャナ利用の同定,およびスキャナクロックの校正。
論文 参考訳（メタデータ） (2020-04-16T21:06:49Z) - 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) - Towards a Complete Pipeline for Segmenting Nuclei in Feulgen-Stained
Images [52.946144307741974]
頸部がんは世界で2番目に多いがんである。
本稿では,畳み込みニューラルネットワークを用いたフェールゲン安定画像中の核分割のための完全なパイプラインを提案する。
We achieved a overall IoU 0.78, showed the availableability of the approach of nuclear segmentation on Feulgen-stained images。
論文 参考訳（メタデータ） (2020-02-19T18:14:57Z)
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。