論文の概要: TMS-Net: A Segmentation Network Coupled With A Run-time Quality Control
Method For Robust Cardiac Image Segmentation
- arxiv url: http://arxiv.org/abs/2212.10877v1
- Date: Wed, 21 Dec 2022 09:40:23 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-22 15:41:23.823264
- Title: TMS-Net: A Segmentation Network Coupled With A Run-time Quality Control
Method For Robust Cardiac Image Segmentation
- Title（参考訳）: TMS-Net:ロバスト心臓画像分割のための実行時品質制御手法を組み合わせたセグメンテーションネットワーク
- Authors: Fatmatulzehra Uslu, Anil A. Bharath
- Abstract要約: ディープネットワークは、心臓磁気共鳴イメージング(MRI)画像のセグメンテーションに顕著な性能を示した。
ディープネットワークは、医師の信頼性を低下させるロバスト性の問題のために、医療クリニックで広く使われるようになるのが遅い。
本稿では,コサイン類似度によって測定されたマルチビューネットワークTMS-Netのデコーダ間の合意に基づく品質管理手法を提案する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recently, deep networks have shown impressive performance for the
segmentation of cardiac Magnetic Resonance Imaging (MRI) images. However, their
achievement is proving slow to transition to widespread use in medical clinics
because of robustness issues leading to low trust of clinicians to their
results. Predicting run-time quality of segmentation masks can be useful to
warn clinicians against poor results. Despite its importance, there are few
studies on this problem. To address this gap, we propose a quality control
method based on the agreement across decoders of a multi-view network, TMS-Net,
measured by the cosine similarity. The network takes three view inputs resliced
from the same 3D image along different axes. Different from previous multi-view
networks, TMS-Net has a single encoder and three decoders, leading to better
noise robustness, segmentation performance and run-time quality estimation in
our experiments on the segmentation of the left atrium on STACOM 2013 and
STACOM 2018 challenge datasets. We also present a way to generate poor
segmentation masks by using noisy images generated with engineered noise and
Rician noise to simulate undertraining, high anisotropy and poor imaging
settings problems. Our run-time quality estimation method show a good
classification of poor and good quality segmentation masks with an AUC reaching
to 0.97 on STACOM 2018. We believe that TMS-Net and our run-time quality
estimation method has a high potential to increase the thrust of clinicians to
automatic image analysis tools.
- Abstract（参考訳）: 近年, 心磁気共鳴イメージング(MRI)画像のセグメンテーションにおいて, ディープネットワークは顕著な性能を示した。
しかし、その成果は、堅牢性の問題から臨床医の信頼が低くなるため、医院で広く使われるようになるのが遅いことが証明されている。
セグメンテーションマスクの経時的品質予測は, 臨床医に予後不良を警告するのに有用である。
その重要性にもかかわらず、この問題に関する研究はほとんどない。
このギャップに対処するために,コサイン類似性によって測定されたマルチビューネットワークTMS-Netのデコーダ間の合意に基づく品質制御手法を提案する。
ネットワークは同じ3D画像から異なる軸に沿って3つのビュー入力を取る。
従来のマルチビューネットワークとは異なり、TMS-Netは単一エンコーダと3つのデコーダを備えており、STACOM 2013およびSTACOM 2018チャレンジデータセット上の左アトリウムのセグメンテーションに関する実験において、ノイズロバスト性、セグメンテーション性能、実行時の品質評価を改善する。
また,工学的な雑音とリッチ雑音で生成した雑音を利用して,低調波,高異方性,低画像設定問題をシミュレートすることで,セグメンテーションマスクを生成する手法を提案する。
STACOM 2018 では,AUC が 0.97 まで達する,低品質かつ高品質なセグメンテーションマスクの良好な分類が示されている。
我々は,tms-netとランタイム品質推定手法は,臨床医から自動画像解析ツールへの推力を高める可能性が高いと信じている。
関連論文リスト
- Enhancing Weakly Supervised 3D Medical Image Segmentation through
Probabilistic-aware Learning [52.249748801637196]
3次元医用画像のセグメンテーションは、疾患の診断と治療計画に重要な意味を持つ課題である。
近年の深層学習の進歩は、完全に教師付き医療画像のセグメンテーションを著しく強化している。
本稿では,3次元医用画像に特化して設計された,確率的適応型弱教師付き学習パイプラインを提案する。
論文 参考訳（メタデータ） (2024-03-05T00:46:53Z) - 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) - 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) - Self-supervised 3D anatomy segmentation using self-distilled masked
image transformer (SMIT) [2.7298989068857487]
自己教師型学習は、畳み込みネットワークを用いた医用画像のセグメンテーションに成功している。
我々は、我々のアプローチがより正確で、他のプリテキストタスクよりも微調整データセットを少なくする必要があることを示した。
論文 参考訳（メタデータ） (2022-05-20T17:55:14Z) - Unsupervised Denoising of Optical Coherence Tomography Images with
Dual_Merged CycleWGAN [3.3909577600092122]
そこで我々は,網膜CT画像復調のためのDual-Merged Cycle-WGANと呼ばれる新しいサイクル一貫性生成適応ネットを提案する。
本モデルでは,2つのCycle-GANネットワークとデクリミネータとワッセルシュタイン損失を併用して,優れたトレーニング安定性と性能を実現する。
論文 参考訳（メタデータ） (2022-05-02T07:38:19Z) - Harmonizing Pathological and Normal Pixels for Pseudo-healthy Synthesis [68.5287824124996]
そこで本研究では,新しいタイプの識別器であるセグメンタを提案し,病変の正確な特定と擬似健康画像の視覚的品質の向上を図っている。
医用画像強調に生成画像を適用し,低コントラスト問題に対処するために拡張結果を利用する。
BraTSのT2モダリティに関する総合的な実験により、提案手法は最先端の手法よりも大幅に優れていることが示された。
論文 参考訳（メタデータ） (2022-03-29T08:41:17Z) - Estimating Uncertainty in Neural Networks for Cardiac MRI Segmentation:
A Benchmark Study [1.6222504666823843]
畳み込みニューラルネットワーク(cnns)は、心臓磁気共鳴画像の自動セグメンテーションにおいて有望である。
セグメンテーションの不確実性を定量化し、どのセグメンテーションが問題となるかを知ることが重要である。
論文 参考訳（メタデータ） (2020-12-31T17:46:52Z) - Weakly-supervised Learning For Catheter Segmentation in 3D Frustum
Ultrasound [74.22397862400177]
超音波を用いた新しいカテーテルセグメンテーション法を提案する。
提案手法は,1ボリュームあたり0.25秒の効率で最先端の性能を実現した。
論文 参考訳（メタデータ） (2020-10-19T13:56:22Z) - Deep Generative Model-based Quality Control for Cardiac MRI Segmentation [30.09405692032434]
本稿では, 心臓MRI領域の品質管理のための, 深部生成モデルに基づく新しいフレームワークを提案する。
提案手法は,2つの公用心MRIデータセットに対して高い予測精度を実現する。
論文 参考訳（メタデータ） (2020-06-23T23:15:54Z) - Cross-denoising Network against Corrupted Labels in Medical Image
Segmentation with Domain Shift [28.940670115918728]
ドメインシフトとラベルの破損に対処するために2つのピアネットワークを用いた新しいクロスデノベーションフレームワークを提案する。
具体的には、各ネットワークはメンターとして機能し、相互に監督され、ピアネットワークが選択した信頼性の高いサンプルから学習し、破損したラベルと戦う。
さらに, 各種ノイズ汚染ラベルの下で, キー位置を捕捉し, 差分をフィルタリングするようネットワークに促すため, 耐雑音損失が提案されている。
論文 参考訳（メタデータ） (2020-06-19T07:35:25Z) - Synergistic Learning of Lung Lobe Segmentation and Hierarchical
Multi-Instance Classification for Automated Severity Assessment of COVID-19
in CT Images [61.862364277007934]
3次元CT画像におけるCOVID-19の重症度自動評価のための相乗的学習フレームワークを提案する。
マルチタスクのディープネットワーク(M$2$UNet)が開発され、新型コロナウイルス患者の重症度を評価する。
われわれのM$2$UNetはパッチレベルのエンコーダと肺葉分画のためのセグメンテーションサブネットワークと重度評価のための分類サブネットワークから構成されている。
論文 参考訳（メタデータ） (2020-05-08T03:16:15Z)
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。