論文の概要: Lung-Net: A deep learning framework for lung tissue segmentation in
three-dimensional thoracic CT images
- arxiv url: http://arxiv.org/abs/2212.13971v1
- Date: Wed, 28 Dec 2022 17:37:08 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-29 16:15:21.294515
- Title: Lung-Net: A deep learning framework for lung tissue segmentation in
three-dimensional thoracic CT images
- Title（参考訳）: Lung-Net:3次元胸部CT画像における肺組織分画の深層学習フレームワーク
- Authors: Niloufar Delfan
- Abstract要約: 本稿では,肺CT画像中の肺をLung-Netと呼ぶ完全自動診断法を提案する。
我々は, モデル複雑性を増大させることなく, より深いV3ユニットのネットワークにより, 肺CT像のより優れた特徴表現が実現できると推測した。
CT画像中の肺組織を分画するには、時間とパラメータの点で効率的であり、他の最先端の手法よりも優れている。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Segmentation of lung tissue in computed tomography (CT) images is a precursor
to most pulmonary image analysis applications. Semantic segmentation methods
using deep learning have exhibited top-tier performance in recent years. This
paper presents a fully automatic method for identifying the lungs in
three-dimensional (3D) pulmonary CT images, which we call it Lung-Net. We
conjectured that a significant deeper network with inceptionV3 units can
achieve a better feature representation of lung CT images without increasing
the model complexity in terms of the number of trainable parameters. The method
has three main advantages. First, a U-Net architecture with InceptionV3 blocks
is developed to resolve the problem of performance degradation and parameter
overload. Then, using information from consecutive slices, a new data structure
is created to increase generalization potential, allowing more discriminating
features to be extracted by making data representation as efficient as
possible. Finally, the robustness of the proposed segmentation framework was
quantitatively assessed using one public database to train and test the model
(LUNA16) and two public databases (ISBI VESSEL12 challenge and CRPF dataset)
only for testing the model; each database consists of 700, 23, and 40 CT
images, respectively, that were acquired with a different scanner and protocol.
Based on the experimental results, the proposed method achieved competitive
results over the existing techniques with Dice coefficient of 99.7, 99.1, and
98.8 for LUNA16, VESSEL12, and CRPF datasets, respectively. For segmenting lung
tissue in CT images, the proposed model is efficient in terms of time and
parameters and outperforms other state-of-the-art methods. Additionally, this
model is publicly accessible via a graphical user interface.
- Abstract（参考訳）: ct画像における肺組織の分節化は、ほとんどの肺画像解析応用の前駆体である。
近年,ディープラーニングを用いた意味セグメンテーション手法がトップ層のパフォーマンスを示している。
本稿では,3次元(3次元)肺ct画像における肺の完全自動同定法について紹介する。
我々は、inceptionv3ユニットを持つ深いネットワークは、訓練可能なパラメータの数でモデルの複雑さを増すことなく、肺ct画像のより優れた特徴表現を実現できると推測した。
この方法には3つの利点がある。
まず,inceptionv3ブロックを用いたu-netアーキテクチャを開発し,性能劣化とパラメータ過負荷の問題を解決する。
そして、連続スライスからの情報を用いて、一般化ポテンシャルを高めるために新しいデータ構造を作成し、データ表現をできるだけ効率的にすることで、より多くの識別特徴を抽出できるようにする。
最後に,1つの公開データベースを用いてモデル(luna16)と2つの公開データベース(isbi vessel12 challengeとcrpf dataset)のトレーニングとテストを行い,各データベースは700,23,40のct画像からなり,それぞれ異なるスキャナとプロトコルで取得した。
実験結果に基づいて,提案手法は,LUNA16,VESSEL12,CRPFデータセットに対して,Dice係数99.7,99.1,98.8の既存の手法と比較して,それぞれ競合する結果を得た。
肺組織をct画像で分割する場合,提案手法は時間とパラメータの面で効率的であり,他の最先端法を上回っている。
さらに、このモデルはグラフィカルユーザインタフェースを介して公開アクセス可能である。
関連論文リスト
- Robust deep labeling of radiological emphysema subtypes using squeeze
and excitation convolutional neural networks: The MESA Lung and SPIROMICS
Studies [34.200556207264974]
肺気腫は進行性で不可逆的な肺組織喪失である。
最近の研究は、肺CTにおける空間的インフォームド肺テクスチャパターン(ss)の教師なし学習につながっている。
肺CT上のss CNNとCTESの教師あり分類のための3次元圧縮・励起モデルを提案する。
論文 参考訳（メタデータ） (2024-03-01T03:45:56Z) - 3DSAM-adapter: Holistic adaptation of SAM from 2D to 3D for promptable tumor segmentation [52.699139151447945]
医用画像の領域分割を行うために, SAMを2次元から3次元に変換する新しい適応法を提案する。
本モデルでは, 腎腫瘍, 膵腫瘍, 大腸癌の3つのタスクのうち8.25%, 29.87%, 10.11%の3つのタスクにおいて, ドメイン・オブ・ザ・アーティヴ・メディカル・イメージ・セグメンテーション・モデルより優れ, 肝腫瘍セグメンテーションでも同様の性能が得られる。
論文 参考訳（メタデータ） (2023-06-23T12:09:52Z) - MESAHA-Net: Multi-Encoders based Self-Adaptive Hard Attention Network
with Maximum Intensity Projections for Lung Nodule Segmentation in CT Scan [6.266053305874546]
マルチエンコーダをベースとした自己適応型ハードアテンションネットワーク(MESAHA-Net)をCTスキャンの高精度な肺結節分割のための効率的なエンドツーエンドフレームワークとして提案する。
MESAHA-Netは、肺結節のスライス・バイ・スライス2Dセグメンテーションを反復的に行い、各スライス内の結節領域に着目して肺結節の3Dセグメンテーションを生成する。
LIDC-IDRIデータセットは,肺結節セグメンテーションのための最大公用データセットである。
論文 参考訳（メタデータ） (2023-04-04T07:05:15Z) - Dual Multi-scale Mean Teacher Network for Semi-supervised Infection
Segmentation in Chest CT Volume for COVID-19 [76.51091445670596]
CT(Computed tomography)データから肺感染症を自動的に検出することは、COVID-19と戦う上で重要な役割を担っている。
現在の新型コロナウイルス感染症のセグメンテーションのほとんどは、主に3Dシーケンシャルな制約を欠いた2D CT画像に依存している。
既存の3次元CTセグメンテーション法では,3次元ボリュームにおける複数レベルの受容場サイズを達成できない単一スケールの表現に焦点が当てられている。
論文 参考訳（メタデータ） (2022-11-10T13:11:21Z) - Pulmonary Vessel Segmentation based on Orthogonal Fused U-Net++ of Chest
CT Images [1.8692254863855962]
胸部CT画像から肺血管セグメンテーションの枠組みと改善過程について検討した。
アプローチの鍵となるのは、3つの軸から2.5D区分けネットワークを応用し、堅牢で完全に自動化された肺血管区分け結果を示す。
提案手法は,他のネットワーク構造よりも大きなマージンで優れ,平均DICEスコア0.9272,精度0.9310を極端に上回っている。
論文 参考訳（メタデータ） (2021-07-03T21:46:29Z) - 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) - COVID-19 identification from volumetric chest CT scans using a
progressively resized 3D-CNN incorporating segmentation, augmentation, and
class-rebalancing [4.446085353384894]
新型コロナウイルスは世界的なパンデミックの流行だ。
高い感度のコンピュータ支援スクリーニングツールは、疾患の診断と予後に不可欠である。
本稿では,3次元畳み込みニューラルネットワーク(CNN)に基づく分類手法を提案する。
論文 参考訳（メタデータ） (2021-02-11T18:16:18Z) - A Multi-Stage Attentive Transfer Learning Framework for Improving
COVID-19 Diagnosis [49.3704402041314]
新型コロナの診断を改善するための多段階集中移動学習フレームワークを提案する。
提案するフレームワークは、複数のソースタスクと異なるドメインのデータから知識を学習し、正確な診断モデルを訓練する3つの段階からなる。
本稿では,肺CT画像のマルチスケール表現を学習するための自己教師付き学習手法を提案する。
論文 参考訳（メタデータ） (2021-01-14T01:39:19Z) - M3Lung-Sys: A Deep Learning System for Multi-Class Lung Pneumonia
Screening from CT Imaging [85.00066186644466]
マルチタスク型マルチスライス深層学習システム(M3Lung-Sys)を提案する。
COVID-19とHealthy, H1N1, CAPとの鑑別に加えて, M3 Lung-Sysも関連病変の部位を特定できる。
論文 参考訳（メタデータ） (2020-10-07T06:22:24Z) - 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) - 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。
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。