論文の概要: Graph Convolution Based Cross-Network Multi-Scale Feature Fusion for Deep Vessel Segmentation

• arxiv url: http://arxiv.org/abs/2301.02393v1
• Date: Fri, 6 Jan 2023 05:56:50 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-10 00:09:05.415389
• Title: Graph Convolution Based Cross-Network Multi-Scale Feature Fusion for Deep Vessel Segmentation
• Title（参考訳）: グラフ畳み込みによる深部血管分割のためのクロスネットワークマルチスケール特徴融合
• Authors: Gangming Zhao, Kongming Liang, Chengwei Pan, Fandong Zhang, Xianpeng Wu, Xinyang Hu, and Yizhou Yu
• Abstract要約: 既存の方法で再建された容器は、しばしば臨床使用基準を満たすほど正確ではない。 ネットワークは,それぞれ初期セグメンテーションと精巧なセグメンテーションを行う2つのカスケードワークで構成されている。 これら2つのU字型ネットワーク間でクロスネットワークマルチスケール機能融合を行い、高品質な船体セグメンテーションを効果的に支援する。
• 参考スコア（独自算出の注目度）: 36.12106059822428
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Vessel segmentation is widely used to help with vascular disease diagnosis. Vessels reconstructed using existing methods are often not sufficiently accurate to meet clinical use standards. This is because 3D vessel structures are highly complicated and exhibit unique characteristics, including sparsity and anisotropy. In this paper, we propose a novel hybrid deep neural network for vessel segmentation. Our network consists of two cascaded subnetworks performing initial and refined segmentation respectively. The second subnetwork further has two tightly coupled components, a traditional CNN-based U-Net and a graph U-Net. Cross-network multi-scale feature fusion is performed between these two U-shaped networks to effectively support high-quality vessel segmentation. The entire cascaded network can be trained from end to end. The graph in the second subnetwork is constructed according to a vessel probability map as well as appearance and semantic similarities in the original CT volume. To tackle the challenges caused by the sparsity and anisotropy of vessels, a higher percentage of graph nodes are distributed in areas that potentially contain vessels while a higher percentage of edges follow the orientation of potential nearbyvessels. Extensive experiments demonstrate our deep network achieves state-of-the-art 3D vessel segmentation performance on multiple public and in-house datasets.
• Abstract（参考訳）: 血管セグメンテーションは血管疾患の診断に広く用いられている。 既存の方法で再建された容器はしばしば臨床使用基準を満たすほど正確ではない。 これは3D血管構造が非常に複雑で、空間性や異方性など独特の特徴を持つためである。 本稿では,血管分割のためのハイブリッド深層ニューラルネットワークを提案する。 ネットワークは,それぞれ初期セグメンテーションと洗練されたセグメンテーションを行う2つのカスケードサブネットワークで構成されている。 第2のサブネットワークはさらに、従来のCNNベースのU-NetとグラフU-Netの2つの密結合コンポーネントを備えている。 これら2つのU字型ネットワーク間でクロスネットワークマルチスケール機能融合を行い、高品質な船体セグメンテーションを効果的に支援する。 カスケードされたネットワーク全体を、エンドツーエンドでトレーニングすることができる。 第2サブネットワークのグラフは、容器の確率マップと、元のCTボリュームの外観と意味的類似性に基づいて構築される。 血管の疎水性と異方性に起因する課題に対処するため、グラフノードの比率は血管を含む可能性のある領域に分布し、エッジの比率は潜在的な近接血管の向きに従っている。 我々のディープネットワークは、複数のパブリックおよび社内データセット上で最先端の3D船体セグメンテーション性能を達成する。

関連論文リスト

• MDFI-Net: Multiscale Differential Feature Interaction Network for Accurate Retinal Vessel Segmentation [3.152646316470194]
  本稿では,MDFI-Net という DPCN に基づく機能拡張型インタラクションネットワークを提案する。 提案したMDFI-Netは,公開データセットの最先端手法よりもセグメンテーション性能が優れている。
  論文  参考訳（メタデータ） (2024-10-20T16:42:22Z)
• Two-Stream Graph Convolutional Network for Intra-oral Scanner Image Segmentation [133.02190910009384]
  本稿では,2ストリームグラフ畳み込みネットワーク(TSGCN)を提案する。 TSGCNは3次元歯(表面)セグメンテーションにおいて最先端の方法よりも優れています。
  論文  参考訳（メタデータ） (2022-04-19T10:41:09Z)
• SPNet: A novel deep neural network for retinal vessel segmentation based on shared decoder and pyramid-like loss [13.021014899410684]
  畳み込みニューラルネットワークは 血管構造を抽出する 重要な能力を示した 本稿では,共有デコーダとピラミッド様損失に基づく網膜血管セグメンテーションのための新しいディープニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2022-02-19T03:44:34Z)
• Hepatic vessel segmentation based on 3Dswin-transformer with inductive biased multi-head self-attention [46.46365941681487]
  Indu BIased Multi-Head Attention Vessel Net という,堅牢なエンドツーエンドのコンテナセグメンテーションネットワークを提案する。 正確な肝血管のボクセルを見つけるために,パッチワイド埋め込みよりもボクセルワイド埋め込みを導入する。 一方,絶対位置埋め込みから帰納的バイアス付き相対的位置埋め込みを学習する帰納的バイアス付きマルチヘッド自己アテンションを提案する。
  論文  参考訳（メタデータ） (2021-11-05T10:17:08Z)
• TSGCNet: Discriminative Geometric Feature Learning with Two-Stream GraphConvolutional Network for 3D Dental Model Segmentation [141.2690520327948]
  2流グラフ畳み込みネットワーク(TSGCNet)を提案し、異なる幾何学的特性から多視点情報を学ぶ。 3次元口腔内スキャナーで得られた歯科モデルのリアルタイムデータセットを用いてTSGCNetの評価を行った。
  論文  参考訳（メタデータ） (2020-12-26T08:02:56Z)
• Learning Hybrid Representations for Automatic 3D Vessel Centerline Extraction [57.74609918453932]
  3次元医用画像からの血管の自動抽出は血管疾患の診断に不可欠である。 既存の方法では、3次元画像からそのような細い管状構造を分割する際に、抽出された容器の不連続に悩まされることがある。 抽出された船舶の連続性を維持するためには、地球的幾何学を考慮に入れる必要があると論じる。 この課題を解決するためのハイブリッド表現学習手法を提案します。
  論文  参考訳（メタデータ） (2020-12-14T05:22:49Z)
• clDice -- A Novel Topology-Preserving Loss Function for Tubular Structure Segmentation [57.20783326661043]
  中心線Dice (short clDice) と呼ばれる新しい類似度尺度を導入する。 理論的には、clDiceは2次元および3次元のセグメンテーションにおけるホモトピー同値までのトポロジー保存を保証する。 我々は、船舶、道路、ニューロン(2Dと3D)を含む5つの公開データセットでソフトクライス損失をベンチマークした。
  論文  参考訳（メタデータ） (2020-03-16T16:27:49Z)

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。