論文の概要: Spatially Covariant Lesion Segmentation

• arxiv url: http://arxiv.org/abs/2301.07895v1
• Date: Thu, 19 Jan 2023 05:50:28 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-20 15:34:04.949355
• Title: Spatially Covariant Lesion Segmentation
• Title（参考訳）: 空間的共変病変セグメンテーション
• Authors: Hang Zhang, Rongguang Wang, Jinwei Zhang, Dongdong Liu, Chao Li and Jiahao Li
• Abstract要約: そこで我々は,空間的共変画素対応分類器を提案し,その計算効率を向上し,病変のセグメンテーションの精度を向上する。 画像の異なる2つの病変分割タスクを用いて,提案したSCPの有効性と有効性を示す。 SCPを使用したネットワークは、GPUメモリ使用率、FLOP、ネットワークサイズを23.8%、64.9%、74.7%削減した。
• 参考スコア（独自算出の注目度）: 15.18896691629899
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Compared to natural images, medical images usually show stronger visual patterns and therefore this adds flexibility and elasticity to resource-limited clinical applications by injecting proper priors into neural networks. In this paper, we propose spatially covariant pixel-aligned classifier (SCP) to improve the computational efficiency and meantime maintain or increase accuracy for lesion segmentation. SCP relaxes the spatial invariance constraint imposed by convolutional operations and optimizes an underlying implicit function that maps image coordinates to network weights, the parameters of which are obtained along with the backbone network training and later used for generating network weights to capture spatially covariant contextual information. We demonstrate the effectiveness and efficiency of the proposed SCP using two lesion segmentation tasks from different imaging modalities: white matter hyperintensity segmentation in magnetic resonance imaging and liver tumor segmentation in contrast-enhanced abdominal computerized tomography. The network using SCP has achieved 23.8%, 64.9% and 74.7% reduction in GPU memory usage, FLOPs, and network size with similar or better accuracy for lesion segmentation.
• Abstract（参考訳）: 自然画像と比較すると、医学画像はより強い視覚パターンを示し、適切な事前情報をニューラルネットワークに注入することで、リソース制限された臨床応用に柔軟性と柔軟性をもたらす。 本稿では,空間的共変画素アライメント分類器(scp)を提案する。 SCPは畳み込み操作によって課される空間不変性の制約を緩和し、画像座標をネットワーク重みにマッピングする基盤となる暗黙関数を最適化する。 造影CTでは, 造影MRIでは白色物質高強度セグメンテーション, 造影CTでは肝腫瘍セグメンテーションの2つの病変セグメンテーションタスクを用いて, 提案したSCPの有効性と有効性を示した。 SCPを使用したネットワークは、GPUメモリ使用率、FLOP、ネットワークサイズを23.8%、64.9%、74.7%削減した。

関連論文リスト

• Dual-scale Enhanced and Cross-generative Consistency Learning for Semi-supervised Medical Image Segmentation [49.57907601086494]
  医用画像のセグメンテーションはコンピュータ支援診断において重要な役割を担っている。 半教師型医用画像(DEC-Seg)のための新しいDual-scale Enhanced and Cross-generative consistency learning frameworkを提案する。
  論文  参考訳（メタデータ） (2023-12-26T12:56:31Z)
• Teeth Localization and Lesion Segmentation in CBCT Images using SpatialConfiguration-Net and U-Net [0.4915744683251149]
  歯の局所化と根尖部病変の分節化は臨床診断と治療計画にとって重要な課題である。 本研究では,2つの畳み込みニューラルネットワークを用いた深層学習手法を提案する。 この方法は、歯の局所化に対する97.3%の精度と、それぞれ0.97および0.88の有望な感度と特異性を達成し、その後の病変検出を行う。
  論文  参考訳（メタデータ） (2023-12-19T14:23:47Z)
• Self-supervised Semantic Segmentation: Consistency over Transformation [3.485615723221064]
  Inception Large Kernel Attention (I-LKA) モジュールをベースとしたロバストなフレームワークを統合した新しい自己教師型アルゴリズム textbfS$3$-Net を提案する。 我々は、変形可能な畳み込みを積分成分として利用し、優れた物体境界定義のための歪み変形を効果的に捕捉し、デライン化する。 皮膚病変および肺臓器の分節タスクに関する実験結果から,SOTA法と比較して,本手法の優れた性能を示した。
  論文  参考訳（メタデータ） (2023-08-31T21:28:46Z)
• Self-Supervised Correction Learning for Semi-Supervised Biomedical Image Segmentation [84.58210297703714]
  半教師付きバイオメディカルイメージセグメンテーションのための自己教師付き補正学習パラダイムを提案する。 共有エンコーダと2つの独立デコーダを含むデュアルタスクネットワークを設計する。 異なるタスクのための3つの医用画像分割データセットの実験により,本手法の優れた性能が示された。
  論文  参考訳（メタデータ） (2023-01-12T08:19:46Z)
• Segmentation-free PVC for Cardiac SPECT using a Densely-connected Multi-dimensional Dynamic Network [11.546783296332961]
  CTやMRIから高分解能解剖情報を取り入れた部分体積補正法が有効であることが証明された。 本研究では,解剖学的情報と関連する臓器セグメント化を伴わない高速心電図SPECT PVCのための深層学習法を開発した。
  論文  参考訳（メタデータ） (2022-06-24T15:31:14Z)
• PSGR: Pixel-wise Sparse Graph Reasoning for COVID-19 Pneumonia Segmentation in CT Images [83.26057031236965]
  画像中の新型コロナウイルス感染領域セグメンテーションの長距離依存性のモデリングを強化するために,PSGRモジュールを提案する。 PSGRモジュールは不正確なピクセルからノードへの投影を回避し、グローバルな推論のために各ピクセル固有の情報を保存する。 このソリューションは、3つの公開データセット上の4つの広く使われているセグメンテーションモデルに対して評価されている。
  論文  参考訳（メタデータ） (2021-08-09T04:58:23Z)
• Automatic size and pose homogenization with spatial transformer network to improve and accelerate pediatric segmentation [51.916106055115755]
  空間変換器ネットワーク(STN)を利用することにより、ポーズとスケール不変の新たなCNNアーキテクチャを提案する。 私たちのアーキテクチャは、トレーニング中に一緒に見積もられる3つのシーケンシャルモジュールで構成されています。 腹部CTスキャナーを用いた腎および腎腫瘍の分節法について検討した。
  論文  参考訳（メタデータ） (2021-07-06T14:50:03Z)
• Segmentation-Renormalized Deep Feature Modulation for Unpaired Image Harmonization [0.43012765978447565]
  サイクル一貫性のある生成共役ネットワークは、ソースとターゲットドメイン間のイメージセットの調和に使われてきた。 これらの手法は、不安定性、コントラストの逆転、病理の難治性操作、および実際の医用画像における信頼性を制限したステガノグラフィーマッピングの傾向が強い。 解剖学的レイアウトを維持しながらスキャナ間の調和を低減するセグメンテーション正規化画像翻訳フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-02-11T23:53:51Z)
• Pathological Retinal Region Segmentation From OCT Images Using Geometric Relation Based Augmentation [84.7571086566595]
  本稿では,幾何学と形状の内在的関係を共同で符号化することで,従来のGANベースの医用画像合成法よりも優れた手法を提案する。 提案手法は,取得手順の異なる画像を有する公開RETOUCHデータセット上で,最先端のセグメンテーション手法より優れている。
  論文  参考訳（メタデータ） (2020-03-31T11:50:43Z)
• Unsupervised Bidirectional Cross-Modality Adaptation via Deeply Synergistic Image and Feature Alignment for Medical Image Segmentation [73.84166499988443]
  我々は、Synergistic Image and Feature Alignment (SIFA)と名付けられた新しい教師なしドメイン適応フレームワークを提案する。 提案するSIFAは、画像と特徴の両方の観点から、ドメインの相乗的アライメントを行う。 2つの異なるタスクに対する実験結果から,SIFA法は未ラベル対象画像のセグメンテーション性能を向上させるのに有効であることが示された。
  論文  参考訳（メタデータ） (2020-02-06T13:49:47Z)

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。