Fugu-MT 論文翻訳(概要): Opto-UNet: Optimized UNet for Segmentation of Varicose Veins in Optical Coherence Tomography

論文の概要: Opto-UNet: Optimized UNet for Segmentation of Varicose Veins in Optical Coherence Tomography

arxiv url: http://arxiv.org/abs/2302.14808v2
Date: Mon, 20 Mar 2023 20:39:45 GMT
ステータス: 処理完了
システム内更新日: 2023-03-23 23:26:59.316412
Title: Opto-UNet: Optimized UNet for Segmentation of Varicose Veins in Optical Coherence Tomography
Title（参考訳）: opto-unet:optical coherence tomographyにおける静脈静脈分画のための最適化unet
Authors: Maryam Viqar, Violeta Madjarova, Vipul Baghel, Elena Stoykova
Abstract要約: 本研究は静脈壁構造のセグメンテーションのためのセグメンテーションモデルであるOpto-UNetを提案する。 Opto-UNetモデルは、新しいブロックをアーキテクチャに統合するU-Netアーキテクチャに基づいている。このモデルは精度0.9830、感度0.8425、特異度0.9980、パラメータ8.54万である。
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: Human veins are important for carrying the blood from the body-parts to the heart. The improper functioning of the human veins may arise from several venous diseases. Varicose vein is one such disease wherein back flow of blood can occur, often resulting in increased venous pressure or restricted blood flow due to changes in the structure of vein. To examine the functional characteristics of the varicose vein, it is crucial to study the physical and bio mechanical properties of the vein. This work proposes a segmentation model Opto-UNet, for segmenting the venous wall structure. Optical Coherence Tomography system is used to acquire images of varicose vein. As the extracted vein is not uniform in shape, hence adequate method of segmentation is required to segment the venous wall. Opto-UNet model is based on the U-Net architecture wherein a new block is integrated into the architecture, employing atrous and separable convolution to extract spatially wide-range and separable features maps for attaining advanced performance. Furthermore, the depth wise separable convolution significantly reduces the complexity of the network by optimizing the number of parameters. The model achieves accuracy of 0.9830, sensitivity of 0.8425 and specificity of 0.9980 using 8.54 million number of parameters. These results indicate that model is highly adequate in segmenting the varicose vein wall without deteriorating the segmentation quality along with reduced complexity
Abstract（参考訳）: ヒトの静脈は体部から心臓へ血液を運ぶのに重要である。ヒト静脈の不適切な機能は、いくつかの静脈疾患から生じる可能性がある。水痘静脈は、血液の逆流が起こり得る病気の一つであり、静脈の構造の変化により静脈圧が上昇したり、血流が制限されたりする。静脈瘤の機能的特性を調べるためには,静脈の物理的および生体力学的特性を検討することが重要である。本研究は静脈壁構造のセグメンテーションのためのセグメンテーションモデルOpto-UNetを提案する。光コヒーレンス・トモグラフィーは静脈静脈の画像取得に用いられている。抽出された静脈は形状が均一ではないため,静脈壁の分画には適切な分画法が必要である。 Opto-UNetモデルはU-Netアーキテクチャに基づいており、新しいブロックをアーキテクチャに統合し、空間的に広い範囲と分離可能な特徴マップを抽出して高度な性能を得る。さらに、深さワイド分離可能な畳み込みはパラメータ数を最適化することでネットワークの複雑さを著しく低減する。このモデルは精度0.9830、感度0.8425、特異度0.9980、パラメータ8.54万である。これらの結果から, 分画品質を低下させることなく, 静脈壁の分画に極めて有効なモデルであることが示唆された。

関連論文リスト

KLDD: Kalman Filter based Linear Deformable Diffusion Model in Retinal Image Segmentation [51.03868117057726]
本稿では,網膜血管分割のためのKLDDモデルを提案する。我々のモデルは、変形可能な畳み込みの柔軟な受容場を利用して、分割を反復的に洗練する拡散過程を用いる。実験は網膜基底画像データセット(DRIVE,CHASE_DB1)とOCTA-500データセットの3mm,6mmで評価された。
論文参考訳（メタデータ） (2024-09-19T14:21:38Z)
Deep Angiogram: Trivializing Retinal Vessel Segmentation [1.8479315677380455]
本研究では,無関係な特徴をフィルタリングし,深部血管造影という潜像を合成するコントラスト型変分自動エンコーダを提案する。合成ネットワークの一般化性は、画像コントラストとノイズの特徴の変動に敏感なモデルを実現するコントラスト損失によって改善される。
論文参考訳（メタデータ） (2023-07-01T06:13:10Z)
Tissue Classification During Needle Insertion Using Self-Supervised Contrastive Learning and Optical Coherence Tomography [53.38589633687604]
針先端で取得した複雑なCT信号の位相および強度データから組織を分類するディープニューラルネットワークを提案する。トレーニングセットの10%で、提案した事前学習戦略により、モデルが0.84のF1スコアを達成するのに対して、モデルが0.60のF1スコアを得るのに対して、モデルが0.84のF1スコアを得るのに役立ちます。
論文参考訳（メタデータ） (2023-04-26T14:11:04Z)
Domain Agnostic Pipeline for Retina Vessel Segmentation [0.5047410955160032]
我々は、慎重に考える事前処理パイプラインを構築することにより、最先端のパフォーマンスを達成可能であることを示す。我々のモデルは、異なるデータセット間で同じ高いセグメンテーション性能を維持することができる。
論文参考訳（メタデータ） (2023-02-18T02:51:06Z)
Affinity Feature Strengthening for Accurate, Complete and Robust Vessel Segmentation [48.638327652506284]
血管セグメンテーションは、冠動脈狭窄、網膜血管疾患、脳動脈瘤などの多くの医学的応用において重要である。コントラストに敏感なマルチスケールアフィニティアプローチを用いて,幾何学的手法と画素単位のセグメンテーション特徴を連成的にモデル化する新しいアプローチであるAFNを提案する。
論文参考訳（メタデータ） (2022-11-12T05:39:17Z)
Deep Learning-Based Carotid Artery Vessel Wall Segmentation in Black-Blood MRI Using Anatomical Priors [5.248154928825152]
頸動脈血管壁厚測定は動脈硬化患者のモニタリングに必須のステップである。これは、黒色磁気共鳴(MR)画像における血管壁の正確なセグメンテーションを必要とする。本研究では,極座標系におけるマルチタスク回帰問題として,容器壁のセグメンテーションを行った。
論文参考訳（メタデータ） (2021-12-02T11:22:04Z)
Segmentation of Anatomical Layers and Artifacts in Intravascular Polarization Sensitive Optical Coherence Tomography Using Attending Physician and Boundary Cardinality Lost Terms [4.93836246080317]
血管内超音波と光コヒーレンス断層撮影は冠状動脈を特徴付けるために広く利用可能である。畳み込みニューラルネットワークモデルを提案し,その性能を多項損失関数を用いて最適化する。モデルは2つの主要なアーティファクトのクラスをセグメンテーションし,血管壁領域内の解剖学的層を検出する。
論文参考訳（メタデータ） (2021-05-11T15:52:31Z)
Geometric Uncertainty in Patient-Specific Cardiovascular Modeling with Convolutional Dropout Networks [0.0]
患者固有の心血管モデルの条件分布からサンプルを生成する新しい手法を提案する。提案手法で導入された主な革新は、トレーニングデータから直接幾何的不確実性を学ぶ能力である。
論文参考訳（メタデータ） (2020-09-16T00:13:12Z)
Multi-Task Neural Networks with Spatial Activation for Retinal Vessel Segmentation and Artery/Vein Classification [49.64863177155927]
本稿では,網膜血管,動脈,静脈を同時に分割する空間活性化機構を備えたマルチタスクディープニューラルネットワークを提案する。提案するネットワークは,容器分割における画素ワイド精度95.70%,A/V分類精度94.50%を実現している。
論文参考訳（メタデータ） (2020-07-18T05:46:47Z)
Segmentation of the Myocardium on Late-Gadolinium Enhanced MRI based on 2.5 D Residual Squeeze and Excitation Deep Learning Model [55.09533240649176]
本研究の目的は,LGE-MRIを用いた心筋境界領域の深部学習モデルに基づく正確な自動セグメンテーション法を開発することである。合計320回の試験(平均6回の試験)と28回の試験が行われた。ベーススライスとミドルスライスにおけるアンサンブルモデルの性能解析は, サーバ内調査と同等であり, アトピーススライスではわずかに低かった。
論文参考訳（メタデータ） (2020-05-27T20:44:38Z)
Microvascular Dynamics from 4D Microscopy Using Temporal Segmentation [81.30750944868142]
経時的に脳血流量の変化を追跡でき, ピアル表面に向かって伝播する自発性動脈拡張を同定できる。この新たなイメージング機能は、機能的磁気共鳴イメージング(fMRI)を基盤とした血行動態応答関数を特徴付けるための有望なステップである。
論文参考訳（メタデータ） (2020-01-14T22:55:03Z)

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。