論文の概要: GDDS: Pulmonary Bronchioles Segmentation with Group Deep Dense Supervision

• arxiv url: http://arxiv.org/abs/2303.09212v1
• Date: Thu, 16 Mar 2023 10:35:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2023-03-17 15:59:14.978361
• Title: GDDS: Pulmonary Bronchioles Segmentation with Group Deep Dense Supervision
• Title（参考訳）: GDDS : Group Deep Dense Supervision による肺気管支分画
• Authors: Mingyue Zhao, Shang Zhao, Quan Quan, Li Fan, Xiaolan Qiu, Shiyuan Liu, and S.Kevin Zhou
• Abstract要約: グループ深度スーパービジョン(GDDS)に基づく気管支分別法を提案する。 GDDSは局所的な密集トポロジを巧みに構築し、特定の浅い特徴層に密集トポロジ学習を実装することで提案される。 BASベンチマークデータセットを用いた実験により,本手法はネットワークを微細な枝の捕捉に高い感度で促進することを示した。
• 参考スコア（独自算出の注目度）: 17.852885354202428
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Airway segmentation, especially bronchioles segmentation, is an important but challenging task because distal bronchus are sparsely distributed and of a fine scale. Existing neural networks usually exploit sparse topology to learn the connectivity of bronchioles and inefficient shallow features to capture such high-frequency information, leading to the breakage or missed detection of individual thin branches. To address these problems, we contribute a new bronchial segmentation method based on Group Deep Dense Supervision (GDDS) that emphasizes fine-scale bronchioles segmentation in a simple-but-effective manner. First, Deep Dense Supervision (DDS) is proposed by constructing local dense topology skillfully and implementing dense topological learning on a specific shallow feature layer. GDDS further empowers the shallow features with better perception ability to detect bronchioles, even the ones that are not easily discernible to the naked eye. Extensive experiments on the BAS benchmark dataset have shown that our method promotes the network to have a high sensitivity in capturing fine-scale branches and outperforms state-of-the-art methods by a large margin (+12.8 % in BD and +8.8 % in TD) while only introducing a small number of extra parameters.
• Abstract（参考訳）: 気道分節, 特に気管支分節は, 気道分節は軽度に分布し, 微細なスケールであるため, 重要な課題である。 既存のニューラルネットワークは通常、細長いトポロジーを利用して気管支の接続や非効率な浅層特徴を学習し、そのような高周波情報を捉える。 これらの問題に対処するために,グループ深層密集監督 (gdds) に基づく新しい気管支分画法を提案する。 まず,局所的密集トポロジーを巧みに構築し,特定の浅層特徴層上で密集トポロジー学習を行うことにより,奥行き密集層(dds)を提案する。 GDDSはさらに、肉眼で容易に識別できないものでさえも、気管支を検知する能力が向上して、浅い特徴をさらに強化する。 BASベンチマークデータセットの大規模な実験により,本手法は,少数の余剰パラメータのみを導入しながら,大規模分岐を捕捉し,最先端の手法を大きなマージン(BDでは+12.8%,TDでは+8.8%)で上回り,ネットワークの感度を高めることが示されている。

関連論文リスト

• PathSegDiff: Pathology Segmentation using Diffusion model representations [63.20694440934692]
  そこで我々は,Latent Diffusion Models (LDMs) を事前学習した特徴抽出器として活用する,病理組織像分割の新しい手法であるPathSegDiffを提案する。 本手法は,H&E染色組織像から多彩な意味情報を抽出するために,自己教師型エンコーダによって誘導される病理特異的LCMを用いる。 本実験は,BCSSおよびGlaSデータセットにおける従来の手法よりも大幅に改善されたことを示す。
  論文  参考訳（メタデータ） (2025-04-09T14:58:21Z)
• Deep Learning-Based Channel Squeeze U-Structure for Lung Nodule Detection and Segmentation [7.53596352508181]
  本稿では,肺結節の自動検出とセグメンテーションのための新しいディープラーニング手法を提案する。 この手法は、感度、Dice類似度係数、精度、および平均結合断面積(IoU)の点で優れた性能を示す。 その結果,本手法はコンピュータ支援診断システムの改善に有意な可能性を秘めていることが明らかとなった。
  論文  参考訳（メタデータ） (2024-09-20T19:47:07Z)
• Semi- and Weakly-Supervised Learning for Mammogram Mass Segmentation with Limited Annotations [49.33388736227072]
  本稿では,マスセグメンテーションのための半弱教師付き学習フレームワークを提案する。 良好な性能を得るために, 限られた強ラベルのサンプルと十分な弱ラベルのサンプルを用いる。 CBIS-DDSMおよびINbreastデータセットを用いた実験により,本手法の有効性が示された。
  論文  参考訳（メタデータ） (2024-03-14T12:05:25Z)
• Small Object Detection via Coarse-to-fine Proposal Generation and Imitation Learning [52.06176253457522]
  本稿では,粗粒度パイプラインと特徴模倣学習に基づく小型物体検出に適した2段階フレームワークを提案する。 CFINetは、大規模な小さなオブジェクト検出ベンチマークであるSODA-DとSODA-Aで最先端の性能を達成する。
  論文  参考訳（メタデータ） (2023-08-18T13:13:09Z)
• A Weakly Supervised Segmentation Network Embedding Cross-scale Attention Guidance and Noise-sensitive Constraint for Detecting Tertiary Lymphoid Structures of Pancreatic Tumors [19.775101438245272]
  膵病理像における3次リンパ構造(TLS)の存在は膵腫瘍の予後を示す重要な指標である。 数発の学習でTLSを検出するために,弱い教師付きセグメンテーションネットワークを提案する。 得られた2つのデータセットに対する実験結果から,提案手法はTLSの検出精度において,最先端のセグメンテーションに基づくアルゴリズムよりも有意に優れていることが示された。
  論文  参考訳（メタデータ） (2023-07-27T03:25:09Z)
• Differentiable Topology-Preserved Distance Transform for Pulmonary Airway Segmentation [34.22415353209505]
  気道セグメンテーションの性能を向上させるために, 位相保存距離変換(DTPDT)フレームワークを提案する。 The Topology-Preserved Surrogate (TPS) learning strategy was first proposed to balance the training progress within-class distribution。 The Convolutional Distance Transform (CDT) is designed to identify the breakage phenomenon with superior sensitivity and minimize the variation of the distance map between the prediction and ground-truth。
  論文  参考訳（メタデータ） (2022-09-17T15:47:01Z)
• Fuzzy Attention Neural Network to Tackle Discontinuity in Airway Segmentation [67.19443246236048]
  気道セグメンテーションは肺疾患の検査、診断、予後に重要である。 いくつかの小型の気道支線(気管支や終端など)は自動セグメンテーションの難しさを著しく増す。 本稿では,新しいファジィアテンションニューラルネットワークと包括的損失関数を備える,気道セグメンテーションの効率的な手法を提案する。
  論文  参考訳（メタデータ） (2022-09-05T16:38:13Z)
• Weakly Supervised Airway Orifice Segmentation in Video Bronchoscopy [0.0]
  本論文は気管支鏡視下気管支鏡視下における気管支拡張術の自動化について述べる。 このタスクに対するディープラーニングベースのアプローチは、現在、容易に利用できる真実のセグメンテーションデータが欠如しているため、妨げられている。 我々はk平均からなるデータ駆動パイプラインと、コンパクトなマーカーベースの流域アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-08-24T12:18:25Z)
• BronchusNet: Region and Structure Prior Embedded Representation Learning for Bronchus Segmentation and Classification [53.53758990624962]
  そこで我々は,BronchusNetという組込みフレームワークに先立って,正確な気管支分析を行うための領域と構造を提案する。 気管支分画のための適応型ハード領域対応UNetを提案する。 気管支枝の分類には,ハイブリッドな点-ボクセルグラフ学習モジュールを提案する。
  論文  参考訳（メタデータ） (2022-05-14T02:32:33Z)
• Hierarchical Deep Network with Uncertainty-aware Semi-supervised Learning for Vessel Segmentation [58.45470500617549]
  本稿では,注目機構が血管全体に誘導される低コントラストキャピラリー領域を局在させる階層的なディープネットワークを提案する。 提案手法は,底部画像における網膜動脈/静脈の分画とCT画像における肝門/肝血管の分画のベンチマークにおいて,最先端の性能を実現する。
  論文  参考訳（メタデータ） (2021-05-31T06:55:43Z)
• Learning Tubule-Sensitive CNNs for Pulmonary Airway and Artery-Vein Segmentation in CT [45.93021999366973]
  肺気道,動脈,静脈の分節に対する畳み込みニューラルネットワーク(CNN)の訓練は困難である。 コントラスト非造影CTにおいて,CNNによる正確な気道および動脈静脈分画法を提案する。 細気管支、動脈、静脈に対して優れた感受性を有する。
  論文  参考訳（メタデータ） (2020-12-10T15:56:08Z)

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。