Fugu-MT 論文翻訳(概要): Uncertainty Driven Bottleneck Attention U-net for OAR Segmentation

論文の概要: Uncertainty Driven Bottleneck Attention U-net for OAR Segmentation

arxiv url: http://arxiv.org/abs/2303.10796v1
Date: Sun, 19 Mar 2023 23:45:32 GMT
ステータス: 処理完了
システム内更新日: 2023-03-21 17:07:33.379773
Title: Uncertainty Driven Bottleneck Attention U-net for OAR Segmentation
Title（参考訳）: OARセグメンテーションのための不確実性駆動型ボトルネック注意U-net
Authors: Abdullah Nazib, Riad Hassan, Nosin Ibn Mahbub, Zahidul Islam, Clinton Fookes
Abstract要約: CT画像におけるオルガン・アット・リスク(OAR)セグメンテーションは,自動セグメンテーション法では難しい課題である。我々は、雑音分割を生成するためにノイズ補助デコーダを使用するマルチデコーダU-netアーキテクチャを開発する。 2つのデコーダ分岐のソフトマックス確率から注目を導出する新しいアテンションモジュールを開発する。
参考スコア（独自算出の注目度）: 15.18043784081779
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Organ at risk (OAR) segmentation in computed tomography (CT) imagery is a difficult task for automated segmentation methods and can be crucial for downstream radiation treatment planning. U-net has become a de-facto standard for medical image segmentation and is frequently used as a common baseline in medical image segmentation tasks. In this paper, we develop a multiple decoder U-net architecture where a noisy auxiliary decoder is used to generate noisy segmentation. The segmentation from the main branch and the noisy segmentation from the auxiliary branch are used together to estimate the attention. Our contribution is the development of a new attention module which derives the attention from the softmax probabilities of two decoder branches. The union and intersection of two segmentation masks from two branches carry the information where both decoders agree and disagree. The softmax probabilities from regions of agreement and disagreement are the indicators of low and high uncertainty. Thus, the probabilities of those selected regions are used as attention in the bottleneck layer of the encoder and passes only through the main decoder for segmentation. For accurate contour segmentation, we also developed a CT intensity integrated regularization loss. We tested our model on two publicly available OAR challenge datasets, Segthor and LCTSC respectively. We trained 12 models on each dataset with and without the proposed attention model and regularization loss to check the effectiveness of the attention module and the regularization loss. The experiments demonstrate a clear accuracy improvement (2\% to 5\% Dice) on both datasets. Code for the experiments will be made available upon the acceptance for publication.
Abstract（参考訳）: CT画像におけるオルガン・アット・リスク・セグメンテーション(OAR)は,自動セグメンテーション法では難しい課題であり,下流放射線治療計画において重要である。 u-netは医用画像セグメンテーションのデファクトスタンダードとなり、医用画像セグメンテーションタスクの共通ベースラインとして頻繁に使用される。本稿では、雑音分割を生成するためにノイズ補助デコーダを使用するマルチデコーダU-netアーキテクチャを開発する。メインブランチからのセグメンテーションと補助ブランチからのノイズセグメンテーションを合わせて、注目度を推定する。我々の貢献は、2つのデコーダブランチのソフトマックス確率から注目を引き出す新しいアテンションモジュールの開発である。 2つの分岐からの2つのセグメンテーションマスクの結合と交差は、双方のデコーダが同意し、同意する情報を運ぶ。合意と不一致の領域からのソフトマックス確率は、低い、高い不確実性の指標である。これにより、選択された領域の確率は、エンコーダのボトルネック層において注目され、セグメンテーションのためのメインデコーダのみを通過する。正確な輪郭セグメンテーションのために,CT強度統合正規化損失も開発した。私たちは、SegthorとLCTSCの2つの公開OARチャレンジデータセットでモデルをテストしました。提案するアテンションモデルと正規化損失を用いて各データセットに12モデルをトレーニングし,アテンションモジュールの有効性と正規化損失を確認した。実験では,両データセットの精度向上(2 %から 5 % dice)を実証した。実験のコードは、公開が承認されたら利用可能になる。

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)
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)
Reliable Joint Segmentation of Retinal Edema Lesions in OCT Images [55.83984261827332]
本稿では,信頼性の高いマルチスケールウェーブレットエンハンストランスネットワークを提案する。本研究では,ウェーブレット型特徴抽出器ネットワークとマルチスケール変圧器モジュールを統合したセグメンテーションバックボーンを開発した。提案手法は,他の最先端セグメンテーション手法と比較して信頼性の高いセグメンテーション精度を実現する。
論文参考訳（メタデータ） (2022-12-01T07:32:56Z)
Superresolution and Segmentation of OCT scans using Multi-Stage adversarial Guided Attention Training [18.056525121226862]
我々は,OCTスキャンを高分解能セグメンテーションラベルに変換する多段階・多識別型生成逆数ネットワーク(MultiSDGAN)を提案する。我々は,MultiSDGANアーキテクチャに対して,チャネルと空間的注意の様々な組み合わせを評価し,比較し,より強力な特徴マップを抽出する。その結果,Dice係数とSSIMでは21.44%,19.45%の相対的な改善が見られた。
論文参考訳（メタデータ） (2022-06-10T00:26:55Z)
ASC-Net: Unsupervised Medical Anomaly Segmentation Using an Adversarial-based Selective Cutting Network [6.866602076456783]
逆数ベース選択切断ネットワーク(ASC-Net)は、クラスタベースのディープセグメンテーションと、逆数ベース異常検出アルゴリズムの2つの領域を橋渡しする。 ASC-Netは正常および異常な医療スキャンから学習し、監視用のマスクを使わずに医療スキャンの異常を分類する。既存の手法と比較すると,教師なしの異常セグメンテーションタスクでは,性能が著しく向上することがわかった。
論文参考訳（メタデータ） (2021-12-16T06:19:32Z)
Towards to Robust and Generalized Medical Image Segmentation Framework [17.24628770042803]
本稿では,ロバストな一般化セグメンテーションのための新しい2段階フレームワークを提案する。特に、教師なしTile-wise AutoEncoder(T-AE)事前学習アーキテクチャは、意味のある表現を学ぶために作成される。複数の胸部X線データセットに対する肺分画実験を行った。
論文参考訳（メタデータ） (2021-08-09T05:58:49Z)
Anatomy-Constrained Contrastive Learning for Synthetic Segmentation without Ground-truth [8.513014699605499]
AccSeg-Net (AccSeg-Net) を用いて, 対象画像の分割ネットワークを訓練した。 CBCT, MRI, PET画像データに適用し, 従来法に比べ, セグメンテーション性能が優れていた。
論文参考訳（メタデータ） (2021-07-12T14:54:04Z)
FocusNetv2: Imbalanced Large and Small Organ Segmentation with Adversarial Shape Constraint for Head and Neck CT Images [82.48587399026319]
organ-at-risk (oars) は、健康な臓器の損傷を避けるために放射線治療計画において重要なステップである。本研究では,この課題を解決するために,2段階の深層ニューラルネットワークであるFocusNetv2を提案する。従来のFocusNetに加えて,小臓器に新たな対角的形状制約を導入し,推定小臓器形状と臓器形状との整合性を確保する。
論文参考訳（メタデータ） (2021-04-05T04:45:31Z)
An Uncertainty-Driven GCN Refinement Strategy for Organ Segmentation [53.425900196763756]
本研究では,不確実性解析とグラフ畳み込みネットワークに基づくセグメンテーション改善手法を提案する。半教師付きグラフ学習問題を定式化するために、特定の入力ボリュームにおける畳み込みネットワークの不確実性レベルを用いる。本手法は膵臓で1%,脾臓で2%向上し,最先端のCRF改善法よりも優れていた。
論文参考訳（メタデータ） (2020-12-06T18:55:07Z)
Collaborative Boundary-aware Context Encoding Networks for Error Map Prediction [65.44752447868626]
本稿では,AEP-Net と呼ばれる協調的コンテキスト符号化ネットワークを提案する。具体的には、画像とマスクのより優れた特徴融合のための協調的な特徴変換分岐と、エラー領域の正確な局所化を提案する。 AEP-Netはエラー予測タスクの平均DSCが0.8358,0.8164であり、ピアソン相関係数が0.9873である。
論文参考訳（メタデータ） (2020-06-25T12:42:01Z)
DSU-net: Dense SegU-net for automatic head-and-neck tumor segmentation in MR images [30.747375849126925]
MRIにおける鼻咽頭癌(NPC)分類のためのDense SegU-net(DSU-net)フレームワークを提案する。潜在的な消滅段階的問題に対処するために,特徴の伝播と再利用を容易にする高密度ブロックを導入する。提案するアーキテクチャは,既存の最先端セグメンテーションネットワークよりも優れている。
論文参考訳（メタデータ） (2020-06-11T09:33:41Z)

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。