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

論文の概要: Uncertainty Driven Bottleneck Attention U-net for Organ at Risk Segmentation

arxiv url: http://arxiv.org/abs/2303.10796v2
Date: Mon, 26 Feb 2024 06:45:56 GMT
ステータス: 処理完了
システム内更新日: 2024-02-28 01:01:47.932119
Title: Uncertainty Driven Bottleneck Attention U-net for Organ at Risk Segmentation
Title（参考訳）: リスクセグメンテーションにおける組織に対する不確実性駆動型ボトルネック注意U-net
Authors: Abdullah Nazib, Riad Hassan, 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。本稿では,複数のデコーダU-netアーキテクチャを提案し,ネットワークのボトルネックに注目するために,デコーダ間のセグメンテーションの不一致を利用する。正確なセグメンテーションのために,CT強度統合正規化損失も提案した。
参考スコア（独自算出の注目度）: 20.865775626533434
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 propose a multiple decoder U-net architecture and use the segmentation disagreement between the decoders as attention to the bottleneck of the network for segmentation refinement. While feature correlation is considered as attention in most cases, in our case it is the uncertainty from the network used as attention. For accurate segmentation, we also proposed a CT intensity integrated regularization loss. Proposed regularisation helps model understand the intensity distribution of low contrast tissues. We tested our model on two publicly available OAR challenge datasets. We also conducted the ablation on each datasets with the proposed attention module and regularization loss. Experimental results demonstrate a clear accuracy improvement on both datasets.
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,マルチデコーダu-netアーキテクチャを提案し,セグメンテーション改善のためのネットワークのボトルネックに着目し,デコーダ間のセグメンテーションの不一致を利用した。特徴相関はたいていの場合注目されるが、本事例では注意として使用されるネットワークからの不確実性である。正確なセグメンテーションのために,CT強度統合正規化損失も提案した。提案された規則化は、低コントラスト組織の強度分布のモデル化に役立つ。当社のモデルを2つの公開OARチャレンジデータセットでテストしました。また,提案するアテンションモジュールと正規化損失を用いて各データセットのアブレーションを行った。実験の結果,両データセットの精度が向上した。

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)
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。