論文の概要: MESAHA-Net: Multi-Encoders based Self-Adaptive Hard Attention Network
with Maximum Intensity Projections for Lung Nodule Segmentation in CT Scan
- arxiv url: http://arxiv.org/abs/2304.01576v1
- Date: Tue, 4 Apr 2023 07:05:15 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-05 14:55:23.173041
- Title: MESAHA-Net: Multi-Encoders based Self-Adaptive Hard Attention Network
with Maximum Intensity Projections for Lung Nodule Segmentation in CT Scan
- Title（参考訳）: mesaha-net : ctスキャンにおける肺結節の最大強度投影を用いたマルチエンコーダ型自己適応型ハードアテンションネットワーク
- Authors: Muhammad Usman, Azka Rehman, Abdullah Shahid, Siddique Latif, Shi Sub
Byon, Sung Hyun Kim, Tariq Mahmood Khan, and Yeong Gil Shin
- Abstract要約: マルチエンコーダをベースとした自己適応型ハードアテンションネットワーク(MESAHA-Net)をCTスキャンの高精度な肺結節分割のための効率的なエンドツーエンドフレームワークとして提案する。
MESAHA-Netは、肺結節のスライス・バイ・スライス2Dセグメンテーションを反復的に行い、各スライス内の結節領域に着目して肺結節の3Dセグメンテーションを生成する。
LIDC-IDRIデータセットは,肺結節セグメンテーションのための最大公用データセットである。
- 参考スコア（独自算出の注目度）: 6.266053305874546
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Accurate lung nodule segmentation is crucial for early-stage lung cancer
diagnosis, as it can substantially enhance patient survival rates. Computed
tomography (CT) images are widely employed for early diagnosis in lung nodule
analysis. However, the heterogeneity of lung nodules, size diversity, and the
complexity of the surrounding environment pose challenges for developing robust
nodule segmentation methods. In this study, we propose an efficient end-to-end
framework, the multi-encoder-based self-adaptive hard attention network
(MESAHA-Net), for precise lung nodule segmentation in CT scans. MESAHA-Net
comprises three encoding paths, an attention block, and a decoder block,
facilitating the integration of three types of inputs: CT slice patches,
forward and backward maximum intensity projection (MIP) images, and region of
interest (ROI) masks encompassing the nodule. By employing a novel adaptive
hard attention mechanism, MESAHA-Net iteratively performs slice-by-slice 2D
segmentation of lung nodules, focusing on the nodule region in each slice to
generate 3D volumetric segmentation of lung nodules. The proposed framework has
been comprehensively evaluated on the LIDC-IDRI dataset, the largest publicly
available dataset for lung nodule segmentation. The results demonstrate that
our approach is highly robust for various lung nodule types, outperforming
previous state-of-the-art techniques in terms of segmentation accuracy and
computational complexity, rendering it suitable for real-time clinical
implementation.
- Abstract（参考訳）: 肺結節の正確な分節は早期肺癌の診断に不可欠であり、患者の生存率を大幅に向上させる可能性がある。
CT画像は肺結節解析の早期診断に広く用いられている。
しかし, 肺結節の多様性, 大きさの多様性, 周辺環境の複雑さは, 頑健な結節分画法を開発する上で困難である。
本研究では,マルチエンコーダをベースとした自己適応型ハードアテンションネットワーク(MESAHA-Net)をCTスキャンの高精度な肺結節分割のための効率的なエンドツーエンドフレームワークとして提案する。
MESAHA-Netは3つの符号化パス、アテンションブロック、デコーダブロックから構成されており、CTスライスパッチ、前方および後方最大強度投影(MIP)画像、およびノードを含む関心領域(ROI)マスクの3種類の入力の統合を容易にする。
新しい適応的ハードアテンション機構を用いて、mesaha-netは肺結節のスライスバイスライス2次元セグメンテーションを反復的に実施し、各スライスの結節領域に着目して肺結節の3次元ボリュームセグメンテーションを生成する。
LIDC-IDRIデータセットは肺結節セグメンテーションのための最大公用データセットである。
以上の結果より, 本手法は肺結節型に対して極めて堅牢であり, セグメンテーション精度と計算複雑性の点で従来の最先端技術よりも優れており, リアルタイムな臨床応用に適していることが示唆された。
関連論文リスト
- Enhancing Weakly Supervised 3D Medical Image Segmentation through
Probabilistic-aware Learning [52.249748801637196]
3次元医用画像のセグメンテーションは、疾患の診断と治療計画に重要な意味を持つ課題である。
近年の深層学習の進歩は、完全に教師付き医療画像のセグメンテーションを著しく強化している。
本稿では,3次元医用画像に特化して設計された,確率的適応型弱教師付き学習パイプラインを提案する。
論文 参考訳（メタデータ） (2024-03-05T00:46:53Z) - SGDA: Towards 3D Universal Pulmonary Nodule Detection via Slice Grouped
Domain Attention [47.44114201293201]
肺がんは世界中でがんの死因となっている。
現在の肺結節検出法は通常ドメイン固有である。
肺結節検出ネットワークの一般化能力を高めるために,スライスグループドメインアテンション(SGDA)モジュールを提案する。
論文 参考訳（メタデータ） (2023-03-07T03:17:49Z) - Lung nodules segmentation from CT with DeepHealth toolkit [6.980270783615686]
本研究の目的は,PyECVLおよびPyEDDLライブラリを含むDeephealthツールキットが肺結節を正確に分節できることを実証することであった。
以上の結果から, 肺結節の広範囲にわたる精密な分節化と, 従来の検出法よりも精度がよいことが示唆された。
論文 参考訳（メタデータ） (2022-08-01T06:54:12Z) - Image Synthesis with Disentangled Attributes for Chest X-Ray Nodule
Augmentation and Detection [52.93342510469636]
肺癌早期検診では胸部X線像の肺結節検出が一般的である。
ディープラーニングに基づくコンピュータ支援診断(CAD)システムは、CXRの結節スクリーニングのために放射線科医をサポートすることができる。
このようなデータセットの可用性を損なうため,データ拡張のために肺結節合成法を提案する。
論文 参考訳（メタデータ） (2022-07-19T16:38:48Z) - Improving Classification Model Performance on Chest X-Rays through Lung
Segmentation [63.45024974079371]
本稿では, セグメンテーションによる異常胸部X線(CXR)識別性能を向上させるための深層学習手法を提案する。
提案手法は,CXR画像中の肺領域を局所化するための深層ニューラルネットワーク(XLSor)と,大規模CXRデータセットで事前学習した自己教師あり運動量コントラスト(MoCo)モデルのバックボーンを用いたCXR分類モデルである。
論文 参考訳（メタデータ） (2022-02-22T15:24:06Z) - Pulmonary Vessel Segmentation based on Orthogonal Fused U-Net++ of Chest
CT Images [1.8692254863855962]
胸部CT画像から肺血管セグメンテーションの枠組みと改善過程について検討した。
アプローチの鍵となるのは、3つの軸から2.5D区分けネットワークを応用し、堅牢で完全に自動化された肺血管区分け結果を示す。
提案手法は,他のネットワーク構造よりも大きなマージンで優れ,平均DICEスコア0.9272,精度0.9310を極端に上回っている。
論文 参考訳（メタデータ） (2021-07-03T21:46:29Z) - Accurate Lung Nodules Segmentation with Detailed Representation Transfer
and Soft Mask Supervision [19.64536342490214]
肺結節の小ささと多彩さは, 正確な肺結節の分節を困難にする。
我々は、よりリッチで正確なエッジ詳細記述を持つSoft Maskという新しいセグメンテーションマスクを導入する。
肺結節の低解像度像を高品質なセグメンテーション結果に処理するために, 詳細な表現伝達とソフトマスク監視(DSNet)を備えた新しいネットワークを提案する。
論文 参考訳（メタデータ） (2020-07-29T02:38:02Z) - Deep Residual 3D U-Net for Joint Segmentation and Texture Classification
of Nodules in Lung [91.3755431537592]
肺結節の分類法, そのテクスチャ分類, 肺CT像による後続の推奨について検討した。
提案手法は, 一般的なU-Netアーキテクチャファミリに基づくニューラルネットワークモデルと, 共同結節分割とそのテクスチャ分類タスクと, フォローアップレコメンデーションのためのアンサンブルベースモデルから構成される。
論文 参考訳（メタデータ） (2020-06-25T07:20:41Z) - A Global Benchmark of Algorithms for Segmenting Late Gadolinium-Enhanced
Cardiac Magnetic Resonance Imaging [90.29017019187282]
現在世界最大の心臓LGE-MRIデータセットである154個の3D LGE-MRIを用いた「2018 left Atrium Challenge」。
技術および生物学的指標を用いた提案アルゴリズムの解析を行った。
その結果, 最上部法は93.2%, 平均表面は0.7mmであった。
論文 参考訳（メタデータ） (2020-04-26T08:49:17Z) - U-Det: A Modified U-Net architecture with bidirectional feature network
for lung nodule segmentation [0.0]
本稿では,資源効率のよいモデルアーキテクチャであるU-Detを提案する。
提案モデルは,1186個の肺結節からなるLUNA-16データセットを用いて,広範囲に訓練および評価を行った。
U-Detアーキテクチャは既存のU-Netモデルを82.82%のDice類似度係数(DSC)で上回り、人間の専門家に匹敵する結果が得られる。
論文 参考訳（メタデータ） (2020-03-20T14:25:22Z) - Volumetric Lung Nodule Segmentation using Adaptive ROI with Multi-View
Residual Learning [2.8145631839076004]
提案手法はLIDCデータセットで厳格に評価されている。
その結果,従来の技術と比較すると,アプローチは極めて堅牢で正確であることが示唆された。
論文 参考訳（メタデータ） (2019-12-31T15:03:18Z)
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。