論文の概要: NUMSnet: Nested-U Multi-class Segmentation network for 3D Medical Image Stacks

• arxiv url: http://arxiv.org/abs/2304.02713v1
• Date: Wed, 5 Apr 2023 19:16:29 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-07 16:22:46.946901
• Title: NUMSnet: Nested-U Multi-class Segmentation network for 3D Medical Image Stacks
• Title（参考訳）: numsnet:3次元医用画像スタックのためのnested-u multi-class segmentation network
• Authors: Sohini Roychowdhury
• Abstract要約: NUMSnetはUnetモデルの新たな変種であり、ネストした層を通してスキャン間でピクセル近傍の特徴を伝達する。 NUMSnetモデルのセマンティックセグメンテーション性能をいくつかのUnetモデルと比較して解析する。 提案モデルは,最小限のトレーニングデータセットを用いて,様々なボリュームイメージスタック上でのマルチクラスセマンティックセマンティックセマンティックセマンティクスを標準化することができる。
• 参考スコア（独自算出の注目度）: 1.2335698325757494
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Semantic segmentation for medical 3D image stacks enables accurate volumetric reconstructions, computer-aided diagnostics and follow up treatment planning. In this work, we present a novel variant of the Unet model called the NUMSnet that transmits pixel neighborhood features across scans through nested layers to achieve accurate multi-class semantic segmentations with minimal training data. We analyze the semantic segmentation performance of the NUMSnet model in comparison with several Unet model variants to segment 3-7 regions of interest using only 10% of images for training per Lung-CT and Heart-CT volumetric image stacks. The proposed NUMSnet model achieves up to 20% improvement in segmentation recall with 4-9% improvement in Dice scores for Lung-CT stacks and 2.5-10% improvement in Dice scores for Heart-CT stacks when compared to the Unet++ model. The NUMSnet model needs to be trained by ordered images around the central scan of each volumetric stack. Propagation of image feature information from the 6 nested layers of the Unet++ model are found to have better computation and segmentation performances than propagation of all up-sampling layers in a Unet++ model. The NUMSnet model achieves comparable segmentation performances to existing works, while being trained on as low as 5\% of the training images. Also, transfer learning allows faster convergence of the NUMSnet model for multi-class semantic segmentation from pathology in Lung-CT images to cardiac segmentations in Heart-CT stacks. Thus, the proposed model can standardize multi-class semantic segmentation on a variety of volumetric image stacks with minimal training dataset. This can significantly reduce the cost, time and inter-observer variabilities associated with computer-aided detections and treatment.
• Abstract（参考訳）: 医用3D画像スタックのセマンティックセグメンテーションは、正確なボリューム再構成、コンピュータ支援診断、治療計画の追跡を可能にする。 本稿では,ネスト層を通してスキャンされたピクセル近傍の特徴を送信し,最小のトレーニングデータを用いて正確なマルチクラス意味セグメンテーションを実現する,numsnet という unet モデルの新たな変種を提案する。 NUMSnetモデルのセマンティックセマンティックセマンティックセマンティクス性能をいくつかのUnetモデルと比較して解析し,Lung-CTとHeart-CTのボリューム画像スタックのトレーニングに使用する画像の10%のみを用いて3～7領域の関心領域をセグメント化する。 提案したNUMSnetモデルは,Unet++モデルと比較して,Lung-CTスタックのDiceスコアが4-9%,Heart-CTスタックのDiceスコアが2.5-10%,セグメンテーションリコールが最大20%向上した。 NUMSnetモデルは、各ボリュームスタックの中央スキャン周辺の順序付きイメージによってトレーニングする必要がある。 Unet++モデルのネストされた6層からのイメージ特徴情報の伝搬は、Unet++モデルのすべてのアップサンプリングレイヤの伝搬よりも、計算とセグメンテーションのパフォーマンスが優れている。 numsnetモデルは既存の作品と同等のセグメンテーション性能を達成し、トレーニング画像の5\%の低さでトレーニングされている。 また、転写学習により、Lung-CT画像の病理からHeart-CTスタックの心臓領域への多クラスセマンティックセマンティックセマンティクスのためのNUMSnetモデルを高速に収束させることができる。 提案モデルでは,最小限のトレーニングデータセットを用いて,様々なボリュームイメージスタック上でのマルチクラスセマンティックセマンティックセマンティックセマンティクスを標準化することができる。 これにより、コンピュータ支援による検出と処理に関連するコスト、時間、オブザーバ間の変動を大幅に削減することができる。

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)
• Continual Segment: Towards a Single, Unified and Accessible Continual Segmentation Model of 143 Whole-body Organs in CT Scans [31.388497540849297]
  全身143の臓器をセグメント化するための1つの深部分割モデルを学習するための新しいアーキテクチャCSS学習フレームワークを提案する。 私たちは4つのデータセットから2500人以上の患者の3DCTをトレーニングし、検証しました。
  論文  参考訳（メタデータ） (2023-02-01T00:49:21Z)
• Prompt Tuning for Parameter-efficient Medical Image Segmentation [79.09285179181225]
  2つの医用画像データセットのセマンティックセグメンテーションにパラメータ効率が良いが効果的な適応を実現するために,いくつかのコントリビューションを提案し,検討する。 我々はこのアーキテクチャを、オンライン生成プロトタイプへの割り当てに基づく専用密集型セルフスーパービジョンスキームで事前訓練する。 得られたニューラルネットワークモデルにより、完全に微調整されたモデルとパラメータに適応したモデルとのギャップを緩和できることを実証する。
  論文  参考訳（メタデータ） (2022-11-16T21:55:05Z)
• Two-Stream Graph Convolutional Network for Intra-oral Scanner Image Segmentation [133.02190910009384]
  本稿では,2ストリームグラフ畳み込みネットワーク(TSGCN)を提案する。 TSGCNは3次元歯(表面)セグメンテーションにおいて最先端の方法よりも優れています。
  論文  参考訳（メタデータ） (2022-04-19T10:41:09Z)
• Unsupervised Domain Adaptation with Contrastive Learning for OCT Segmentation [49.59567529191423]
  本稿では,新しい未ラベル領域からのボリューム画像のセグメンテーションのための,新しい半教師付き学習フレームワークを提案する。 教師付き学習とコントラスト学習を併用し、3次元の近傍スライス間の類似性を利用したコントラストペア方式を導入する。
  論文  参考訳（メタデータ） (2022-03-07T19:02:26Z)
• QU-net++: Image Quality Detection Framework for Segmentation of 3D Medical Image Stacks [0.9594432031144714]
  U-net++モデルを用いて3次元画像スタックから医用画像の品質を評価する2段階自動評価手法を提案する。 検出された画像は、セマンティックセグメンテーションのためにU-net++モデルをさらに微調整するために使用することができる。
  論文  参考訳（メタデータ） (2021-10-27T05:28:02Z)
• A Multi-Task Cross-Task Learning Architecture for Ad-hoc Uncertainty Estimation in 3D Cardiac MRI Image Segmentation [0.0]
  画素レベル(セグメンテーション)タスクと幾何学レベル(距離マップ)タスクの相関を強制するマルチタスククロスタスク学習整合性アプローチを提案する。 本研究は、与えられたモデルから低品質セグメンテーションをフラグする我々のモデルの可能性をさらに示すものである。
  論文  参考訳（メタデータ） (2021-09-16T03:53:24Z)
• Automatic size and pose homogenization with spatial transformer network to improve and accelerate pediatric segmentation [51.916106055115755]
  空間変換器ネットワーク(STN)を利用することにより、ポーズとスケール不変の新たなCNNアーキテクチャを提案する。 私たちのアーキテクチャは、トレーニング中に一緒に見積もられる3つのシーケンシャルモジュールで構成されています。 腹部CTスキャナーを用いた腎および腎腫瘍の分節法について検討した。
  論文  参考訳（メタデータ） (2021-07-06T14:50:03Z)
• Group-Wise Semantic Mining for Weakly Supervised Semantic Segmentation [49.90178055521207]
  この研究は、画像レベルのアノテーションとピクセルレベルのセグメンテーションのギャップを埋めることを目標に、弱い監督されたセマンティックセグメンテーション(WSSS)に対処する。 画像群における意味的依存関係を明示的にモデル化し,より信頼性の高い擬似的基盤構造を推定する,新たなグループ学習タスクとしてWSSSを定式化する。 特に、入力画像がグラフノードとして表現されるグループ単位のセマンティックマイニングのためのグラフニューラルネットワーク(GNN)を考案する。
  論文  参考訳（メタデータ） (2020-12-09T12:40:13Z)
• Weakly Supervised 3D Classification of Chest CT using Aggregated Multi-Resolution Deep Segmentation Features [5.938730586521215]
  CT画像の病巣分類は, 症例レベルのアノテーションが原因で, 局所性に乏しい。 マルチレゾリューション・セグメンテーション・フィーチャーマップを用いて学習した意味構造概念を活用する医療分類器を提案する。
  論文  参考訳（メタデータ） (2020-10-31T00:16:53Z)

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。