論文の概要: Localise to segment: crop to improve organ at risk segmentation accuracy

• arxiv url: http://arxiv.org/abs/2304.04606v1
• Date: Mon, 10 Apr 2023 14:22:10 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-11 14:52:36.886917
• Title: Localise to segment: crop to improve organ at risk segmentation accuracy
• Title（参考訳）: セグメントへのローカライズ:リスクセグメンテーション精度で臓器を改善する作物
• Authors: Abraham George Smith, Denis Kutn\'ar, Ivan Richter Vogelius, Sune Darkner and Jens Petersen
• Abstract要約: ローカライゼーションアプローチは、トレーニング時間と安定性の両方を改善することができる。 Medical Decathlon データセットによる脾臓,膵,心臓のセグメンテーション精度の向上
• 参考スコア（独自算出の注目度）: 2.6826506565742645
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Increased organ at risk segmentation accuracy is required to reduce cost and complications for patients receiving radiotherapy treatment. Some deep learning methods for the segmentation of organs at risk use a two stage process where a localisation network first crops an image to the relevant region and then a locally specialised network segments the cropped organ of interest. We investigate the accuracy improvements brought about by such a localisation stage by comparing to a single-stage baseline network trained on full resolution images. We find that localisation approaches can improve both training time and stability and a two stage process involving both a localisation and organ segmentation network provides a significant increase in segmentation accuracy for the spleen, pancreas and heart from the Medical Segmentation Decathlon dataset. We also observe increased benefits of localisation for smaller organs. Source code that recreates the main results is available at \href{https://github.com/Abe404/localise_to_segment}{this https URL}.
• Abstract（参考訳）: 放射線治療を受ける患者のコストと合併症を減らすためには、リスクセグメント化の精度を高める必要がある。 リスクのある臓器のセグメンテーションのためのいくつかの深層学習方法は、2段階のプロセスを使用しており、ローカライズネットワークはまず、関連する領域に画像を生産し、次に、ローカルに特殊化されたネットワークがトリミングされた臓器をセグメンテーションする。 本研究では,フルレゾリューション画像上で訓練された単段ベースラインネットワークと比較し,局所化ステージがもたらした精度改善について検討する。 局所化アプローチはトレーニング時間と安定性の両方を改善し、局所化と臓器分節ネットワークの両方を含む2段階のプロセスは、医学的分節デカスロンデータセットから脾臓、膵臓、心臓の分節精度を著しく向上させる。 また,より小さな臓器に対する局所化のメリットの増大も観察した。 主要な結果を再現するソースコードは、 \href{https://github.com/Abe404/localise_to_segment}{this https URL} にある。

関連論文リスト

• Uncertainty Driven Bottleneck Attention U-net for Organ at Risk Segmentation [20.865775626533434]
  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。
  論文  参考訳（メタデータ） (2023-03-19T23:45:32Z)
• 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)
• Multi-organ Segmentation Network with Adversarial Performance Validator [10.775440368500416]
  本稿では,2次元から3次元のセグメンテーションフレームワークに対向的な性能検証ネットワークを導入する。 提案したネットワークは, 2次元粗い結果から3次元高品質なセグメンテーションマスクへの変換を行い, 共同最適化によりセグメンテーション精度が向上する。 NIH膵分節データセットの実験では、提案したネットワークが小臓器分節の最先端の精度を達成し、過去の最高性能を上回った。
  論文  参考訳（メタデータ） (2022-04-16T18:00:29Z)
• A unified 3D framework for Organs at Risk Localization and Segmentation for Radiation Therapy Planning [56.52933974838905]
  現在の医療ワークフローは、OAR(Organs-at-risk)のマニュアル記述を必要とする 本研究は,OARローカライゼーション・セグメンテーションのための統合された3Dパイプラインの導入を目的とする。 提案手法は医用画像に固有の3Dコンテキスト情報の活用を可能にする。
  論文  参考訳（メタデータ） (2022-03-01T17:08:41Z)
• Residual Moment Loss for Medical Image Segmentation [56.72261489147506]
  位置情報は,対象物体の多様体構造を捉えた深層学習モデルに有効であることが証明された。 既存のほとんどの手法は、ネットワークが学習するために、位置情報を暗黙的にエンコードする。 セグメント化対象の位置情報を明示的に埋め込むために,新しい損失関数,すなわち残差モーメント(RM)損失を提案する。
  論文  参考訳（メタデータ） (2021-06-27T09:31:49Z)
• Trilateral Attention Network for Real-time Medical Image Segmentation [0.0]
  本稿では,医用画像のリアルタイム検出とセグメンテーションを行うために,Trilateral Attention Network (TaNet) と呼ばれるエンドツーエンドネットワークを提案する。 TaNetは、領域ローカライゼーションのためのモジュールと、1)手作りの畳み込みカーネルを持つ手作り経路、2)正規の畳み込みカーネルを持つ詳細経路、3)受容領域を拡大するグローバルパスの3つのセグメンテーション経路を持つ。
  論文  参考訳（メタデータ） (2021-06-17T01:46:33Z)
• 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)
• A Location-Sensitive Local Prototype Network for Few-Shot Medical Image Segmentation [11.95230738435115]
  そこで本稿では,空間的プリエントを利用して医療画像分割を行うプロトタイプベース手法を提案する。 VISCERAL CT画像データセットにおける臓器セグメンテーション実験では, 平均Dice係数において, 最新のアプローチを10%上回った。
  論文  参考訳（メタデータ） (2021-03-18T11:27:19Z)
• Deep Reinforcement Learning for Organ Localization in CT [59.23083161858951]
  我々はCTにおける臓器局所化のための深層強化学習手法を提案する。 この研究において、人工エージェントは、その主張や誤りから学習することで、CT内の臓器の局所化を積極的に行う。 本手法は,任意の臓器をローカライズするためのプラグイン・アンド・プレイモジュールとして利用できる。
  論文  参考訳（メタデータ） (2020-05-11T10:06:13Z)

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。