論文の概要: SCOPE: Structural Continuity Preservation for Medical Image Segmentation
- arxiv url: http://arxiv.org/abs/2304.14572v1
- Date: Fri, 28 Apr 2023 00:11:35 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-01 15:35:19.176395
- Title: SCOPE: Structural Continuity Preservation for Medical Image Segmentation
- Title(参考訳): SCOPE:医用画像分割のための構造継続保存
- Authors: Yousef Yeganeh, Azade Farshad, Goktug Guevercin, Amr Abu-zer, Rui
Xiao, Yongjian Tang, Ehsan Adeli, Nassir Navab
- Abstract要約: 医用画像における解剖学的トポロジの連続性と接続性を向上させるグラフベースのアプローチを提案する。
本手法は, 形状の連続性をグラフ制約として符号化し, ネットワークの予測が連続性を維持することを保証する。
- 参考スコア(独自算出の注目度): 41.43063476894447
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Although the preservation of shape continuity and physiological anatomy is a
natural assumption in the segmentation of medical images, it is often neglected
by deep learning methods that mostly aim for the statistical modeling of input
data as pixels rather than interconnected structures. In biological structures,
however, organs are not separate entities; for example, in reality, a severed
vessel is an indication of an underlying problem, but traditional segmentation
models are not designed to strictly enforce the continuity of anatomy,
potentially leading to inaccurate medical diagnoses. To address this issue, we
propose a graph-based approach that enforces the continuity and connectivity of
anatomical topology in medical images. Our method encodes the continuity of
shapes as a graph constraint, ensuring that the network's predictions maintain
this continuity. We evaluate our method on two public benchmarks on retinal
vessel segmentation, showing significant improvements in connectivity metrics
compared to traditional methods while getting better or on-par performance on
segmentation metrics.
- Abstract(参考訳): 形状の連続性と生理学的解剖の保存は医用画像のセグメンテーションにおける自然な仮定であるが、主に相互接続構造ではなくピクセルとしての入力データの統計的モデリングを目的とした深層学習手法では無視されることが多い。
しかし、生物学的構造では、臓器は別個の実体ではなく、例えば、切断された血管は根本問題を示すものであるが、従来のセグメンテーションモデルは解剖の連続性を厳格に強制するために設計されておらず、不正確な診断につながる可能性がある。
本稿では,医療画像における解剖学的トポロジーの連続性と接続性を実現するグラフベースアプローチを提案する。
本手法は, 形状の連続性をグラフ制約として符号化し, ネットワークの予測が連続性を維持することを保証する。
網膜血管セグメンテーションの2つの公開ベンチマークで評価し,従来の方法に比べて接続性指標が大幅に改善され,またセグメンテーション指標の精度も向上した。
関連論文リスト
- Implicit Anatomical Rendering for Medical Image Segmentation with
Stochastic Experts [11.007092387379078]
医用画像セグメンテーションの学習を支援するために,解剖学的レベルで設計された汎用的な暗黙的ニューラルネットワークレンダリングフレームワークであるMORSEを提案する。
医用画像のセグメンテーションをエンドツーエンドのレンダリング問題として定式化する。
実験の結果,MORSEは異なる医療セグメントのバックボーンでうまく機能することが示された。
論文 参考訳(メタデータ) (2023-04-06T16:44:03Z) - Structure-aware registration network for liver DCE-CT images [50.28546654316009]
セグメント化誘導深層登録網に関連臓器の構造情報を組み込んだ構造認識型登録手法を提案する。
提案手法は,最新技術よりも高い登録精度を達成し,解剖学的構造を効果的に維持することができる。
論文 参考訳(メタデータ) (2023-03-08T14:08:56Z) - Latent Graph Representations for Critical View of Safety Assessment [2.9724186623561435]
CVS予測の手法として,まず乱れのあるシーングラフを用いて手術画像の表現を行い,その表現をグラフニューラルネットワークを用いて処理する手法を提案する。
我々のグラフ表現は、意味情報を明示的に符号化し、解剖学的推論を改善するとともに、視覚的特徴を識別可能性を維持し、意味的誤りに対する堅牢性を提供する。
本手法は,ボックスアノテーションのトレーニングにおいて,複数のベースラインメソッドよりも優れるだけでなく,セグメンテーションマスクのトレーニング時にも効果的にスケールし,最先端のパフォーマンスを維持していることを示す。
論文 参考訳(メタデータ) (2022-12-08T09:21:09Z) - Automated Coronary Arteries Labeling Via Geometric Deep Learning [13.515293812745343]
血管造影検査から得られた3次元座標データによく適合する直感的なグラフ表現法を提案する。
その後、幾何学的深層学習を用いて対象別グラフの分析を試みる。
提案モデルでは,141例の専門的アノテートラベルを用いて,各冠動脈セグメントの表現を学習し,訓練データにおける解剖学的変動の影響を捉えた。
論文 参考訳(メタデータ) (2022-12-01T09:31:08Z) - Inconsistency-aware Uncertainty Estimation for Semi-supervised Medical
Image Segmentation [92.9634065964963]
我々は、不確実性推定と個別の自己学習戦略に基づいて、新しい半教師付きセグメンテーションモデル、すなわち保守的ラディカルネットワーク(CoraNet)を提案する。
現在の技術と比較すると、ColaNetは優れたパフォーマンスを示しています。
論文 参考訳(メタデータ) (2021-10-17T08:49:33Z) - Topological Similarity Index and Loss Function for Blood Vessel
Segmentation [0.0]
そこで本研究では,予測されたセグメントの一貫性を基礎的真理に言及した類似度指数を提案する。
また、形態的閉鎖演算子に基づく新しい損失関数を設計し、より位相的に一貫性のあるマスクを生成するディープニューラルネットワークモデルを学習する方法を示す。
論文 参考訳(メタデータ) (2021-07-30T10:24:47Z) - A survey on shape-constraint deep learning for medical image
segmentation [0.46023882211671957]
畳み込みニューラルネットワークとその多くのバリエーションは、ディープラーニングベースの医療画像セグメンテーションの現代の風景を完全に変えました。
これらの手法のピクセルレベルの分類と回帰に対する過度の依存は、問題として早期に特定されている。
セグメンテーション結果が解剖学的に一貫性があることを確認するために、マルコフ/条件付きランダムフィールドに基づくアプローチは、統計的シェイプモデルがますます普及しています。
論文 参考訳(メタデータ) (2021-01-19T16:52:10Z) - Few-shot Medical Image Segmentation using a Global Correlation Network
with Discriminative Embedding [60.89561661441736]
医療画像分割のための新しい手法を提案する。
深層畳み込みネットワークを用いた数ショット画像セグメンタを構築します。
深層埋め込みの識別性を高め,同一クラスの特徴領域のクラスタリングを促進する。
論文 参考訳(メタデータ) (2020-12-10T04:01:07Z) - 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) - Pathological Retinal Region Segmentation From OCT Images Using Geometric
Relation Based Augmentation [84.7571086566595]
本稿では,幾何学と形状の内在的関係を共同で符号化することで,従来のGANベースの医用画像合成法よりも優れた手法を提案する。
提案手法は,取得手順の異なる画像を有する公開RETOUCHデータセット上で,最先端のセグメンテーション手法より優れている。
論文 参考訳(メタデータ) (2020-03-31T11:50:43Z)
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。