Fugu-MT 論文翻訳(概要): An image segmentation algorithm based on multi-scale feature pyramid network

論文の概要: An image segmentation algorithm based on multi-scale feature pyramid network

arxiv url: http://arxiv.org/abs/2305.10631v4
Date: Thu, 29 Jun 2023 01:15:02 GMT
ステータス: 処理完了
システム内更新日: 2023-06-30 16:34:39.452605
Title: An image segmentation algorithm based on multi-scale feature pyramid network
Title（参考訳）: マルチスケール特徴ピラミッドネットワークに基づく画像分割アルゴリズム
Authors: Yu Xiao, Xin Yang, Sijuan Huang, Lihua Guo
Abstract要約: 臨床頚癌放射線療法では、MRI画像における臓器と腫瘍の高速かつ正確な画像分割は、臨床放射線療法のプロセスを最適化することができる。従来のアプローチでは、専門医による手動アノテーションが用いられており、時間と手間がかかるため、腹下MRI画像の自動臓器分割が重要な研究トピックである。
参考スコア（独自算出の注目度）: 6.573299235142411
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: Medical image segmentation is particularly critical as a prerequisite for relevant quantitative analysis in the treatment of clinical diseases. For example, in clinical cervical cancer radiotherapy, after acquiring subabdominal MRI images, a fast and accurate image segmentation of organs and tumors in MRI images can optimize the clinical radiotherapy process, whereas traditional approaches use manual annotation by specialist doctors, which is time-consuming and laborious, therefore, automatic organ segmentation of subabdominal MRI images is a valuable research topic.
Abstract（参考訳）: 医療画像分割は臨床疾患の治療における関連する定量的解析の前提条件として特に重要である。例えば、臨床頚癌放射線療法では、腹腔下MRI画像を取得すると、MRI画像中の臓器と腫瘍の高速かつ正確な画像セグメント化が臨床放射線治療のプロセスを最適化することができるが、従来のアプローチでは、時間と手間のかかる専門医による手動アノテーションが用いられており、腹部下MRI画像の自動臓器セグメント化は貴重な研究トピックである。

関連論文リスト

Radiomics-guided Multimodal Self-attention Network for Predicting Pathological Complete Response in Breast MRI [3.6852491526879687]
本研究では,ダイナミックコントラスト強調画像(DCE)とADCマップを用いた乳癌患者のpCR予測モデルを提案する。本手法は, 腫瘍関連領域からの特徴抽出を誘導するために放射線を利用した自己注意機構を備えたエンコーダを用いて, DCE MRI と ADC から特徴抽出を行う。
論文参考訳（メタデータ） (2024-06-05T04:49:55Z)
Style transfer between Microscopy and Magnetic Resonance Imaging via Generative Adversarial Network in small sample size settings [49.84018914962972]
磁気共鳴イメージング(MRI)のクロスモーダル増強と、同じ組織サンプルに基づく顕微鏡イメージングが期待できる。コンディショナル・ジェネレーティブ・逆境ネットワーク (cGAN) アーキテクチャを用いて, コーパス・カロサムのMRI画像から顕微鏡組織像を生成する方法を検討した。
論文参考訳（メタデータ） (2023-10-16T13:58:53Z)
Multi-center, multi-vendor automated segmentation of left ventricular anatomy in contrast-enhanced MRI [0.7276738839986918]
本研究では,LGE-MRIにおけるマルチセンターとマルチベンダのLVセグメンテーションを初めて検討する。トレーニングサンプルのイメージ変動を人工的に増強するデータ拡張、センター間でのLGE-MRI画像の分布調整のための画像調和、既存の単一中心モデルを調整するための移行学習、新しい臨床現場からの未確認画像への変換。
論文参考訳（メタデータ） (2021-10-14T13:44:59Z)
Medical Image Analysis on Left Atrial LGE MRI for Atrial Fibrillation Studies: A Review [18.22326892162902]
後期ガドリニウム造影MRI(LGE MRI)は左心房(LA)の傷跡の可視化と定量化に一般的に用いられている。本稿では, LGE MRIによるLA空洞, 壁, 傷痕, アブレーションギャップのセグメンテーションと定量化のための計算手法について, 体系的に検討することを目的とする。
論文参考訳（メタデータ） (2021-06-18T01:31:06Z)
Semantic segmentation of multispectral photoacoustic images using deep learning [53.65837038435433]
光音響イメージングは医療に革命をもたらす可能性がある。この技術の臨床的翻訳には、高次元取得したデータを臨床的に関連性があり解釈可能な情報に変換する必要がある。本稿では,多スペクトル光音響画像のセマンティックセグメンテーションに対する深層学習に基づくアプローチを提案する。
論文参考訳（メタデータ） (2021-05-20T09:33:55Z)
Image Processing Techniques for identifying tumors in an MRI image [0.0]
デジタル割り当ては、ATD(Automated Tumor Detection)で使用されるさまざまな画像処理技術を調査します。この課題は、Morphological Tools (MT) や Region Growing Technique (RGT) などの伝統的な技術を比較して議論を開始する。
論文参考訳（メタデータ） (2021-03-28T15:18:38Z)
Explaining Clinical Decision Support Systems in Medical Imaging using Cycle-Consistent Activation Maximization [112.2628296775395]
ディープニューラルネットワークを用いた臨床意思決定支援は、着実に関心が高まりつつあるトピックとなっている。臨床医は、その根底にある意思決定プロセスが不透明で理解しにくいため、この技術の採用をためらうことが多い。そこで我々は,より小さなデータセットであっても,分類器決定の高品質な可視化を生成するCycleGANアクティベーションに基づく,新たな意思決定手法を提案する。
論文参考訳（メタデータ） (2020-10-09T14:39:27Z)
Spectral-Spatial Recurrent-Convolutional Networks for In-Vivo Hyperspectral Tumor Type Classification [49.32653090178743]
ハイパースペクトル画像とディープラーニングを用いたin-vivo腫瘍型分類の可能性を示した。我々の最良のモデルは76.3%のAUCを達成し、従来の学習手法とディープラーニング手法を著しく上回っている。
論文参考訳（メタデータ） (2020-07-02T12:00:53Z)
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)
Weakly supervised multiple instance learning histopathological tumor segmentation [51.085268272912415]
スライド画像全体のセグメント化のための弱教師付きフレームワークを提案する。トレーニングモデルに複数のインスタンス学習スキームを利用する。提案するフレームワークは,The Cancer Genome AtlasとPatchCamelyonデータセットのマルチロケーションとマルチ中心公開データに基づいて評価されている。
論文参考訳（メタデータ） (2020-04-10T13:12:47Z)
Deep Learning for Musculoskeletal Image Analysis [5.271212551436945]
本研究では,機械学習,特にディープラーニングの手法を用いて,MRIスキャンの迅速かつ正確な画像解析を行う方法について述べる。メニスカスおよび前十字靭帯断裂を含む各種異常の機械学習分類について検討した。広く用いられている畳み込みニューラルネットワーク(CNN)に基づくアーキテクチャを用いて,膝の異常分類性能を比較検討した。
論文参考訳（メタデータ） (2020-03-01T18:13:59Z)

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。