Fugu-MT 論文翻訳(概要): The optimal connection model for blood vessels segmentation and the MEA-Net

論文の概要: The optimal connection model for blood vessels segmentation and the MEA-Net

arxiv url: http://arxiv.org/abs/2306.01808v1
Date: Fri, 2 Jun 2023 01:52:35 GMT
ステータス: 処理完了
システム内更新日: 2023-06-07 00:11:10.951956
Title: The optimal connection model for blood vessels segmentation and the MEA-Net
Title（参考訳）: 血管分割とMEA-Netの最適接続モデル
Authors: Yuntao Zhu, Yuxuan Qiao, Xiaoping Yang
Abstract要約: 分割結果の血管中心からトポロジ的特徴を抽出する新しい手法を提案する。また,血管間の接続順序を決定するために,最小表面に基づく最適接続モデルを構築した。本手法は3次元マルチクラス血管セグメンテーションタスクにおける最先端性能を実現する。
参考スコア（独自算出の注目度）: 6.4706713676221685
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Vascular diseases have long been regarded as a significant health concern. Accurately detecting the location, shape, and afflicted regions of blood vessels from a diverse range of medical images has proven to be a major challenge. Obtaining blood vessels that retain their correct topological structures is currently a crucial research issue. Numerous efforts have sought to reinforce neural networks' learning of vascular geometric features, including measures to ensure the correct topological structure of the segmentation result's vessel centerline. Typically, these methods extract topological features from the network's segmentation result and then apply regular constraints to reinforce the accuracy of critical components and the overall topological structure. However, as blood vessels are three-dimensional structures, it is essential to achieve complete local vessel segmentation, which necessitates enhancing the segmentation of vessel boundaries. Furthermore, current methods are limited to handling 2D blood vessel fragmentation cases. Our proposed boundary attention module directly extracts boundary voxels from the network's segmentation result. Additionally, we have established an optimal connection model based on minimal surfaces to determine the connection order between blood vessels. Our method achieves state-of-the-art performance in 3D multi-class vascular segmentation tasks, as evidenced by the high values of Dice Similarity Coefficient (DSC) and Normalized Surface Dice (NSD) metrics. Furthermore, our approach improves the Betti error, LR error, and BR error indicators of vessel richness and structural integrity by more than 10% compared to other methods, and effectively addresses vessel fragmentation and yields blood vessels with a more precise topological structure.
Abstract（参考訳）: 血管疾患は長い間、重要な健康上の懸念とされてきた。さまざまな医療画像から、血管の位置、形状、苦しむ領域を正確に検出することは、大きな課題であることが証明されている。正しいトポロジー構造を保持する血管を得ることは、現在重要な研究課題である。セグメンテーション結果の血管中心線の正しいトポロジー構造を保証する手段を含む、ニューラルネットワークによる血管幾何学的特徴の学習を強化するために多くの努力がなされている。通常、これらの手法はネットワークのセグメンテーション結果からトポロジ的特徴を抽出し、次に規則的な制約を適用して臨界成分の精度と全体トポロジ的構造を強化する。しかし,血管は三次元構造であるため,血管境界の分節化の促進を必要とする部分的血管分節化が不可欠である。さらに、現在の方法は2D血管断片化の処理に限られている。提案する境界注意モジュールは,ネットワークのセグメンテーション結果から境界ボクセルを直接抽出する。さらに,血管間の接続順序を決定するために,最小表面に基づく最適接続モデルを構築した。本手法は,Dice similarity Coefficient (DSC) と Normalized Surface Dice (NSD) の高値が示すように,3次元マルチクラス血管セグメンテーションタスクにおける最先端性能を実現する。さらに,本手法では, 他の手法と比較して, ベッチ誤差, LR誤差, BR誤差の指標を10%以上改善し, 血管の断片化を効果的に対処し, より正確なトポロジカル構造を持つ血管を得る。

関連論文リスト

Optimized Vessel Segmentation: A Structure-Agnostic Approach with Small Vessel Enhancement and Morphological Correction [7.882674026364302]
マルチモーダル血管セグメンテーションのための小型血管拡張と形態的補正を取り入れた構造診断手法を提案する。本手法は,より優れたセグメンテーション精度,一般化,34.6%の接続性向上を実現し,臨床応用の可能性を強調した。
論文参考訳（メタデータ） (2024-11-22T08:38:30Z)
TPOT: Topology Preserving Optimal Transport in Retinal Fundus Image Enhancement [16.84367978693017]
持続性図の差を最小限に抑えて血管構造を規則化する訓練パラダイムを提案する。得られたフレームワークをTPOT(Topology Preserving Optimal Transport)と呼ぶ。大規模データセットを用いた実験結果から,提案手法の優位性を示した。
論文参考訳（メタデータ） (2024-11-03T02:04:35Z)
KaLDeX: Kalman Filter based Linear Deformable Cross Attention for Retina Vessel Segmentation [46.57880203321858]
カルマンフィルタを用いた線形変形型クロスアテンション(LDCA)モジュールを用いた血管セグメンテーションのための新しいネットワーク(KaLDeX)を提案する。我々のアプローチは、カルマンフィルタ(KF)ベースの線形変形可能な畳み込み(LD)とクロスアテンション(CA)モジュールの2つの重要なコンポーネントに基づいている。提案手法は,網膜基底画像データセット(DRIVE,CHASE_BD1,STARE)とOCTA-500データセットの3mm,6mmを用いて評価した。
論文参考訳（メタデータ） (2024-10-28T16:00:42Z)
KLDD: Kalman Filter based Linear Deformable Diffusion Model in Retinal Image Segmentation [51.03868117057726]
本稿では,網膜血管分割のためのKLDDモデルを提案する。我々のモデルは、変形可能な畳み込みの柔軟な受容場を利用して、分割を反復的に洗練する拡散過程を用いる。実験は網膜基底画像データセット(DRIVE,CHASE_DB1)とOCTA-500データセットの3mm,6mmで評価された。
論文参考訳（メタデータ） (2024-09-19T14:21:38Z)
Deep vessel segmentation with joint multi-prior encoding [2.8518403379315127]
単一潜在空間に形状とトポロジーを組み込んだ新しいジョイント先行符号化機構を提案する。本手法の有効性を3D-IRCADbデータセットで実証した。
論文参考訳（メタデータ） (2024-09-18T22:03:46Z)
Deep Learning for Vascular Segmentation and Applications in Phase Contrast Tomography Imaging [33.23991248643144]
本稿では,多様な臓器にまたがる機械学習技術の現状を概説する。我々のゴールは、このトピックの基礎を提供し、新しい画像モダリティで血管セグメンテーションに適用するための堅牢なベースラインモデルを特定することである。 HiP CTは、1ボクセルあたり20mmという前例のない解像度で、完全な臓器の3Dイメージングを可能にする。
論文参考訳（メタデータ） (2023-11-22T11:15:38Z)
Affinity Feature Strengthening for Accurate, Complete and Robust Vessel Segmentation [48.638327652506284]
血管セグメンテーションは、冠動脈狭窄、網膜血管疾患、脳動脈瘤などの多くの医学的応用において重要である。コントラストに敏感なマルチスケールアフィニティアプローチを用いて,幾何学的手法と画素単位のセグメンテーション特徴を連成的にモデル化する新しいアプローチであるAFNを提案する。
論文参考訳（メタデータ） (2022-11-12T05:39:17Z)
Hierarchical Deep Network with Uncertainty-aware Semi-supervised Learning for Vessel Segmentation [58.45470500617549]
本稿では,注目機構が血管全体に誘導される低コントラストキャピラリー領域を局在させる階層的なディープネットワークを提案する。提案手法は,底部画像における網膜動脈/静脈の分画とCT画像における肝門/肝血管の分画のベンチマークにおいて,最先端の性能を実現する。
論文参考訳（メタデータ） (2021-05-31T06:55:43Z)
Objective-Dependent Uncertainty Driven Retinal Vessel Segmentation [5.926887379656135]
本稿では,血管分割を2つの目的に分割するディープ畳み込みニューラルネットワーク(CNN)を提案する。具体的には、全体的正確な船舶分割と小さな船舶分割を2つの個人目的とみなす。個々の目的を改善するため, (a) 小型船体接続性を高めるための船体重量マップに基づく補助的損失, (b) ローカライゼーションを改善するためのエンコーダ・デコーダアーキテクチャの強化を提案する。
論文参考訳（メタデータ） (2021-04-17T14:17:09Z)
Rethinking the Extraction and Interaction of Multi-Scale Features for Vessel Segmentation [53.187152856583396]
網膜血管と主要動脈を2次元基底画像と3次元CTアンギオグラフィー(CTA)スキャンで分割する,PC-Netと呼ばれる新しいディープラーニングモデルを提案する。 PC-Netでは、ピラミッド圧縮励起(PSE)モジュールが各畳み込みブロックに空間情報を導入し、より効果的なマルチスケール特徴を抽出する能力を高めている。
論文参考訳（メタデータ） (2020-10-09T08:22:54Z)
clDice -- A Novel Topology-Preserving Loss Function for Tubular Structure Segmentation [57.20783326661043]
中心線Dice (short clDice) と呼ばれる新しい類似度尺度を導入する。理論的には、clDiceは2次元および3次元のセグメンテーションにおけるホモトピー同値までのトポロジー保存を保証する。我々は、船舶、道路、ニューロン(2Dと3D)を含む5つの公開データセットでソフトクライス損失をベンチマークした。
論文参考訳（メタデータ） (2020-03-16T16:27:49Z)

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。