論文の概要: Accurate Airway Tree Segmentation in CT Scans via Anatomy-aware
Multi-class Segmentation and Topology-guided Iterative Learning
- arxiv url: http://arxiv.org/abs/2306.09116v1
- Date: Thu, 15 Jun 2023 13:23:05 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-16 14:46:04.995362
- Title: Accurate Airway Tree Segmentation in CT Scans via Anatomy-aware
Multi-class Segmentation and Topology-guided Iterative Learning
- Title（参考訳）: 解剖学的アウェアマルチクラスセグメンテーションとトポロジー誘導反復学習によるctスキャンにおける正確な気道木セグメンテーション
- Authors: Puyang Wang, Dazhou Guo, Dandan Zheng, Minghui Zhang, Haogang Yu, Xin
Sun, Jia Ge, Yun Gu, Le Lu, Xianghua Ye and Dakai Jin
- Abstract要約: CT(Computed tomography)における胸腔内気道セグメンテーションは様々な呼吸器疾患解析の前提条件である。
既存のエアウェイデータセットのほとんどは、不完全なラベル付き/注釈付きである。
本稿では,トポロジ誘導型反復型自己学習によって強化された,解剖学に適応したマルチクラスエアウェイセグメンテーション手法を提案する。
- 参考スコア（独自算出の注目度）: 15.492349389589121
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Intrathoracic airway segmentation in computed tomography (CT) is a
prerequisite for various respiratory disease analyses such as chronic
obstructive pulmonary disease (COPD), asthma and lung cancer. Unlike other
organs with simpler shapes or topology, the airway's complex tree structure
imposes an unbearable burden to generate the "ground truth" label (up to 7 or 3
hours of manual or semi-automatic annotation on each case). Most of the
existing airway datasets are incompletely labeled/annotated, thus limiting the
completeness of computer-segmented airway. In this paper, we propose a new
anatomy-aware multi-class airway segmentation method enhanced by
topology-guided iterative self-learning. Based on the natural airway anatomy,
we formulate a simple yet highly effective anatomy-aware multi-class
segmentation task to intuitively handle the severe intra-class imbalance of the
airway. To solve the incomplete labeling issue, we propose a tailored
self-iterative learning scheme to segment toward the complete airway tree. For
generating pseudo-labels to achieve higher sensitivity , we introduce a novel
breakage attention map and design a topology-guided pseudo-label refinement
method by iteratively connecting breaking branches commonly existed from
initial pseudo-labels. Extensive experiments have been conducted on four
datasets including two public challenges. The proposed method ranked 1st in
both EXACT'09 challenge using average score and ATM'22 challenge on weighted
average score. In a public BAS dataset and a private lung cancer dataset, our
method significantly improves previous leading approaches by extracting at
least (absolute) 7.5% more detected tree length and 4.0% more tree branches,
while maintaining similar precision.
- Abstract（参考訳）: ctにおける胸腔内気道分画は、慢性閉塞性肺疾患(copd)、喘息、肺癌などの様々な呼吸器疾患解析の前提条件である。
より単純な形状やトポロジーを持つ他の器官とは異なり、気道の複雑な木構造は「地上の真実」ラベルを生成するのに耐え難い負担を負う(各ケースのマニュアルまたは半自動アノテーションの最大7時間か3時間)。
既存のairwayデータセットのほとんどが、不完全なラベル付け/注釈付けであり、コンピュータが指定したairwayの完全性を制限する。
本稿では, トポロジ誘導反復型自己学習により強化された, 解剖学的に認識可能なマルチクラスエアウェイセグメンテーション手法を提案する。
自然気道解剖学に基づいて,簡易かつ高効率な解剖学的アウェアマルチクラスセグメンテーションタスクを定式化し,気道の厳しいクラス内不均衡を直感的に処理する。
そこで本研究では,完全気道木に向かってセグメント化するための自動学習方式を提案する。
擬似ラベルを高感度に作成するために,新しい破れ注意マップを導入し,初期擬似ラベルからよく見られる破れ枝を反復的に接続してトポロジー誘導擬似ラベル精錬法を設計する。
2つの公的な課題を含む4つのデータセットで広範な実験が行われた。
提案手法は, 平均スコアとatm'22 チャレンジを重み付け平均スコアで, 完全'09 チャレンジで1位にランクした。
パブリックなBASデータセットとプライベートな肺がんデータセットでは,検出木長が7.5%以上,樹枝が4.0%以上であり,類似の精度を維持しつつ,先行するアプローチを大幅に改善する。
関連論文リスト
- Airway Labeling Meets Clinical Applications: Reflecting Topology Consistency and Outliers via Learnable Attentions [19.269806092729468]
気道解剖学的ラベリングは、気管支鏡で複雑な気管支構造を識別し、ナビゲートするために、臨床医にとって不可欠である。
従来の手法は一貫性のない予測を生成する傾向にある。
本稿では, トポロジカルな整合性を高め, 異常な気道分岐の検出を改善する手法を提案する。
論文 参考訳（メタデータ） (2024-10-31T12:04:30Z) - Multi-Stage Airway Segmentation in Lung CT Based on Multi-scale Nested Residual UNet [3.1903847117782274]
深層学習は医用画像のセグメンテーションに大きな進歩をもたらしたが、気道の連続性を維持することは依然として困難である。
本稿では,小空路の複雑な詳細を効果的に把握し,情報フローを向上させるためのネスト残留フレームワークを提案する。
MNR-UNetのトレーニングを最適化する3段階セグメンテーションパイプラインを開発した。
論文 参考訳（メタデータ） (2024-10-24T06:10:09Z) - AeroPath: An airway segmentation benchmark dataset with challenging
pathology [0.0]
肺気腫から大きな腫瘍まで,27枚のCT画像からなる新しいベンチマークデータセット(AeroPath)を導入する。
本稿では,自動気道セグメンテーションのためのマルチスケール核融合設計について述べる。ATM'22データセットでトレーニングし,AeroPathデータセットでテストし,競合するオープンソース手法に対してさらに評価した。
その結果,AeroPath データセットに含まれる全患者に対して,提案したアーキテクチャが位相的に正しいセグメンテーションを予測できた。
論文 参考訳（メタデータ） (2023-11-02T10:41:42Z) - Multi-task Explainable Skin Lesion Classification [54.76511683427566]
少ないラベル付きデータでよく一般化する皮膚病変に対する数発のショットベースアプローチを提案する。
提案手法は,アテンションモジュールや分類ネットワークとして機能するセグメンテーションネットワークの融合を含む。
論文 参考訳（メタデータ） (2023-10-11T05:49:47Z) - Fuzzy Attention Neural Network to Tackle Discontinuity in Airway
Segmentation [67.19443246236048]
気道セグメンテーションは肺疾患の検査、診断、予後に重要である。
いくつかの小型の気道支線(気管支や終端など)は自動セグメンテーションの難しさを著しく増す。
本稿では,新しいファジィアテンションニューラルネットワークと包括的損失関数を備える,気道セグメンテーションの効率的な手法を提案する。
論文 参考訳（メタデータ） (2022-09-05T16:38:13Z) - BronchusNet: Region and Structure Prior Embedded Representation Learning
for Bronchus Segmentation and Classification [53.53758990624962]
そこで我々は,BronchusNetという組込みフレームワークに先立って,正確な気管支分析を行うための領域と構造を提案する。
気管支分画のための適応型ハード領域対応UNetを提案する。
気管支枝の分類には,ハイブリッドな点-ボクセルグラフ学習モジュールを提案する。
論文 参考訳（メタデータ） (2022-05-14T02:32:33Z) - Lung Cancer Lesion Detection in Histopathology Images Using Graph-Based
Sparse PCA Network [93.22587316229954]
ヘマトキシリンとエオシン(H&E)で染色した組織学的肺スライドにおける癌病変の自動検出のためのグラフベーススパース成分分析(GS-PCA)ネットワークを提案する。
我々は,SVM K-rasG12D肺がんモデルから得られたH&Eスライダーの精度・リコール率,Fスコア,谷本係数,レシーバ演算子特性(ROC)の曲線下領域を用いて,提案アルゴリズムの性能評価を行った。
論文 参考訳（メタデータ） (2021-10-27T19:28:36Z) - Automatic airway segmentation from Computed Tomography using robust and
efficient 3-D convolutional neural networks [0.0]
胸部CTにおける全自動およびエンドツーエンド最適化気道分割法を提案する。
シンプルで低メモリの3D U-Netをバックボーンとして使用し、大規模な3Dイメージパッチを処理できます。
本手法は誤検出の少ない高度に完全な気道木を抽出できることを示す。
論文 参考訳（メタデータ） (2021-03-30T13:21:02Z) - 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) - Towards Robust Partially Supervised Multi-Structure Medical Image
Segmentation on Small-Scale Data [123.03252888189546]
データ不足下における部分教師付き学習(PSL)における方法論的ギャップを埋めるために,不確実性下でのビシナルラベル(VLUU)を提案する。
マルチタスク学習とヴィジナルリスク最小化によって動機づけられたVLUUは、ビジナルラベルを生成することによって、部分的に教師付き問題を完全な教師付き問題に変換する。
本研究は,ラベル効率の高い深層学習における新たな研究の方向性を示唆するものである。
論文 参考訳（メタデータ） (2020-11-28T16:31:00Z)
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。