Fugu-MT 論文翻訳(概要): A multi-task learning framework for carotid plaque segmentation and classification from ultrasound images

論文の概要: A multi-task learning framework for carotid plaque segmentation and classification from ultrasound images

arxiv url: http://arxiv.org/abs/2307.00583v1
Date: Sun, 2 Jul 2023 14:43:59 GMT
ステータス: 処理完了
システム内更新日: 2023-07-05 15:17:46.280877
Title: A multi-task learning framework for carotid plaque segmentation and classification from ultrasound images
Title（参考訳）: 頸動脈プラーク分割と超音波画像からの分類のためのマルチタスク学習フレームワーク
Authors: Haitao Gan and Ran Zhou and Yanghan Ou and Furong Wang and Xinyao Cheng and Xiaoyan Wu and Aaron Fenster
Abstract要約: 超音波頸動脈プラーク分割と分類のためのマルチタスク学習フレームワークを提案する。提案手法は,1つのタスクで訓練された既存のネットワークと比較して,性能を著しく向上させることができる。
参考スコア（独自算出の注目度）: 8.800292791900665
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Carotid plaque segmentation and classification play important roles in the treatment of atherosclerosis and assessment for risk of stroke. Although deep learning methods have been used for carotid plaque segmentation and classification, most focused on a single task and ignored the relationship between the segmentation and classification of carotid plaques. Therefore, we propose a multi-task learning framework for ultrasound carotid plaque segmentation and classification, which utilizes a region-weight module (RWM) and a sample-weight module (SWM) to exploit the correlation between these two tasks. The RWM provides a plaque regional prior knowledge to the classification task, while the SWM is designed to learn the categorical sample weight for the segmentation task. A total of 1270 2D ultrasound images of carotid plaques were collected from Zhongnan Hospital (Wuhan, China) for our experiments. The results of the experiments showed that the proposed method can significantly improve the performance compared to existing networks trained for a single task, with an accuracy of 85.82% for classification and a Dice similarity coefficient of 84.92% for segmentation. In the ablation study, the results demonstrated that both the designed RWM and SWM were beneficial in improving the network's performance. Therefore, we believe that the proposed method could be useful for carotid plaque analysis in clinical trials and practice.
Abstract（参考訳）: 動脈硬化の治療と脳卒中リスク評価において頸動脈プラーク分節と分類が重要である。深層学習法は, 頸動脈プラークのセグメンテーションと分類に用いられているが, 主に単一課題に焦点を当て, 頸動脈プラークのセグメンテーションと分類の関係を無視している。そこで本研究では,領域重みモジュール (RWM) と標本重みモジュール (SWM) を用いた超音波頸動脈プラーク分類と分類のためのマルチタスク学習フレームワークを提案する。 RWMは、分類タスクに対するプラークな地域事前知識を提供し、SWMは、分割タスクのカテゴリ的なサンプル重量を学習するために設計されている。総計1270枚の頸動脈プラークの2次元超音波画像が,中国湖南省の病院から採取された。実験の結果,提案手法は1つのタスクで訓練された既存ネットワークと比較して,85.82%の分類精度,84.92%のDice類似度係数で性能を著しく向上させることができることがわかった。アブレーション実験では,設計したRWMとSWMの両方がネットワークの性能向上に有効であることを示した。そこで本手法は,臨床および臨床における頸動脈プラーク解析に有用であると考えられた。

関連論文リスト

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)
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)
Generative Adversarial Networks for Weakly Supervised Generation and Evaluation of Brain Tumor Segmentations on MR Images [0.0]
本研究は2次元磁気共鳴画像におけるセグメント異常に対する弱教師付きアプローチを示す。我々は,癌画像を健全な変種に変換するGAN(Generative Adversarial Network)を訓練する。非共役な変種は、弱監督的な方法で分割を評価するためにも用いられる。
論文参考訳（メタデータ） (2022-11-10T00:04:46Z)
PCA: Semi-supervised Segmentation with Patch Confidence Adversarial Training [52.895952593202054]
医用画像セグメンテーションのためのPatch Confidence Adrial Training (PCA) と呼ばれる半教師付き対向法を提案する。 PCAは各パッチの画素構造とコンテキスト情報を学習し、十分な勾配フィードバックを得る。本手法は, 医用画像のセグメンテーションにおいて, 最先端の半教師付き手法より優れており, その有効性を示している。
論文参考訳（メタデータ） (2022-07-24T07:45:47Z)
Improving Classification Model Performance on Chest X-Rays through Lung Segmentation [63.45024974079371]
本稿では, セグメンテーションによる異常胸部X線(CXR)識別性能を向上させるための深層学習手法を提案する。提案手法は,CXR画像中の肺領域を局所化するための深層ニューラルネットワーク(XLSor)と,大規模CXRデータセットで事前学習した自己教師あり運動量コントラスト(MoCo)モデルのバックボーンを用いたCXR分類モデルである。
論文参考訳（メタデータ） (2022-02-22T15:24:06Z)
Improved AI-based segmentation of apical and basal slices from clinical cine CMR [1.7647111545685723]
本研究の目的は,基底スライスと尖端スライスを分割する際のAIアルゴリズムの性能を検討することである。 2つのNHS病院から得られた臨床CMRの大規模なデータセットを用いて,全モデルを訓練した。分類とセグメンテーションのアプローチは、すべてのデータセットのパフォーマンスギャップを減らすのに最適であることを示す。
論文参考訳（メタデータ） (2021-09-20T10:48:50Z)
Learning Fuzzy Clustering for SPECT/CT Segmentation via Convolutional Neural Networks [5.3123694982708365]
QBSPECT(Quantitative bone single-photon emission Computed Tomography)は、平面骨シンチグラフィよりも骨転移をより定量的に評価する可能性を秘めています。解剖学的領域-関心(ROI)のセグメント化は、まだ専門家による手動の記述に大きく依存しています。本研究では,QBSPECT画像を病変,骨,背景に分割するための高速かつ堅牢な自動分割法を提案する。
論文参考訳（メタデータ） (2021-04-17T19:03:52Z)
Brain Stroke Lesion Segmentation Using Consistent Perception Generative Adversarial Network [22.444373004248217]
半教師型脳卒中病変分類において, CPGAN(Consistent Perception Generative Adversarial Network)を提案する。類似接続モジュール (SCM) は、マルチスケール機能の情報をキャプチャするように設計されている。識別者が有意義な特徴表現を学習するように促すために、補助ネットワークを構築する。
論文参考訳（メタデータ） (2020-08-30T07:42:47Z)
Multi-Task Neural Networks with Spatial Activation for Retinal Vessel Segmentation and Artery/Vein Classification [49.64863177155927]
本稿では,網膜血管,動脈,静脈を同時に分割する空間活性化機構を備えたマルチタスクディープニューラルネットワークを提案する。提案するネットワークは,容器分割における画素ワイド精度95.70%,A/V分類精度94.50%を実現している。
論文参考訳（メタデータ） (2020-07-18T05:46:47Z)
VerSe: A Vertebrae Labelling and Segmentation Benchmark for Multi-detector CT Images [121.31355003451152]
大規模Vertebrae Challenge(VerSe)は、2019年と2020年に開催されたMICCAI(International Conference on Medical Image Computing and Computer Assisted Intervention)と共同で設立された。本評価の結果を報告するとともに,脊椎レベル,スキャンレベル,および異なる視野での性能変化について検討した。
論文参考訳（メタデータ） (2020-01-24T21:09:18Z)
Spinal Metastases Segmentation in MR Imaging using Deep Convolutional Neural Networks [0.0]
本研究の目的は,深層学習を用いた診断MR画像における脊髄転移の分節化である。 U-Net様アーキテクチャを用いて40例の臨床検査を行った。専門的な注釈付き病変のセグメンテーションと比較すると、Diceの平均スコアは77.6%、平均感度は78.9%という有望な結果を得た。
論文参考訳（メタデータ） (2020-01-08T10:59:31Z)

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。