論文の概要: A region and category confidence-based multi-task network for carotid ultrasound image segmentation and classification

• arxiv url: http://arxiv.org/abs/2307.00583v2
• Date: Sun, 19 Nov 2023 03:59:17 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-22 18:45:41.797889
• Title: A region and category confidence-based multi-task network for carotid ultrasound image segmentation and classification
• Title（参考訳）: 頸動脈超音波画像分割と分類のための領域とカテゴリ信頼に基づくマルチタスクネットワーク
• Authors: Haitao Gan and Ran Zhou and Yanghan Ou and Furong Wang and Xinyao Cheng 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(RCCM-Net)を提案する。 このフレームワークは、領域信頼モジュール(RCM)とサンプルカテゴリ信頼モジュール(CCM)を使用して、これらの2つのタスク間の相関を利用する。 提案手法は,既存のシングルタスクネットワークと比較してセグメンテーションと分類性能を両立させることができることを示す。
• 参考スコア（独自算出の注目度）: 6.162577404860473
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The segmentation and classification of carotid plaques in ultrasound images play important roles in the treatment of atherosclerosis and assessment for the risk of stroke. Although deep learning methods have been used for carotid plaque segmentation and classification, two-stage methods will increase the complexity of the overall analysis and the existing multi-task methods ignored the relationship between the segmentation and classification. These will lead to suboptimal performance as valuable information might not be fully leveraged across all tasks. Therefore, we propose a multi-task learning framework (RCCM-Net) for ultrasound carotid plaque segmentation and classification, which utilizes a region confidence module (RCM) and a sample category confidence module (CCM) to exploit the correlation between these two tasks. The RCM provides knowledge from the probability of plaque regions to the classification task, while the CCM 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 showed that the proposed method can improve both segmentation and classification performance compared to existing single-task networks (i.e., SegNet, Deeplabv3+, UNet++, EfficientNet, Res2Net, RepVGG, DPN) and multi-task algorithms (i.e., HRNet, MTANet), 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 RCM and CCM 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）: 超音波画像における頸動脈プラークの分割と分類は動脈硬化の治療と脳卒中リスクの評価において重要な役割を果たす。 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きたが,2段階法は解析の複雑さを増大させ,既存のマルチタスク法はセグメンテーションと分類の関係を無視している。 これらのことは、すべてのタスクで価値ある情報が完全に活用されないため、最適以下のパフォーマンスをもたらす。 そこで我々は,この2つの課題間の相関を利用して,領域信頼モジュール (RCM) とサンプルカテゴリ信頼モジュール (CCM) を用いて,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 (RCCM-Net) を提案する。 RCMは、プラーク領域の確率から分類タスクへの知識を提供し、CCMはセグメンテーションタスクのカテゴリ標本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。 提案手法は,従来のシングルタスクネットワーク (segnet, deeplabv3+, unet++, efficientnet, res2net, repvgg, dpn) とマルチタスクアルゴリズム (hrnet, mtanet) と比較して,85.82% の精度と84.92%のディス相似性効率でセグメント化が可能であった。 アブレーション実験では,設計したRCMとCCM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。