論文の概要: Towards Automated Semantic Segmentation in Mammography Images
- arxiv url: http://arxiv.org/abs/2307.10296v1
- Date: Tue, 18 Jul 2023 15:04:42 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-21 16:18:35.718661
- Title: Towards Automated Semantic Segmentation in Mammography Images
- Title（参考訳）: マンモグラフィ画像における意味セグメンテーションの自動化に向けて
- Authors: Cesar A. Sierra-Franco, Jan Hurtado, Victor de A. Thomaz, Leonardo C.
da Cruz, Santiago V. Silva, and Alberto B. Raposo
- Abstract要約: 乳頭, 胸部筋, 線維腺組織, 脂肪組織を, 標準乳房造影画像で区分けするための深層学習ベースの枠組みを提案する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Mammography images are widely used to detect non-palpable breast lesions or
nodules, preventing cancer and providing the opportunity to plan interventions
when necessary. The identification of some structures of interest is essential
to make a diagnosis and evaluate image adequacy. Thus, computer-aided detection
systems can be helpful in assisting medical interpretation by automatically
segmenting these landmark structures. In this paper, we propose a deep
learning-based framework for the segmentation of the nipple, the pectoral
muscle, the fibroglandular tissue, and the fatty tissue on standard-view
mammography images. We introduce a large private segmentation dataset and
extensive experiments considering different deep-learning model architectures.
Our experiments demonstrate accurate segmentation performance on variate and
challenging cases, showing that this framework can be integrated into clinical
practice.
- Abstract（参考訳）: マンモグラフィー画像は、非麻痺性乳腺病変や結節を検出し、がんを予防し、必要に応じて介入を計画する機会を提供するために広く用いられている。
いくつかの興味ある構造の同定は、診断と画像の妥当性を評価するために不可欠である。
したがって、コンピュータ支援検出システムは、これらのランドマーク構造を自動的に分割することにより、医学的解釈を支援するのに役立つ。
本稿では, 乳頭, 胸筋, 線維組織, 脂肪組織を標準視マンモグラフィ画像で分割するための深層学習に基づく枠組みを提案する。
大規模なプライベートセグメンテーションデータセットと、異なるディープラーニングモデルアーキテクチャを考慮した広範な実験を導入する。
本実験は, 変動性, 難易度において正確なセグメンテーション性能を示し, 本枠組みを臨床実践に組み込むことができることを示した。
関連論文リスト
- A novel approach towards the classification of Bone Fracture from Musculoskeletal Radiography images using Attention Based Transfer Learning [0.0]
我々は,X線スキャンで骨骨折を検出するために,注意に基づく移動学習モデルを構築した。
本モデルでは, フラクチャー分類の90%以上を最先端の精度で達成する。
論文 参考訳（メタデータ） (2024-10-18T19:07:24Z) - Scribble-Based Interactive Segmentation of Medical Hyperspectral Images [4.675955891956077]
本研究は、医用ハイパースペクトル画像のためのスクリブルベースのインタラクティブセグメンテーションフレームワークを導入する。
提案手法は,特徴抽出のための深層学習と,ユーザが提供するスクリブルから生成された測地距離マップを利用する。
論文 参考訳（メタデータ） (2024-08-05T12:33:07Z) - Advancing Medical Image Segmentation: Morphology-Driven Learning with Diffusion Transformer [4.672688418357066]
本稿では,雑音の存在下での頑健なセグメンテーションのためのトランスフォーマー拡散(DTS)モデルを提案する。
画像の形態的表現を解析する本モデルでは, 種々の医用画像モダリティにおいて, 従来のモデルよりも良好な結果が得られた。
論文 参考訳（メタデータ） (2024-08-01T07:35:54Z) - Region-based Contrastive Pretraining for Medical Image Retrieval with
Anatomic Query [56.54255735943497]
医用画像検索のための地域別コントラスト事前トレーニング(RegionMIR)
医用画像検索のための領域ベースコントラスト事前トレーニング(RegionMIR)について紹介する。
論文 参考訳（メタデータ） (2023-05-09T16:46:33Z) - Human Treelike Tubular Structure Segmentation: A Comprehensive Review
and Future Perspectives [8.103169967374944]
人間の生理学の構造は木のような形態に従っており、しばしば非常に微細なスケールで複雑さを表現する。
2Dおよび3D画像の大規模なコレクションは、医用画像モダリティによって利用可能になっている。
構造解析は、疾患の診断、治療計画、予後に関する洞察を提供する。
論文 参考訳（メタデータ） (2022-07-12T17:01:42Z) - SQUID: Deep Feature In-Painting for Unsupervised Anomaly Detection [76.01333073259677]
無線画像からの異常検出のための空間認識型メモリキューを提案する(略してSQUID)。
SQUIDは, 微細な解剖学的構造を逐次パターンに分類でき, 推測では画像中の異常(見えない/修正されたパターン)を識別できる。
論文 参考訳（メタデータ） (2021-11-26T13:47:34Z) - 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) - Few-shot Medical Image Segmentation using a Global Correlation Network
with Discriminative Embedding [60.89561661441736]
医療画像分割のための新しい手法を提案する。
深層畳み込みネットワークを用いた数ショット画像セグメンタを構築します。
深層埋め込みの識別性を高め,同一クラスの特徴領域のクラスタリングを促進する。
論文 参考訳（メタデータ） (2020-12-10T04:01:07Z) - Retinal Image Segmentation with a Structure-Texture Demixing Network [62.69128827622726]
複雑な構造とテクスチャ情報は網膜画像に混在し、その情報の識別が困難である。
既存の手法はテクスチャと構造を共同で扱うため、偏りのあるモデルをテクスチャ認識に導くことができ、結果としてセグメンテーション性能は低下する。
本稿では,構造成分とテクスチャ成分を分離し,性能を大幅に向上させるセグメンテーション戦略を提案する。
論文 参考訳（メタデータ） (2020-07-15T12:19:03Z) - 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)
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。