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

• FluoroSAM: A Language-aligned Foundation Model for X-ray Image Segmentation [11.55858990545478]
  我々は、1.6Mの合成X線画像に基づいて、ゼロから訓練されたセグメンテーション・アニーシング・モデルの言語対応版であるFluoroSAMを開発した。 FluoroSAMは0.51と0.79のDICEでテキストのみのプロンプトに基づいて骨質の解剖学的構造を分割することができる。 また、言語アライメントのおかげで、トレーニングセット以外のセグメントクラスへのゼロショットの一般化も可能である。
  論文  参考訳（メタデータ） (2024-03-12T20:11:38Z)
• Bayesian Intrinsic Groupwise Image Registration: Unsupervised Disentanglement of Anatomy and Geometry [53.645443644821306]
  本稿では,医用画像の集団登録のための一般ベイズ学習フレームワークを提案する。 本稿では,潜在変数の推論手順を実現するために,新しい階層的変分自動符号化アーキテクチャを提案する。 心臓、脳、腹部の医療画像から得られた4つのデータセットを含む,提案された枠組みを検証する実験を行った。
  論文  参考訳（メタデータ） (2024-01-04T08:46:39Z)
• Comparative Analysis of Segment Anything Model and U-Net for Breast Tumor Detection in Ultrasound and Mammography Images [0.15833270109954137]
  この技術は、2つの高度なディープラーニングアーキテクチャ、すなわち U-Net と SAM を腫瘍セグメンテーションに用いている。 U-Netモデルは医用画像セグメンテーション用に特別に設計されている。 事前訓練されたSAMアーキテクチャには、空間的依存関係をキャプチャし、セグメンテーション結果を生成するメカニズムが組み込まれている。
  論文  参考訳（メタデータ） (2023-06-21T18:49:21Z)
• 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)
• Spatially Dependent U-Nets: Highly Accurate Architectures for Medical Imaging Segmentation [10.77039660100327]
  解剖学的構造に固有の空間的コヒーレンスを利用する新しいディープニューラルネットワークアーキテクチャを紹介します。 提案手法は,分割画素/ボクセル空間における長距離空間依存性を捉えるのに有効である。 本手法は一般的に使用されるU-NetおよびU-Net++アーキテクチャに好適に作用する。
  論文  参考訳（メタデータ） (2021-03-22T10:37:20Z)
• 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)
• 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。