論文の概要: Scale-aware Test-time Click Adaptation for Pulmonary Nodule and Mass Segmentation

• arxiv url: http://arxiv.org/abs/2307.15645v1
• Date: Fri, 28 Jul 2023 16:04:34 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-31 12:04:23.493443
• Title: Scale-aware Test-time Click Adaptation for Pulmonary Nodule and Mass Segmentation
• Title（参考訳）: 肺結節と大量分節に対するスケール認識テスト時クリック適応
• Authors: Zhihao Li, Jiancheng Yang, Yongchao Xu, Li Zhang, Wenhui Dong, and Bo Du
• Abstract要約: 肺結節と腫瘤は肺がん検診において重要な画像像である。 深層学習に基づく医用画像のセグメンテーションの成功にもかかわらず, 病変の大きさによる堅牢な評価はいまだに困難である。 この課題に対処するために,スケールアウェアなテスト時間適応を用いたマルチスケールニューラルネットワークを提案する。
• 参考スコア（独自算出の注目度）: 35.381677272157866
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Pulmonary nodules and masses are crucial imaging features in lung cancer screening that require careful management in clinical diagnosis. Despite the success of deep learning-based medical image segmentation, the robust performance on various sizes of lesions of nodule and mass is still challenging. In this paper, we propose a multi-scale neural network with scale-aware test-time adaptation to address this challenge. Specifically, we introduce an adaptive Scale-aware Test-time Click Adaptation method based on effortlessly obtainable lesion clicks as test-time cues to enhance segmentation performance, particularly for large lesions. The proposed method can be seamlessly integrated into existing networks. Extensive experiments on both open-source and in-house datasets consistently demonstrate the effectiveness of the proposed method over some CNN and Transformer-based segmentation methods. Our code is available at https://github.com/SplinterLi/SaTTCA
• Abstract（参考訳）: 肺癌検診において肺結節と腫瘤は重要な画像像であり,臨床診断に注意を要する。 深層学習による医用画像分割は成功したが,結節や腫瘤の病変の大きさによるロバストな評価はいまだに困難である。 本稿では,この課題に対処するために,スケールアウェアテスト時間適応型マルチスケールニューラルネットワークを提案する。 具体的には,特に大きな病変に対してセグメント化性能を向上させるために,無力に取得可能な病変クリックをテストタイムキューとして,適応型スケールアウェアテスト時間クリック適応法を提案する。 提案手法は既存のネットワークにシームレスに統合できる。 オープンソースのデータセットと社内のデータセットの両方に関する広範な実験は、cnnおよびtransformerベースのセグメンテーション法に対して提案手法の有効性を一貫して実証している。 私たちのコードはhttps://github.com/SplinterLi/SaTTCAで利用可能です。

関連論文リスト

• Improving Segment Anything on the Fly: Auxiliary Online Learning and Adaptive Fusion for Medical Image Segmentation [52.172885882728174]
  医療画像の文脈では、SAMがそのセグメンテーション予測を生成した後、人間の専門家が特定のテストサンプルのセグメンテーションを修正することは珍しくない。 我々は、オンライン機械学習の利点を活用して、テスト期間中にSegment Anything(SA)を強化する新しいアプローチを導入する。 医用画像におけるSAのセグメンテーション品質を改善することを目的として,オンライン学習のための修正アノテーションを用いた。
  論文  参考訳（メタデータ） (2024-06-03T03:16:25Z)
• Automatic segmentation of lung findings in CT and application to Long COVID [38.69538648742266]
  S-MEDSegは胸部CT画像における肺病変の正確な分画のための深層学習に基づくアプローチである。 S-MEDSegは、トレーニング済みのEfficientNetバックボーン、双方向機能ピラミッドネットワーク、モダンネットワークの進化を組み合わせたものだ。
  論文  参考訳（メタデータ） (2023-10-13T23:42:43Z)
• Abdominal multi-organ segmentation in CT using Swinunter [1.804330958591773]
  ディープラーニングの手法は、この観点からは前例のない性能を示している。 1つのネットワークを使って、異なる臓器を正確に分割することは、依然として非常に難しい。 以前のコンペを通じて、トップ5のメソッドのすべてがCNNベースのメソッドを使用していたことが判明した。
  論文  参考訳（メタデータ） (2023-09-28T07:32:22Z)
• CGAM: Click-Guided Attention Module for Interactive Pathology Image Segmentation via Backpropagating Refinement [8.590026259176806]
  腫瘍領域のセグメンテーションは、デジタル病理の定量的解析に欠かせない課題である。 最近のディープニューラルネットワークは、様々な画像分割タスクで最先端のパフォーマンスを示している。 本稿では,クリック型ユーザインタラクションによるディープニューラルネットワークの出力を改良する対話的セグメンテーション手法を提案する。
  論文  参考訳（メタデータ） (2023-07-03T13:45:24Z)
• Learnable Weight Initialization for Volumetric Medical Image Segmentation [66.3030435676252]
  本稿では,学習可能な重みに基づくハイブリッド医療画像セグメンテーション手法を提案する。 我々のアプローチはどんなハイブリッドモデルにも簡単に統合でき、外部のトレーニングデータを必要としない。 多臓器・肺がんセグメンテーションタスクの実験は、我々のアプローチの有効性を実証している。
  論文  参考訳（メタデータ） (2023-06-15T17:55:05Z)
• Reliable Joint Segmentation of Retinal Edema Lesions in OCT Images [55.83984261827332]
  本稿では,信頼性の高いマルチスケールウェーブレットエンハンストランスネットワークを提案する。 本研究では,ウェーブレット型特徴抽出器ネットワークとマルチスケール変圧器モジュールを統合したセグメンテーションバックボーンを開発した。 提案手法は,他の最先端セグメンテーション手法と比較して信頼性の高いセグメンテーション精度を実現する。
  論文  参考訳（メタデータ） (2022-12-01T07:32:56Z)
• DLTTA: Dynamic Learning Rate for Test-time Adaptation on Cross-domain Medical Images [56.72015587067494]
  DLTTAと呼ばれるテスト時間適応のための新しい動的学習率調整法を提案する。 本手法は,現在最先端のテスト時間適応法よりも一貫した性能向上を図り,有効かつ高速なテスト時間適応を実現する。
  論文  参考訳（メタデータ） (2022-05-27T02:34:32Z)
• Preservation of High Frequency Content for Deep Learning-Based Medical Image Classification [74.84221280249876]
  大量の胸部ラジオグラフィーの効率的な分析は、医師や放射線技師を助けることができる。 本稿では,視覚情報の効率的な識別と符号化のための離散ウェーブレット変換(DWT)を提案する。
  論文  参考訳（メタデータ） (2022-05-08T15:29:54Z)
• ECONet: Efficient Convolutional Online Likelihood Network for Scribble-based Interactive Segmentation [6.016521285275371]
  CT画像における COVID-19 関連肺病変の自動分画には, 大量の注記量が必要である。 我々は,アノテータがスクリブルベースインタラクションを提供する間,オンラインで学習できる効率的な畳み込みニューラルネットワーク(CNN)を提案する。 本研究は,新型コロナウイルス関連肺病変のアノテート,Diceスコアの16%,実行時間3$times$,スクリブルスをベースとしたラベル付きボキセル9000,といった課題において,既存の方法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-01-12T17:21:28Z)
• Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype Prediction [55.94378672172967]
  本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。 新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。 我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
  論文  参考訳（メタデータ） (2020-09-02T02:50:30Z)
• Progressive Adversarial Semantic Segmentation [11.323677925193438]
  深い畳み込みニューラルネットワークは、完全な監視が与えられた場合、非常によく機能する。 画像解析タスクのための完全教師付きモデルの成功は、大量のラベル付きデータの入手に限られる。 本稿では,新しい医用画像分割モデル,Progressive Adrial Semantic(PASS)を提案する。
  論文  参考訳（メタデータ） (2020-05-08T22:48:00Z)

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。