Fugu-MT 論文翻訳(概要): Abdominal Multi-Organ Segmentation Based on Feature Pyramid Network and Spatial Recurrent Neural Network

論文の概要: Abdominal Multi-Organ Segmentation Based on Feature Pyramid Network and Spatial Recurrent Neural Network

arxiv url: http://arxiv.org/abs/2308.15137v1
Date: Tue, 29 Aug 2023 09:13:24 GMT
ステータス: 処理完了
システム内更新日: 2023-08-30 14:58:51.172634
Title: Abdominal Multi-Organ Segmentation Based on Feature Pyramid Network and Spatial Recurrent Neural Network
Title（参考訳）: 特徴ピラミッドネットワークと空間的リカレントニューラルネットワークに基づく腹部多臓器分割
Authors: Yuhan Song, Armagan Elibol, Nak Young Chong
Abstract要約: 特徴ピラミッドネットワーク(FPN)と空間リカレントニューラルネットワーク(SRNN)を組み合わせた新しい画像分割モデルを提案する。我々は,FPNを用いて異なるスケールの解剖学的構造を抽出し,腹部超音波像の空間的特徴を抽出するためにSRNNをどのように実装したかについて議論した。
参考スコア（独自算出の注目度）: 2.8391355909797644
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: As recent advances in AI are causing the decline of conventional diagnostic methods, the realization of end-to-end diagnosis is fast approaching. Ultrasound image segmentation is an important step in the diagnostic process. An accurate and robust segmentation model accelerates the process and reduces the burden of sonographers. In contrast to previous research, we take two inherent features of ultrasound images into consideration: (1) different organs and tissues vary in spatial sizes, (2) the anatomical structures inside human body form a relatively constant spatial relationship. Based on those two ideas, we propose a new image segmentation model combining Feature Pyramid Network (FPN) and Spatial Recurrent Neural Network (SRNN). We discuss why we use FPN to extract anatomical structures of different scales and how SRNN is implemented to extract the spatial context features in abdominal ultrasound images.
Abstract（参考訳）: 近年のAIの進歩が従来の診断手法の衰退を引き起こしているため、エンドツーエンドの診断の実現は急速に近づいている。超音波画像分割は診断過程において重要なステップである。高精度でロバストなセグメンテーションモデルがプロセスを促進し、ソノグラフの負担を軽減する。従来の研究とは対照的に,(1)臓器や組織の大きさが異なる,(2)人体内の解剖学的構造が相対的に一定の空間的関係を形成する,という2つの超音波画像の特徴を考慮に入れる。これら2つのアイデアに基づいて,FPN(Feature Pyramid Network)とSRNN(Spatial Recurrent Neural Network)を組み合わせた画像分割モデルを提案する。我々は,FPNを用いて異なるスケールの解剖学的構造を抽出し,腹部超音波像の空間的特徴を抽出するためにSRNNをどのように実装したかについて議論した。

関連論文リスト

Echocardiography Segmentation Using Neural ODE-based Diffeomorphic Registration Field [0.0]
本稿ではニューラル常微分方程式(ニューラルODE)を用いた新しい拡散画像登録法を提案する。提案手法であるEcho-ODEでは,従来の最先端技術と比較して,いくつかの改良が加えられている。その結果,本手法は過去の最先端技術よりも多面的に優れていることがわかった。
論文参考訳（メタデータ） (2023-06-16T08:37:27Z)
InDuDoNet+: A Model-Driven Interpretable Dual Domain Network for Metal Artifact Reduction in CT Images [53.4351366246531]
InDuDoNet+と呼ばれる新しい解釈可能な二重ドメインネットワークを構築し、CT画像の微細な埋め込みを行う。異なる組織間のCT値を分析し,InDuDoNet+の事前観測ネットワークにマージすることで,その一般化性能を著しく向上させる。
論文参考訳（メタデータ） (2021-12-23T15:52:37Z)
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)
RCA-IUnet: A residual cross-spatial attention guided inception U-Net model for tumor segmentation in breast ultrasound imaging [0.6091702876917281]
本稿では,腫瘍セグメンテーションのトレーニングパラメータが最小限に抑えられたRCA-IUnetモデルについて紹介する。 RCA-IUnetモデルは、U-Netトポロジに従い、奥行きの深い分離可能な畳み込みとハイブリッドプール層を持つ。無関係な特徴を抑え、対象構造に焦点を合わせるために、空間横断型アテンションフィルタが加えられる。
論文参考訳（メタデータ） (2021-08-05T10:35:06Z)
Global Guidance Network for Breast Lesion Segmentation in Ultrasound Images [84.03487786163781]
我々は,大域的誘導ブロック(GGB)と乳房病変境界検出モジュールを備えた深部畳み込みニューラルネットワークを開発した。当社のネットワークは、乳房超音波病変分割における他の医療画像分割方法および最近のセマンティックセグメンテーション方法よりも優れています。
論文参考訳（メタデータ） (2021-04-05T13:15:22Z)
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)
Multiple Instance Segmentation in Brachial Plexus Ultrasound Image Using BPMSegNet [7.562735089700208]
超音波画像における神経識別は,局所麻酔の性能を向上させるための重要なステップである。 BPMSegNetは超音波画像中の異なる組織(神経、動脈、静脈、筋肉)を特定するために提案されている。提案するネットワークは, 超音波画像から複数の組織を分離し, 良好な性能が得られる。
論文参考訳（メタデータ） (2020-12-22T13:57:30Z)
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)
An Uncertainty-Driven GCN Refinement Strategy for Organ Segmentation [53.425900196763756]
本研究では,不確実性解析とグラフ畳み込みネットワークに基づくセグメンテーション改善手法を提案する。半教師付きグラフ学習問題を定式化するために、特定の入力ボリュームにおける畳み込みネットワークの不確実性レベルを用いる。本手法は膵臓で1%,脾臓で2%向上し,最先端のCRF改善法よりも優れていた。
論文参考訳（メタデータ） (2020-12-06T18:55:07Z)
Dual Convolutional Neural Networks for Breast Mass Segmentation and Diagnosis in Mammography [18.979126709943085]
本稿では,マンモグラム画像処理のための新しいディープラーニングフレームワークを提案する。本手法はデュアルパスアーキテクチャで構築され,そのマッピングをデュアルプロブレム方式で解決する。実験の結果,DualCoreNetはマンモグラフィーのセグメンテーションと分類を同時に達成し,最近の最先端モデルよりも優れていることがわかった。
論文参考訳（メタデータ） (2020-08-07T02:23:36Z)
Pathological Retinal Region Segmentation From OCT Images Using Geometric Relation Based Augmentation [84.7571086566595]
本稿では,幾何学と形状の内在的関係を共同で符号化することで,従来のGANベースの医用画像合成法よりも優れた手法を提案する。提案手法は,取得手順の異なる画像を有する公開RETOUCHデータセット上で,最先端のセグメンテーション手法より優れている。
論文参考訳（メタデータ） (2020-03-31T11:50:43Z)

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。