論文の概要: M3D-NCA: Robust 3D Segmentation with Built-in Quality Control

• arxiv url: http://arxiv.org/abs/2309.02954v1
• Date: Wed, 6 Sep 2023 12:43:18 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-07 15:35:29.565244
• Title: M3D-NCA: Robust 3D Segmentation with Built-in Quality Control
• Title（参考訳）: M3D-NCA: 内蔵品質制御によるロバスト3次元分割
• Authors: John Kalkhof, Anirban Mukhopadhyay
• Abstract要約: 我々は,Nレベルパッチを用いた3次元医用画像にニューラルセルオートマタ(NCA)セグメンテーションを利用する新しい手法であるM3D-NCAを提案する。 M3D-NCAは、海馬と前立腺のセグメンテーションで2グレードのUNetモデルよりも優れており、Raspberry Pi 4 Model B(2GB RAM)で実行することができる。 これはM3D-NCAが資源制約環境における医用画像セグメンテーションの効果的かつ効率的な代替手段としての可能性を強調している。
• 参考スコア（独自算出の注目度）: 1.5677737823895823
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Medical image segmentation relies heavily on large-scale deep learning models, such as UNet-based architectures. However, the real-world utility of such models is limited by their high computational requirements, which makes them impractical for resource-constrained environments such as primary care facilities and conflict zones. Furthermore, shifts in the imaging domain can render these models ineffective and even compromise patient safety if such errors go undetected. To address these challenges, we propose M3D-NCA, a novel methodology that leverages Neural Cellular Automata (NCA) segmentation for 3D medical images using n-level patchification. Moreover, we exploit the variance in M3D-NCA to develop a novel quality metric which can automatically detect errors in the segmentation process of NCAs. M3D-NCA outperforms the two magnitudes larger UNet models in hippocampus and prostate segmentation by 2% Dice and can be run on a Raspberry Pi 4 Model B (2GB RAM). This highlights the potential of M3D-NCA as an effective and efficient alternative for medical image segmentation in resource-constrained environments.
• Abstract（参考訳）: 医用画像セグメンテーションは、UNetベースのアーキテクチャのような大規模ディープラーニングモデルに大きく依存している。 しかし、そのようなモデルの実世界の有用性は高い計算能力によって制限されており、プライマリケア施設やコンフリクトゾーンのようなリソース制約のある環境では実用的ではない。 さらに、画像領域のシフトはこれらのモデルを非効率にレンダリングし、そのようなエラーが検出されない場合に患者の安全性を損なう。 これらの課題に対処するために,我々は,Nレベルパッチを用いた3次元医用画像にニューラルセルラーオートマタ(NCA)セグメンテーションを利用する新しい手法であるM3D-NCAを提案する。 さらに,NCAのセグメンテーション過程における誤差を自動的に検出できる新しい品質指標を開発するために,M3D-NCAのばらつきを利用した。 M3D-NCAは、海馬と前立腺のセグメンテーションで2グレードのUNetモデルより優れており、Raspberry Pi 4 Model B(2GB RAM)上で動作する。 これはM3D-NCAが資源制約環境における医用画像セグメンテーションの効果的かつ効率的な代替手段としての可能性を強調している。

関連論文リスト

• Revisiting MAE pre-training for 3D medical image segmentation [0.08484806297945031]
  自己監督学習(Self-Supervised Learning)は、未解決の膨大な臨床データセットの可能性を解き放つ、エキサイティングな機会を提供する。 SSLは自然言語処理やコンピュータビジョンといった分野に革命をもたらし、その3D医療画像コンピューティングへの採用は、3つの重要な落とし穴によって制限されてきた。 i)最先端のnnU-Netフレームワーク内の残留U-Netアーキテクチャを用いて,44kの3次元脳MRIボリュームとii)の大規模データセットを活用することで,これらの課題に対処する。
  論文  参考訳（メタデータ） (2024-10-30T15:42:59Z)
• E2ENet: Dynamic Sparse Feature Fusion for Accurate and Efficient 3D Medical Image Segmentation [36.367368163120794]
  E2ENet(Efficient to Efficient Network)と呼ばれる3次元医用画像分割モデルを提案する。 パラメトリックと計算効率の2つの設計が組み込まれている。 さまざまなリソース制約に対して、正確性と効率性のトレードオフを一貫して達成します。
  論文  参考訳（メタデータ） (2023-12-07T22:13:37Z)
• Binarized 3D Whole-body Human Mesh Recovery [104.13364878565737]
  本研究では, 人体, 顔, 手の3次元パラメータを効率的に推定するために, 両立二重残差ネットワーク (BiDRN) を提案する。 BiDRNは、22.1%のパラメータと14.8%の操作しか使用せず、完全精度のHand4Wholeで同等のパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2023-11-24T07:51:50Z)
• 3DSAM-adapter: Holistic adaptation of SAM from 2D to 3D for promptable tumor segmentation [52.699139151447945]
  医用画像の領域分割を行うために, SAMを2次元から3次元に変換する新しい適応法を提案する。 本モデルでは, 腎腫瘍, 膵腫瘍, 大腸癌の3つのタスクのうち8.25%, 29.87%, 10.11%の3つのタスクにおいて, ドメイン・オブ・ザ・アーティヴ・メディカル・イメージ・セグメンテーション・モデルより優れ, 肝腫瘍セグメンテーションでも同様の性能が得られる。
  論文  参考訳（メタデータ） (2023-06-23T12:09:52Z)
• GLEAM: Greedy Learning for Large-Scale Accelerated MRI Reconstruction [50.248694764703714]
  アンロールされたニューラルネットワークは、最近最先端の加速MRI再構成を達成した。 これらのネットワークは、物理ベースの一貫性とニューラルネットワークベースの正規化を交互に組み合わせることで、反復最適化アルゴリズムをアンロールする。 我々は,高次元画像設定のための効率的なトレーニング戦略である加速度MRI再構成のためのグレディ・ラーニングを提案する。
  論文  参考訳（メタデータ） (2022-07-18T06:01:29Z)
• Med-DANet: Dynamic Architecture Network for Efficient Medical Volumetric Segmentation [13.158995287578316]
  我々は,Med-DANetという動的アーキテクチャネットワークを提案し,効率的な精度と効率のトレードオフを実現する。 入力された3次元MRIボリュームのスライス毎に,提案手法は決定ネットワークによってスライス固有の決定を学習する。 提案手法は, 従来の3次元MRI脳腫瘍セグメント化法と比較して, 同等あるいは良好な結果が得られる。
  論文  参考訳（メタデータ） (2022-06-14T03:25:58Z)
• CAN3D: Fast 3D Medical Image Segmentation via Compact Context Aggregation [6.188937569449575]
  本稿では,メモリフットプリントの浅いコンパクト畳み込み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,パッチを必要とせず,大規模な3次元入力ボリュームを直接処理することでデータの整合性を維持することができる。
  論文  参考訳（メタデータ） (2021-09-12T06:27:59Z)
• Automated Model Design and Benchmarking of 3D Deep Learning Models for COVID-19 Detection with Chest CT Scans [72.04652116817238]
  3D胸部CTスキャン分類のための3D DLモデルを自動的に検索するための差別化可能なニューラルネットワーク探索(DNAS)フレームワークを提案する。 また,我々のモデルのクラスアクティベーションマッピング(cam)技術を利用して,結果の解釈可能性を提供する。
  論文  参考訳（メタデータ） (2021-01-14T03:45:01Z)
• Revisiting 3D Context Modeling with Supervised Pre-training for Universal Lesion Detection in CT Slices [48.85784310158493]
  CTスライスにおける普遍的病変検出のための3Dコンテキスト強化2D特徴を効率的に抽出するための修飾擬似3次元特徴ピラミッドネットワーク(MP3D FPN)を提案する。 新たな事前学習手法により,提案したMP3D FPNは,DeepLesionデータセット上での最先端検出性能を実現する。 提案された3Dプリトレーニングウェイトは、他の3D医療画像分析タスクのパフォーマンスを高めるために使用できる。
  論文  参考訳（メタデータ） (2020-12-16T07:11:16Z)
• Hierarchical Amortized Training for Memory-efficient High Resolution 3D GAN [52.851990439671475]
  本稿では,高解像度な3D画像を生成することができる新しいエンドツーエンドGANアーキテクチャを提案する。 トレーニングと推論の異なる構成を使用することで、この目標を達成する。 3次元胸郭CTと脳MRIの実験により、我々のアプローチは画像生成における最先端技術より優れていることが示された。
  論文  参考訳（メタデータ） (2020-08-05T02:33:04Z)

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。