論文の概要: TSI-Net: A Timing Sequence Image Segmentation Network for Intracranial
Artery Segmentation in Digital Subtraction Angiography
- arxiv url: http://arxiv.org/abs/2309.03477v1
- Date: Thu, 7 Sep 2023 04:44:38 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-08 14:19:11.519886
- Title: TSI-Net: A Timing Sequence Image Segmentation Network for Intracranial
Artery Segmentation in Digital Subtraction Angiography
- Title（参考訳）: tsi-net:digital subtraction angiographyにおける頭蓋内動脈セグメンテーションのためのタイミングシーケンス画像セグメンテーションネットワーク
- Authors: Lemeng Wang, Wentao Liu, Weijin Xu, Haoyuan Li, Huihua Yang, Feng Gao
- Abstract要約: 本稿では,TSI-Net と呼ばれる U-shape を用いた時系列画像分割ネットワークを提案する。
エンコーダには双方向のConvGRUモジュール(BCM)が組み込まれており、可変長DSAシーケンスを入力できる。
近年の最先端ネットワークよりも性能が著しく向上している。
- 参考スコア（独自算出の注目度）: 14.584220472118188
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Cerebrovascular disease is one of the major diseases facing the world today.
Automatic segmentation of intracranial artery (IA) in digital subtraction
angiography (DSA) sequences is an important step in the diagnosis of vascular
related diseases and in guiding neurointerventional procedures. While, a single
image can only show part of the IA within the contrast medium according to the
imaging principle of DSA technology. Therefore, 2D DSA segmentation methods are
unable to capture the complete IA information and treatment of cerebrovascular
diseases. We propose A timing sequence image segmentation network with U-shape,
called TSI-Net, which incorporates a bi-directional ConvGRU module (BCM) in the
encoder. The network incorporates a bi-directional ConvGRU module (BCM) in the
encoder, which can input variable-length DSA sequences, retain past and future
information, segment them into 2D images. In addition, we introduce a sensitive
detail branch (SDB) at the end for supervising fine vessels. Experimented on
the DSA sequence dataset DIAS, the method performs significantly better than
state-of-the-art networks in recent years. In particular, it achieves a Sen
evaluation metric of 0.797, which is a 3% improvement compared to other
methods.
- Abstract（参考訳）: 脳血管疾患は、現在、世界の主要な疾患の1つです。
デジタルサブトラクション血管造影(DSA)シークエンスにおける頭蓋内動脈(IA)の自動分画は,血管疾患の診断や神経インターベンショナリーの指導において重要なステップである。
一方、単一の画像は、DSA技術の撮像原理に従って、コントラスト媒体内のIAの一部しか表示できない。
したがって、2D DSAセグメンテーション法は、脳血管疾患の完全なIA情報と治療を捉えることができない。
エンコーダに双方向のConvGRUモジュール(BCM)を組み込んだ,TSI-Netと呼ばれるU字型の時系列画像分割ネットワークを提案する。
エンコーダには双方向のConvGRUモジュール(BCM)が組み込まれており、可変長DSAシーケンスを入力し、過去と将来の情報を保持し、2D画像に分割することができる。
また,最後に細かな船舶を監督するセンシティブディテールブランチ(sdb)を導入する。
DSAシークエンスデータセットDIASを用いて実験したところ、近年の最先端ネットワークよりも大幅に性能が向上した。
特に0.797のSen評価基準を達成しており、他の手法と比べて3%改善されている。
関連論文リスト
- DSCA: A Digital Subtraction Angiography Sequence Dataset and Spatio-Temporal Model for Cerebral Artery Segmentation [26.05396884171782]
DSAシークエンスに基づく脳動脈セグメンテーションデータセット(DSCA)を提案する。
単一のフレームにのみフォーカスする既存のDSAセグメンテーション手法とは異なり、提案されたDSANetでは、複数のフレームにまたがる動的血管の詳細をキャプチャするための、個別のテンポラリエンコーディングブランチが導入されている。
大規模な実験により、DSANetはCAセグメンテーションにおいて他の最先端の手法よりも優れており、Dice は 0.9033 である。
論文 参考訳（メタデータ） (2024-06-01T07:35:21Z) - Spatiotemporal Disentanglement of Arteriovenous Malformations in Digital
Subtraction Angiography [37.44819725897024]
本提案手法は, 船舶の自動分類による臨界情報を強調することにより, デジタルサブトラクション血管造影(DSA)画像シリーズを向上することを目的としている。
本法は, 臨床用DSA画像シリーズを用いて検討し, 動脈と静脈の効率的な鑑別を実証した。
論文 参考訳（メタデータ） (2024-02-15T00:29:53Z) - Dual-scale Enhanced and Cross-generative Consistency Learning for Semi-supervised Medical Image Segmentation [49.57907601086494]
医用画像のセグメンテーションはコンピュータ支援診断において重要な役割を担っている。
半教師型医用画像(DEC-Seg)のための新しいDual-scale Enhanced and Cross-generative consistency learning frameworkを提案する。
論文 参考訳（メタデータ） (2023-12-26T12:56:31Z) - DIAS: A Dataset and Benchmark for Intracranial Artery Segmentation in DSA sequences [19.61593883367223]
血管形態の定量化にはDSA(Digital Subtraction Angiography)の頭蓋内動脈(IA)が重要である。
現在の研究は、主にプロプライエタリデータセットを使用した単一フレームDSAのセグメンテーションに焦点を当てている。
DSAシークエンスにおけるIAセグメンテーションのためのデータセットであるDIASを紹介する。
論文 参考訳（メタデータ） (2023-06-21T10:03:56Z) - SDC-UDA: Volumetric Unsupervised Domain Adaptation Framework for
Slice-Direction Continuous Cross-Modality Medical Image Segmentation [8.33996223844639]
SDC-UDAは,スライス指向連続型医療画像セグメンテーションのためのフレームワークである。
これは、スライス内およびスライス間自己強調画像翻訳、不確実性に制約された擬似ラベルの精細化、容積的自己訓練を組み合わせたものである。
我々は,SDC-UDAを複数の一般公開医療画像セグメンテーションデータセットで検証し,最先端セグメンテーション性能を実現する。
論文 参考訳（メタデータ） (2023-05-18T14:44:27Z) - Self-Supervised Correction Learning for Semi-Supervised Biomedical Image
Segmentation [84.58210297703714]
半教師付きバイオメディカルイメージセグメンテーションのための自己教師付き補正学習パラダイムを提案する。
共有エンコーダと2つの独立デコーダを含むデュアルタスクネットワークを設計する。
異なるタスクのための3つの医用画像分割データセットの実験により,本手法の優れた性能が示された。
論文 参考訳（メタデータ） (2023-01-12T08:19:46Z) - CACTUSS: Common Anatomical CT-US Space for US examinations [36.45569352490318]
腹部大動脈瘤(英: Abdominal aortic aneurysm, AAA)は、大動脈の一部が拡大し、その壁を弱め、血管を破裂させる血管疾患である。
近年の腹部CTデータセットは, 深部神経回路の訓練に有効である。
CACTUSSはCTとUSモダリティの間の仮想ブリッジとして機能し、自動AAAスクリーニングソノグラフィーを可能にする。
論文 参考訳（メタデータ） (2022-07-18T14:05:25Z) - Two-Stream Graph Convolutional Network for Intra-oral Scanner Image
Segmentation [133.02190910009384]
本稿では,2ストリームグラフ畳み込みネットワーク(TSGCN)を提案する。
TSGCNは3次元歯(表面)セグメンテーションにおいて最先端の方法よりも優れています。
論文 参考訳（メタデータ） (2022-04-19T10:41:09Z) - 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) - Cross-Modality Brain Tumor Segmentation via Bidirectional
Global-to-Local Unsupervised Domain Adaptation [61.01704175938995]
本論文では,UDAスキームに基づくBiGL(Bidirectional Global-to-Local)適応フレームワークを提案する。
具体的には、脳腫瘍をセグメント化するために、双方向画像合成およびセグメンテーションモジュールを提案する。
提案手法は, 最先端の非教師なし領域適応法を大きなマージンで上回っている。
論文 参考訳（メタデータ） (2021-05-17T10:11:45Z) - Detecting Pancreatic Ductal Adenocarcinoma in Multi-phase CT Scans via
Alignment Ensemble [77.5625174267105]
膵管腺癌(PDAC)は最も致命的ながんの1つである。
複数のフェーズは単一のフェーズよりも多くの情報を提供するが、それらは整列せず、テクスチャにおいて不均一である。
PDAC検出性能を高めるために,これらすべてのアライメントのアンサンブルを提案する。
論文 参考訳（メタデータ） (2020-03-18T19:06:27Z)
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。