論文の概要: Abdominal multi-organ segmentation in CT using Swinunter

• arxiv url: http://arxiv.org/abs/2309.16210v1
• Date: Thu, 28 Sep 2023 07:32:22 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-29 15:50:44.449971
• Title: Abdominal multi-organ segmentation in CT using Swinunter
• Title（参考訳）: Swinunter を用いた腹部多臓器郭清術
• Authors: Mingjin Chen, Yongkang He, Yongyi Lu
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 1.804330958591773
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Abdominal multi-organ segmentation in computed tomography (CT) is crucial for many clinical applications including disease detection and treatment planning. Deep learning methods have shown unprecedented performance in this perspective. However, it is still quite challenging to accurately segment different organs utilizing a single network due to the vague boundaries of organs, the complex background, and the substantially different organ size scales. In this work we used make transformer-based model for training. It was found through previous years' competitions that basically all of the top 5 methods used CNN-based methods, which is likely due to the lack of data volume that prevents transformer-based methods from taking full advantage. The thousands of samples in this competition may enable the transformer-based model to have more excellent results. The results on the public validation set also show that the transformer-based model can achieve an acceptable result and inference time.
• Abstract（参考訳）: CT(Computed tomography)における腹部多臓器分画は,疾患検出や治療計画など多くの臨床応用に不可欠である。 この観点からは、ディープラーニング手法は前例のない性能を示している。 しかし,臓器の曖昧な境界,複雑な背景,実質的に異なる臓器サイズスケールのため,単一のネットワークを用いて異なる臓器を正確に分割することは依然として困難である。 この作業では、トレーニングにトランスフォーマーベースのモデルを使用しました。 前年のコンペで、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。 この競争における何千ものサンプルにより、トランスフォーマーベースのモデルはより優れた結果が得られる可能性がある。 公開検証セットの結果は、トランスフォーマティブベースのモデルが許容できる結果と推論時間を達成できることも示している。

関連論文リスト

• Federated Foundation Model for Cardiac CT Imaging [25.98149779380328]
  これまでで最も大きな心エコー画像解析を行い、部分的にラベル付けされたデータセットに焦点をあてた。 タスク固有のCNNからの知識を1つのトランスフォーマーモデルに抽出する2段階の半教師付き学習戦略を開発した。
  論文  参考訳（メタデータ） (2024-07-10T11:30:50Z)
• Affine-Consistent Transformer for Multi-Class Cell Nuclei Detection [76.11864242047074]
  本稿では, 原子核位置を直接生成する新しいアフィン一貫性変換器 (AC-Former) を提案する。 本稿では,AAT (Adaptive Affine Transformer) モジュールを導入し,ローカルネットワークトレーニングのためのオリジナル画像をワープするための重要な空間変換を自動学習する。 実験結果から,提案手法は様々なベンチマークにおいて既存の最先端アルゴリズムを著しく上回ることがわかった。
  論文  参考訳（メタデータ） (2023-10-22T02:27:02Z)
• Scale-aware Test-time Click Adaptation for Pulmonary Nodule and Mass Segmentation [35.381677272157866]
  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。
  論文  参考訳（メタデータ） (2023-07-28T16:04:34Z)
• SwinCross: Cross-modal Swin Transformer for Head-and-Neck Tumor Segmentation in PET/CT Images [6.936329289469511]
  クロスモーダルアテンション(CMA)モジュールを備えたクロスモーダルスウィントランス (SwinCross) は、複数の解像度でクロスモーダル特徴抽出を組み込んだ。 提案手法は, 最先端の変圧器を用いた手法よりも優れた性能を示す。
  論文  参考訳（メタデータ） (2023-02-08T03:36:57Z)
• 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)
• Learning from partially labeled data for multi-organ and tumor segmentation [102.55303521877933]
  本稿では,トランスフォーマーに基づく動的オンデマンドネットワーク(TransDoDNet)を提案する。 動的ヘッドにより、ネットワークは複数のセグメンテーションタスクを柔軟に達成することができる。 我々はMOTSと呼ばれる大規模にラベル付けされたMulti-Organ and tumorベンチマークを作成し、他の競合相手よりもTransDoDNetの方が優れた性能を示す。
  論文  参考訳（メタデータ） (2022-11-13T13:03:09Z)
• TMSS: An End-to-End Transformer-based Multimodal Network for Segmentation and Survival Prediction [0.0]
  腫瘍学者は、分析においてこれを行うのではなく、医療画像や患者の歴史などの複数のソースから、脳内の情報を融合させる。 本研究は,がんの定量化と患者の生存率推定において,腫瘍学者の分析行動を模倣する深層学習手法を提案する。
  論文  参考訳（メタデータ） (2022-09-12T06:22:05Z)
• Data-Efficient Vision Transformers for Multi-Label Disease Classification on Chest Radiographs [55.78588835407174]
  視覚変換器(ViT)は一般的な画像の分類性能が高いにもかかわらず、このタスクには適用されていない。 ViTは、畳み込みではなくパッチベースの自己アテンションに依存しており、CNNとは対照的に、ローカル接続に関する事前の知識は存在しない。 以上の結果から,ViTとCNNのパフォーマンスはViTの利点に匹敵するものの,DeiTsはトレーニング用に適度に大規模なデータセットが利用可能であれば,前者よりも優れることがわかった。
  論文  参考訳（メタデータ） (2022-08-17T09:07:45Z)
• Medulloblastoma Tumor Classification using Deep Transfer Learning with Multi-Scale EfficientNets [63.62764375279861]
  本稿では,エンド・ツー・エンドのMB腫瘍分類を提案し,様々な入力サイズとネットワーク次元の一致した移動学習を提案する。 161ケースのデータセットを用いて、より大規模な入力解像度を持つ事前学習されたEfficientNetが、大幅な性能改善をもたらすことを実証した。
  論文  参考訳（メタデータ） (2021-09-10T13:07:11Z)
• 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)
• Implanting Synthetic Lesions for Improving Liver Lesion Segmentation in CT Exams [0.0]
  我々は,CTスライスに現実的な病変を移植し,リッチで制御可能なトレーニングサンプルセットを提供する。 以上の結果から,CTスライスにおける肝病変の分節モデルの性能向上が示唆された。
  論文  参考訳（メタデータ） (2020-08-11T13:23:04Z)

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。