論文の概要: Vision Transformers increase efficiency of 3D cardiac CT multi-label segmentation

• arxiv url: http://arxiv.org/abs/2310.09099v2
• Date: Wed, 24 Jan 2024 14:33:32 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-25 17:05:11.092302
• Title: Vision Transformers increase efficiency of 3D cardiac CT multi-label segmentation
• Title（参考訳）: 視覚変換器は3次元心筋CTマルチラベルセグメンテーションの効率を高める
• Authors: Lee Jollans, Mariana Bustamante, Lilian Henriksson, Anders Persson, Tino Ebbers
• Abstract要約: 心電図(CT)データセットを2つ使用して,心臓全体を表す複数の領域を3Dで分割するネットワークをトレーニングした。 分節部は左心房,心室,左心室,上行大動脈,肺動脈,肺静脈,左心房補助であった。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Accurate segmentation of the heart is essential for personalized blood flow simulations and surgical intervention planning. Segmentations need to be accurate in every spatial dimension, which is not ensured by segmenting data slice by slice. Two cardiac computed tomography (CT) datasets consisting of 760 volumes across the whole cardiac cycle from 39 patients, and of 60 volumes from 60 patients respectively were used to train networks to simultaneously segment multiple regions representing the whole heart in 3D. The segmented regions included the left and right atrium and ventricle, left ventricular myocardium, ascending aorta, pulmonary arteries, pulmonary veins, and left atrial appendage. The widely used 3D U-Net and the UNETR architecture were compared to our proposed method optimized for large volumetric inputs. The proposed network architecture, termed Transformer Residual U-Net (TRUNet), maintains the cascade downsampling encoder, cascade upsampling decoder and skip connections from U-Net, while incorporating a Vision Transformer (ViT) block in the encoder alongside a modified ResNet50 block. TRUNet reached higher segmentation performance for all structures within approximately half the training time needed for 3D U-Net and UNETR. The proposed method achieved more precise vessel boundary segmentations and better captured the heart's overall anatomical structure compared to the other methods. The fast training time and accurate delineation of adjacent structures makes TRUNet a promising candidate for medical image segmentation tasks. The code for TRUNet is available at github.com/ljollans/TRUNet.
• Abstract（参考訳）: 心臓の正確な分節は、パーソナライズされた血流シミュレーションや外科的介入計画に不可欠である。 セグメント化はすべての空間次元において正確である必要があり、スライスごとにデータを分割することで保証されない。 39例の心周期全体760巻と60例の60巻からなる2つの心ctデータセットを用いて, ネットワークを訓練し, 心臓全体を表す複数の領域を同時に3dで分割した。 分節領域は左右心室,左室心筋,上行大動脈,肺動脈,肺静脈,左心房付加物であった。 3次元U-NetとUNETRアーキテクチャを大容量入力に最適化した提案手法と比較した。 提案するネットワークアーキテクチャは、変圧器残差u-net(trunet)と呼ばれ、カスケードダウンサンプリングエンコーダ、カスケードアップサンプリングデコーダ、u-netからの接続をスキップすると共に、修正されたresnet50ブロックと共に、エンコーダ内のvision transformer(vit)ブロックを組み込む。 TRUNetは3D U-NetとUNETRに必要なトレーニング時間の半分以内の全ての構造に対して高いセグメンテーション性能を達成した。 提案手法は, 血管境界の精密なセグメンテーションを達成し, 心臓全体の解剖学的構造を他の方法と比較した。 近接する構造の高速なトレーニング時間と正確なデライン化により、TRUNetは医療画像セグメンテーションタスクの有望な候補となる。 TRUNetのコードはgithub.com/ljollans/TRUNetで入手できる。

関連論文リスト

• Epicardium Prompt-guided Real-time Cardiac Ultrasound Frame-to-volume Registration [50.602074919305636]
  本稿では,CU-Reg と呼ばれる,軽量でエンドツーエンドなカード・ツー・エンド・超音波フレーム・ツー・ボリューム・レジストレーション・ネットワークを提案する。 2次元スパースと3次元濃密な特徴の相互作用を増強するために,心内膜急速ガイドによる解剖学的手がかりを用い,その後,強化された特徴のボクセル的局所グロバル集約を行った。
  論文  参考訳（メタデータ） (2024-06-20T17:47:30Z)
• CIS-UNet: Multi-Class Segmentation of the Aorta in Computed Tomography Angiography via Context-Aware Shifted Window Self-Attention [10.335899694123711]
  大動脈セグメンテーションのためのディープラーニングモデルであるContext Infused Swin-UNet(CIS-UNet)を紹介する。 CIS-UNetは、CNNエンコーダ、対称デコーダ、スキップ接続、新しいコンテキスト対応シフトウィンドウ自己認識(CSW-SA)をボトルネックブロックとする階層型エンコーダデコーダ構造を採用している。 CIS-UNetは,従来のSwinUNetRセグメンテーションモデルよりも優れた平均Dice係数0.713を達成し,コンピュータ断層撮影(CT)の訓練を行った。
  論文  参考訳（メタデータ） (2024-01-23T19:17:20Z)
• UNETR++: Delving into Efficient and Accurate 3D Medical Image Segmentation [93.88170217725805]
  本稿では,高画質なセグメンテーションマスクと,パラメータ,計算コスト,推論速度の両面での効率性を提供するUNETR++という3次元医用画像セグメンテーション手法を提案する。 我々の設計の核となるのは、空間的およびチャネル的な識別的特徴を効率的に学習する、新しい効率的な対注意ブロック(EPA)の導入である。 Synapse, BTCV, ACDC, BRaTs, Decathlon-Lungの5つのベンチマークで評価した結果, 効率と精度の両面で, コントリビューションの有効性が示された。
  論文  参考訳（メタデータ） (2022-12-08T18:59:57Z)
• 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)
• Multi-organ Segmentation Network with Adversarial Performance Validator [10.775440368500416]
  本稿では,2次元から3次元のセグメンテーションフレームワークに対向的な性能検証ネットワークを導入する。 提案したネットワークは, 2次元粗い結果から3次元高品質なセグメンテーションマスクへの変換を行い, 共同最適化によりセグメンテーション精度が向上する。 NIH膵分節データセットの実験では、提案したネットワークが小臓器分節の最先端の精度を達成し、過去の最高性能を上回った。
  論文  参考訳（メタデータ） (2022-04-16T18:00:29Z)
• A unified 3D framework for Organs at Risk Localization and Segmentation for Radiation Therapy Planning [56.52933974838905]
  現在の医療ワークフローは、OAR(Organs-at-risk)のマニュアル記述を必要とする 本研究は,OARローカライゼーション・セグメンテーションのための統合された3Dパイプラインの導入を目的とする。 提案手法は医用画像に固有の3Dコンテキスト情報の活用を可能にする。
  論文  参考訳（メタデータ） (2022-03-01T17:08:41Z)
• Pulmonary Vessel Segmentation based on Orthogonal Fused U-Net++ of Chest CT Images [1.8692254863855962]
  胸部CT画像から肺血管セグメンテーションの枠組みと改善過程について検討した。 アプローチの鍵となるのは、3つの軸から2.5D区分けネットワークを応用し、堅牢で完全に自動化された肺血管区分け結果を示す。 提案手法は,他のネットワーク構造よりも大きなマージンで優れ,平均DICEスコア0.9272,精度0.9310を極端に上回っている。
  論文  参考訳（メタデータ） (2021-07-03T21:46:29Z)
• CoTr: Efficiently Bridging CNN and Transformer for 3D Medical Image Segmentation [95.51455777713092]
  畳み込みニューラルネットワーク(CNN)は、現代の3D医療画像セグメンテーションのデファクトスタンダードとなっている。 本稿では,bf畳み込みニューラルネットワークとbfトランスbf(cotr)を効率良く橋渡しし,正確な3次元医用画像分割を実現する新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2021-03-04T13:34:22Z)
• Weakly-supervised Learning For Catheter Segmentation in 3D Frustum Ultrasound [74.22397862400177]
  超音波を用いた新しいカテーテルセグメンテーション法を提案する。 提案手法は,1ボリュームあたり0.25秒の効率で最先端の性能を実現した。
  論文  参考訳（メタデータ） (2020-10-19T13:56:22Z)
• PC-U Net: Learning to Jointly Reconstruct and Segment the Cardiac Walls in 3D from CT Data [18.941064150226236]
  2次元CTスライスから直接LV MYO壁の点雲を直接再構成するPC-Uネットを提案する。 提案したPC-Uネットの協調学習フレームワークは,自動心画像解析タスクに有用である。
  論文  参考訳（メタデータ） (2020-08-18T23:37:05Z)
• CondenseUNet: A Memory-Efficient Condensely-Connected Architecture for Bi-ventricular Blood Pool and Myocardium Segmentation [0.0]
  本稿では,CondenseNetとDenseNetの両方を改良したメモリ効率の良い畳み込みニューラルネットワーク(CNN)アーキテクチャを提案する。 実験の結果,提案アーキテクチャは自動心臓診断チャレンジデータセット上で動作していることがわかった。
  論文  参考訳（メタデータ） (2020-04-05T16:34:51Z)

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。