Fugu-MT 論文翻訳(概要): Assessing Encoder-Decoder Architectures for Robust Coronary Artery Segmentation

論文の概要: Assessing Encoder-Decoder Architectures for Robust Coronary Artery Segmentation

arxiv url: http://arxiv.org/abs/2310.10002v1
Date: Mon, 16 Oct 2023 01:55:37 GMT
ステータス: 処理完了
システム内更新日: 2023-10-17 16:59:30.721409
Title: Assessing Encoder-Decoder Architectures for Robust Coronary Artery Segmentation
Title（参考訳）: ロバスト冠動脈セグメンテーションのためのエンコーダ・デコーダアーキテクチャの評価
Authors: Shisheng Zhang, Ramtin Gharleghi, Sonit Singh, Arcot Sowmya, Susann Beier
Abstract要約: 本稿では,25個のエンコーダ/デコーダの組み合わせの性能について検討する。エンコーダとデコーダとして機能するEfficientNet-LinkNetの組み合わせは注目に値する。ディース係数は0.882で、ハースドルフの95%は4.753である。
参考スコア（独自算出の注目度）: 11.137087573421258
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: Coronary artery diseases are among the leading causes of mortality worldwide. Timely and accurate diagnosis, facilitated by precise coronary artery segmentation, is pivotal in changing patient outcomes. In the realm of biomedical imaging, convolutional neural networks, especially the U-Net architecture, have revolutionised segmentation processes. However, one of the primary challenges remains the lack of benchmarking datasets specific to coronary arteries. However through the use of the recently published public dataset ASOCA, the potential of deep learning for accurate coronary segmentation can be improved. This paper delves deep into examining the performance of 25 distinct encoder-decoder combinations. Through analysis of the 40 cases provided to ASOCA participants, it is revealed that the EfficientNet-LinkNet combination, serving as encoder and decoder, stands out. It achieves a Dice coefficient of 0.882 and a 95th percentile Hausdorff distance of 4.753. These findings not only underscore the superiority of our model in comparison to those presented at the MICCAI 2020 challenge but also set the stage for future advancements in coronary artery segmentation, opening doors to enhanced diagnostic and treatment strategies.
Abstract（参考訳）: 冠状動脈疾患は世界中で死亡の原因となっている。正確な冠動脈セグメンテーションによって促進されるタイムリーかつ正確な診断は、患者の結果を変える上で重要である。バイオメディカルイメージングの領域では、畳み込みニューラルネットワーク、特にU-Netアーキテクチャがセグメンテーションプロセスに革命をもたらした。しかしながら、主要な課題の1つは、冠動脈に特有のベンチマークデータセットの欠如である。しかし、最近公開されたパブリックデータセットASOCAを使用することで、正確な冠動脈セグメンテーションのためのディープラーニングの可能性を改善することができる。本稿では,25個のエンコーダとデコーダの組み合わせの性能について検討する。 ASOCA参加者に提供される40のケースの分析により,エンコーダとデコーダとして機能するEfficientNet-LinkNetの組み合わせが注目されている。サイス係数0.882、95%のハウスドルフ距離4.753である。これらの知見は,MICCAI 2020の課題と比べ,本モデルの優位性を示すだけでなく,冠動脈セグメンテーションの今後の進歩,診断・治療戦略の強化への扉を開くためのステージも設定した。

関連論文リスト

SMILE-UHURA Challenge -- Small Vessel Segmentation at Mesoscopic Scale from Ultra-High Resolution 7T Magnetic Resonance Angiograms [60.35639972035727]
公開されている注釈付きデータセットの欠如は、堅牢で機械学習駆動のセグメンテーションアルゴリズムの開発を妨げている。 SMILE-UHURAチャレンジは、7T MRIで取得したTime-of-Flightアンジオグラフィーの注釈付きデータセットを提供することで、公開されている注釈付きデータセットのギャップに対処する。 Diceスコアは、それぞれのデータセットで0.838 $pm$0.066と0.716 $pm$ 0.125まで到達し、平均パフォーマンスは0.804 $pm$ 0.15までになった。
論文参考訳（メタデータ） (2024-11-14T17:06:00Z)
KaLDeX: Kalman Filter based Linear Deformable Cross Attention for Retina Vessel Segmentation [46.57880203321858]
カルマンフィルタを用いた線形変形型クロスアテンション(LDCA)モジュールを用いた血管セグメンテーションのための新しいネットワーク(KaLDeX)を提案する。我々のアプローチは、カルマンフィルタ(KF)ベースの線形変形可能な畳み込み(LD)とクロスアテンション(CA)モジュールの2つの重要なコンポーネントに基づいている。提案手法は,網膜基底画像データセット(DRIVE,CHASE_BD1,STARE)とOCTA-500データセットの3mm,6mmを用いて評価した。
論文参考訳（メタデータ） (2024-10-28T16:00:42Z)
AGFA-Net: Attention-Guided and Feature-Aggregated Network for Coronary Artery Segmentation using Computed Tomography Angiography [5.583495103569884]
CCTA画像を用いた冠動脈セグメンテーションのための注意誘導型3Dディープネットワーク(AGFA-Net)を提案する。 AGFA-Netは注意機構と機能改善モジュールを活用して、有能な特徴を捉え、セグメンテーションの精度を高める。 1000個のCCTAスキャンからなるデータセットの評価はAGFA-Netの優れた性能を示し、平均Dice係数は86.74%、ハウスドルフ距離は0.23mmである。
論文参考訳（メタデータ） (2024-06-13T01:04:47Z)
MPSeg : Multi-Phase strategy for coronary artery Segmentation [9.767759441883008]
冠動脈セグメンテーションのための革新的多相戦略であるMPSegを提案する。本手法は,これらの構造的複雑度に特化しており,SynTAXスコアの原理に準拠している。特に, 自動冠状動脈疾患診断では, 異常な効果が認められた。
論文参考訳（メタデータ） (2023-11-17T03:33:09Z)
SSASS: Semi-Supervised Approach for Stenosis Segmentation [9.767759441883008]
冠状動脈構造の複雑さとX線像の固有ノイズが相まって,この課題には大きな課題が生じる。心血管狭窄セグメンテーションに対する半監督的アプローチを提案する。自動冠状動脈疾患診断では異常な成績を示した。
論文参考訳（メタデータ） (2023-11-17T02:01:19Z)
Segmentation and Vascular Vectorization for Coronary Artery by Geometry-based Cascaded Neural Network [26.88627331841325]
そこで本研究では,冠動脈の形状をベースとしたカスケード分割法を提案する。冠動脈のメッシュは連続的かつ正確であり, ねじれ, 洗練された冠状動脈構造を有する。本手法は, 分節血管の断片化を伴わない, 正確で無傷でスムーズな冠動脈を作製する。
論文参考訳（メタデータ） (2023-05-07T07:26:41Z)
WSSS4LUAD: Grand Challenge on Weakly-supervised Tissue Semantic Segmentation for Lung Adenocarcinoma [51.50991881342181]
この課題には10,091個のパッチレベルのアノテーションと1300万以上のラベル付きピクセルが含まれる。第一位チームは0.8413mIoUを達成した(腫瘍:0.8389、ストーマ:0.7931、正常:0.8919)。
論文参考訳（メタデータ） (2022-04-13T15:27:05Z)
Encoder-Decoder Architectures for Clinically Relevant Coronary Artery Segmentation [0.0]
冠動脈疾患の診断と治療には,冠動脈X線アンギオグラフィが重要である。従来のアプローチでは、最適でないセグメンテーション基準を使用しており、あまり有用な結果が得られていない。本稿では,新しいデコーダアーキテクチャであるEfficientUNet++を用いて,効率的かつ高性能なセグメンテーションモデルを提案する。
論文参考訳（メタデータ） (2021-06-21T23:32:11Z)
A Global Benchmark of Algorithms for Segmenting Late Gadolinium-Enhanced Cardiac Magnetic Resonance Imaging [90.29017019187282]
現在世界最大の心臓LGE-MRIデータセットである154個の3D LGE-MRIを用いた「2018 left Atrium Challenge」。技術および生物学的指標を用いた提案アルゴリズムの解析を行った。その結果, 最上部法は93.2%, 平均表面は0.7mmであった。
論文参考訳（メタデータ） (2020-04-26T08:49:17Z)
Inf-Net: Automatic COVID-19 Lung Infection Segmentation from CT Images [152.34988415258988]
CT画像からの肺感染症の自動検出は、新型コロナウイルスに対処するための従来の医療戦略を強化する大きな可能性を秘めている。 CTスライスから感染領域を分割することは、高い感染特性の変化、感染と正常な組織の間の低強度のコントラストなど、いくつかの課題に直面している。これらの課題に対処するため, 胸部CTスライスから感染部位を自動的に同定する, 新型のCOVID-19 Deep Lung infection Network (Inf-Net) が提案されている。
論文参考訳（メタデータ） (2020-04-22T07:30:56Z)
VerSe: A Vertebrae Labelling and Segmentation Benchmark for Multi-detector CT Images [121.31355003451152]
大規模Vertebrae Challenge(VerSe)は、2019年と2020年に開催されたMICCAI(International Conference on Medical Image Computing and Computer Assisted Intervention)と共同で設立された。本評価の結果を報告するとともに,脊椎レベル,スキャンレベル,および異なる視野での性能変化について検討した。
論文参考訳（メタデータ） (2020-01-24T21:09:18Z)

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。