論文の概要: 3D EAGAN: 3D edge-aware attention generative adversarial network for prostate segmentation in transrectal ultrasound images

• arxiv url: http://arxiv.org/abs/2311.04049v1
• Date: Tue, 7 Nov 2023 15:03:17 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-08 15:11:55.849041
• Title: 3D EAGAN: 3D edge-aware attention generative adversarial network for prostate segmentation in transrectal ultrasound images
• Title（参考訳）: 3D EAGAN : 経直腸超音波画像における前立腺分節に対する3Dエッジ認識による対向神経ネットワーク
• Authors: Mengqing Liu, Xiao Shao, Liping Jiang, Kaizhi Wu
• Abstract要約: 本稿では,3次元エッジ認識による対向性ネットワーク(3D EAGAN)に基づく前立腺分割法を提案する。 EASNetは、エンコーダデコーダベースのU-Netバックボーンネットワーク、細部補償モジュール、4つの3次元空間およびチャネルアテンションモジュール、エッジエンハンスメントモジュール、グローバル機能抽出モジュールで構成されている。
• 参考スコア（独自算出の注目度）: 1.2728267483418159
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Automatic prostate segmentation in TRUS images has always been a challenging problem, since prostates in TRUS images have ambiguous boundaries and inhomogeneous intensity distribution. Although many prostate segmentation methods have been proposed, they still need to be improved due to the lack of sensibility to edge information. Consequently, the objective of this study is to devise a highly effective prostate segmentation method that overcomes these limitations and achieves accurate segmentation of prostates in TRUS images. A 3D edge-aware attention generative adversarial network (3D EAGAN)-based prostate segmentation method is proposed in this paper, which consists of an edge-aware segmentation network (EASNet) that performs the prostate segmentation and a discriminator network that distinguishes predicted prostates from real prostates. The proposed EASNet is composed of an encoder-decoder-based U-Net backbone network, a detail compensation module, four 3D spatial and channel attention modules, an edge enhance module, and a global feature extractor. The detail compensation module is proposed to compensate for the loss of detailed information caused by the down-sampling process of the encoder. The features of the detail compensation module are selectively enhanced by the 3D spatial and channel attention module. Furthermore, an edge enhance module is proposed to guide shallow layers in the EASNet to focus on contour and edge information in prostates. Finally, features from shallow layers and hierarchical features from the decoder module are fused through the global feature extractor to predict the segmentation prostates.
• Abstract（参考訳）: TRUS画像における前立腺の自動分割は、TRUS画像における前立腺があいまいな境界と不均一な強度分布を持つため、常に難しい問題である。 多くの前立腺セグメンテーション法が提案されているが、エッジ情報に対する感受性の欠如により改善される必要がある。 本研究の目的は,これらの制約を克服し,TRUS画像における前立腺の正確なセグメンテーションを実現する,高効率な前立腺分割法を考案することである。 本稿では,前立腺分割を行うエッジ・アウェア・セグメンテーション・ネットワーク(EASNet)と,予測前立腺と実前立腺を識別する識別器ネットワークからなる3次元エッジ・アウェア・アウェア・アウェア・ジェネレーティブ・逆立腺ネットワーク(3D EAGAN)を用いた前立腺分割法を提案する。 提案するeasnetはエンコーダデコーダベースのu-netバックボーンネットワーク,ディテール補償モジュール,4つの3d空間およびチャネルアテンションモジュール,エッジエンハンスモジュール,グローバル特徴抽出モジュールで構成される。 エンコーダのダウンサンプリング処理によって引き起こされる詳細情報の損失を補うために,ディテール補償モジュールを提案する。 詳細補償モジュールの特徴は、3次元空間及びチャネルアテンションモジュールによって選択的に強化される。 さらに,easnetの浅層層に対して,前立腺の輪郭情報とエッジ情報に着目したエッジエンハンスモジュールを提案する。 最後に,デコーダモジュールの浅い層からの特徴と階層的な特徴をグローバルな特徴抽出器を通じて融合し,セグメンテーション前立腺を予測する。

関連論文リスト

• Enhancing Weakly Supervised 3D Medical Image Segmentation through Probabilistic-aware Learning [52.249748801637196]
  3次元医用画像のセグメンテーションは、疾患の診断と治療計画に重要な意味を持つ課題である。 近年の深層学習の進歩は、完全に教師付き医療画像のセグメンテーションを著しく強化している。 本稿では,3次元医用画像に特化して設計された,確率的適応型弱教師付き学習パイプラインを提案する。
  論文  参考訳（メタデータ） (2024-03-05T00:46:53Z)
• BCS-Net: Boundary, Context and Semantic for Automatic COVID-19 Lung Infection Segmentation from CT Images [83.82141604007899]
  BCS-Netは、CT画像から自動的に新型コロナウイルスの肺感染症を分離するための新しいネットワークである。 BCS-Netはエンコーダ-デコーダアーキテクチャに従っており、多くの設計はデコーダのステージに焦点を当てている。 BCSRブロックでは、アテンション誘導グローバルコンテキスト(AGGC)モジュールがデコーダの最も価値のあるエンコーダ機能を学ぶように設計されている。
  論文  参考訳（メタデータ） (2022-07-17T08:54:07Z)
• Recurrent Feature Propagation and Edge Skip-Connections for Automatic Abdominal Organ Segmentation [13.544665065396373]
  本稿では,エンコーダ,エッジ検出器,エッジスキップ接続付きデコーダ,繰り返し特徴伝搬ヘッドを含む,エンドツーエンドの4つの主要コンポーネントを訓練した3Dネットワークを提案する。 実験の結果,提案したネットワークはいくつかの最先端モデルよりも優れていた。
  論文  参考訳（メタデータ） (2022-01-02T08:33:19Z)
• BEFD: Boundary Enhancement and Feature Denoising for Vessel Segmentation [15.386077363312372]
  セマンティックセグメンテーションにおける境界情報抽出のネットワーク機能を容易にするため,BEFD(Boundary Enhancement and Feature Denoising)モジュールを提案する。 ソベルエッジディテクタの導入により、ネットワークは追加のエッジを事前に取得できるため、医療画像セグメンテーションの監視されていない方法で境界を強化することができます。
  論文  参考訳（メタデータ） (2021-04-08T13:44:47Z)
• Global Guidance Network for Breast Lesion Segmentation in Ultrasound Images [84.03487786163781]
  我々は,大域的誘導ブロック(GGB)と乳房病変境界検出モジュールを備えた深部畳み込みニューラルネットワークを開発した。 当社のネットワークは、乳房超音波病変分割における他の医療画像分割方法および最近のセマンティックセグメンテーション方法よりも優れています。
  論文  参考訳（メタデータ） (2021-04-05T13:15:22Z)
• S3Net: 3D LiDAR Sparse Semantic Segmentation Network [1.330528227599978]
  S3NetはLiDARポイントクラウドセマンティックセグメンテーションのための新しい畳み込みニューラルネットワークである。 sparse intra-channel attention module (sintraam)とsparse inter-channel attention module (sinteram)で構成されるエンコーダ-デコーダバックボーンを採用する。
  論文  参考訳（メタデータ） (2021-03-15T22:15:24Z)
• 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)
• DSU-net: Dense SegU-net for automatic head-and-neck tumor segmentation in MR images [30.747375849126925]
  MRIにおける鼻咽頭癌(NPC)分類のためのDense SegU-net(DSU-net)フレームワークを提案する。 潜在的な消滅段階的問題に対処するために,特徴の伝播と再利用を容易にする高密度ブロックを導入する。 提案するアーキテクチャは,既存の最先端セグメンテーションネットワークよりも優れている。
  論文  参考訳（メタデータ） (2020-06-11T09:33:41Z)
• Unsupervised Instance Segmentation in Microscopy Images via Panoptic Domain Adaptation and Task Re-weighting [86.33696045574692]
  病理組織像における教師なし核分割のためのCycle Consistency Panoptic Domain Adaptive Mask R-CNN(CyC-PDAM)アーキテクチャを提案する。 まず,合成画像中の補助的な生成物を除去するための核塗布機構を提案する。 第二に、ドメイン識別器を持つセマンティックブランチは、パンプトレベルのドメイン適応を実現するように設計されている。
  論文  参考訳（メタデータ） (2020-05-05T11:08:26Z)
• Deep Attentive Features for Prostate Segmentation in 3D Transrectal Ultrasound [59.105304755899034]
  本稿では,経直腸超音波(TRUS)画像における前立腺のセグメンテーションを改善するために,アテンションモジュールを備えた新しい3次元ディープニューラルネットワークを開発した。 我々のアテンションモジュールは、アテンション機構を利用して、異なるレイヤから統合されたマルチレベル特徴を選択的に活用する。 3次元TRUSボリュームに挑戦する実験結果から,本手法は良好なセグメンテーション性能が得られることが示された。
  論文  参考訳（メタデータ） (2019-07-03T05:21:52Z)

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。