論文の概要: View it like a radiologist: Shifted windows for deep learning augmentation of CT images

• arxiv url: http://arxiv.org/abs/2311.14990v1
• Date: Sat, 25 Nov 2023 10:28:08 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-29 22:32:58.342432
• Title: View it like a radiologist: Shifted windows for deep learning augmentation of CT images
• Title（参考訳）: 放射線技師のように見る:CT画像の深層学習のためのシフト窓
• Authors: Eirik A. {\O}stmo, Kristoffer K. Wickstr{\o}m, Keyur Radiya, Michael C. Kampffmeyer, Robert Jenssen
• Abstract要約: 我々は,CT画像の評価において,複数のビューイングウインドウをどのように活用するかに着想を得た,新しい前処理と強度増強手法を提案する。 提案手法は,学習中の関心領域の周囲に窓をランダムに配置する。 コントラスト造影剤が不十分な画像における肝病変のセグメンテーション性能とロバスト性を向上させる。
• 参考スコア（独自算出の注目度）: 11.902593645631034
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep learning has the potential to revolutionize medical practice by automating and performing important tasks like detecting and delineating the size and locations of cancers in medical images. However, most deep learning models rely on augmentation techniques that treat medical images as natural images. For contrast-enhanced Computed Tomography (CT) images in particular, the signals producing the voxel intensities have physical meaning, which is lost during preprocessing and augmentation when treating such images as natural images. To address this, we propose a novel preprocessing and intensity augmentation scheme inspired by how radiologists leverage multiple viewing windows when evaluating CT images. Our proposed method, window shifting, randomly places the viewing windows around the region of interest during training. This approach improves liver lesion segmentation performance and robustness on images with poorly timed contrast agent. Our method outperforms classical intensity augmentations as well as the intensity augmentation pipeline of the popular nn-UNet on multiple datasets.
• Abstract（参考訳）: 深層学習は、医療画像におけるがんの大きさと場所を検知し、境界づけするといった重要なタスクを自動化し実行することで、医療プラクティスに革命をもたらす可能性がある。 しかし、ほとんどのディープラーニングモデルは、医学画像を自然画像として扱う拡張技術に依存している。 特にCT画像の場合、ボクセル強度を生成する信号は物理的意味を持ち、これらを自然画像として扱う際、前処理や増大時に失われる。 そこで本研究では,CT画像の評価において,複数のビューイングウインドウを活用する方法に着想を得た,新しい前処理と強度増強手法を提案する。 提案手法であるウインドウシフトは,学習中に興味のある領域の周囲にランダムにウインドウを配置する。 このアプローチは肝病変の分画性能と低時間造影剤による画像のロバスト性を改善する。 提案手法は,複数のデータセット上でのn-UNetの高強度化と高強度化のパイプラインよりも優れる。

関連論文リスト

• Autoregressive Sequence Modeling for 3D Medical Image Representation [48.706230961589924]
  本稿では, 自己回帰シーケンス事前学習フレームワークを用いて, 3次元医用画像表現を学習するための先駆的手法を提案する。 我々は,空間的,コントラスト的,意味的相関に基づく様々な3次元医用画像にアプローチし,トークンシーケンス内の相互接続された視覚トークンとして扱う。
  論文  参考訳（メタデータ） (2024-09-13T10:19:10Z)
• Disruptive Autoencoders: Leveraging Low-level features for 3D Medical Image Pre-training [51.16994853817024]
  本研究は、3Dラジオグラフィ画像のための効果的な事前学習フレームワークの設計に焦点をあてる。 ローカルマスキングと低レベルの摂動の組み合わせによって生成された破壊から、オリジナルのイメージを再構築しようとする事前トレーニングフレームワークであるDisruptive Autoencodersを紹介する。 提案する事前トレーニングフレームワークは、複数のダウンストリームタスクでテストされ、最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2023-07-31T17:59:42Z)
• LOTUS: Learning to Optimize Task-based US representations [39.81131738128329]
  超音波画像における臓器の解剖学的セグメンテーションは多くの臨床応用に不可欠である。 既存のディープニューラルネットワークは、臨床的に許容できるパフォーマンスを達成するために、トレーニングのために大量のラベル付きデータを必要とする。 本稿では,タスクベース超音速画像表現を最適化する学習手法を提案する。
  論文  参考訳（メタデータ） (2023-07-29T16:29:39Z)
• Learning Better Contrastive View from Radiologist's Gaze [45.55702035003462]
  診断における放射線技師の視線から学び,医用画像のコントラストビューを生成するための,新たな拡張手法であるFocusContrastを提案する。 具体的には、放射線医の視線の動きを追跡し、X線画像の読影時の視覚的注意をモデル化する。 プラグアンドプレイモジュールとして、FocusContrastは膝X線データセットの分類精度を4.07.0%改善した。
  論文  参考訳（メタデータ） (2023-05-15T17:34:49Z)
• Performance of GAN-based augmentation for deep learning COVID-19 image classification [57.1795052451257]
  ディープラーニングを医療分野に適用する上で最大の課題は、トレーニングデータの提供である。 データ拡張は、限られたデータセットに直面した時に機械学習で使用される典型的な方法論である。 本研究は, 新型コロナウイルスの胸部X線画像セットを限定して, StyleGAN2-ADAモデルを用いて訓練するものである。
  論文  参考訳（メタデータ） (2023-04-18T15:39:58Z)
• Exploring Image Augmentations for Siamese Representation Learning with Chest X-Rays [0.8808021343665321]
  胸部X線異常検出のためのシームズネットワークの訓練と評価を行った。 我々は、アウト・オブ・ディストリビューションデータと病気の両方によく一般化する堅牢な表現をもたらす拡張の集合を同定する。
  論文  参考訳（メタデータ） (2023-01-30T03:42:02Z)
• Attentive Symmetric Autoencoder for Brain MRI Segmentation [56.02577247523737]
  視覚変換器(ViT)をベースとした3次元脳MRIセグメンテーションタスクのための新しいアテンテーティブシンメトリオートエンコーダを提案する。 事前学習の段階では、提案するオートエンコーダがより注意を払って、勾配測定値に従って情報パッチを再構築する。 実験の結果,提案手法は最先端の自己教師付き学習法や医用画像分割モデルよりも優れていた。
  論文  参考訳（メタデータ） (2022-09-19T09:43:19Z)
• A Multi-Stage Attentive Transfer Learning Framework for Improving COVID-19 Diagnosis [49.3704402041314]
  新型コロナの診断を改善するための多段階集中移動学習フレームワークを提案する。 提案するフレームワークは、複数のソースタスクと異なるドメインのデータから知識を学習し、正確な診断モデルを訓練する3つの段階からなる。 本稿では,肺CT画像のマルチスケール表現を学習するための自己教師付き学習手法を提案する。
  論文  参考訳（メタデータ） (2021-01-14T01:39:19Z)
• Pathological Retinal Region Segmentation From OCT Images Using Geometric Relation Based Augmentation [84.7571086566595]
  本稿では,幾何学と形状の内在的関係を共同で符号化することで,従来のGANベースの医用画像合成法よりも優れた手法を提案する。 提案手法は,取得手順の異なる画像を有する公開RETOUCHデータセット上で,最先端のセグメンテーション手法より優れている。
  論文  参考訳（メタデータ） (2020-03-31T11:50:43Z)
• Lesion Conditional Image Generation for Improved Segmentation of Intracranial Hemorrhage from CT Images [0.0]
  データ拡張のためのCT画像を生成するために,病変条件付きジェネレーティブ・アドバイサル・ネットワークLcGANを提案する。 病変条件画像(segmented mask)は、訓練中にジェネレータとLcGANの判別器の両方に入力される。 完全畳み込みネットワーク(FCN)スコアと曖昧さを用いて画像の品質を定量化する。
  論文  参考訳（メタデータ） (2020-03-30T23:32:54Z)

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。