論文の概要: Multi-task Learning To Improve Semantic Segmentation Of CBCT Scans Using Image Reconstruction

• arxiv url: http://arxiv.org/abs/2312.12990v2
• Date: Mon, 02 Dec 2024 13:40:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-03 16:55:04.782979
• Title: Multi-task Learning To Improve Semantic Segmentation Of CBCT Scans Using Image Reconstruction
• Title（参考訳）: 画像再構成を用いたCBCTスキャンのセマンティックセグメンテーション改善のためのマルチタスク学習
• Authors: Maximilian Ernst Tschuchnig, Julia Coste-Marin, Philipp Steininger, Michael Gadermayr,
• Abstract要約: マルチタスク学習によるCBCTの自動セグメンテーションの改善を目指す。 まず,形態素に基づく正規化を加えるためにマルチタスク学習を行う。 第2に、この再構築タスクを使用して、最高のCBCTを再構築する。
• 参考スコア（独自算出の注目度）: 0.7999703756441754
• License:
• Abstract: Semantic segmentation is a crucial task in medical image processing, essential for segmenting organs or lesions such as tumors. In this study we aim to improve automated segmentation in CBCTs through multi-task learning. To evaluate effects on different volume qualities, a CBCT dataset is synthesised from the CT Liver Tumor Segmentation Benchmark (LiTS) dataset. To improve segmentation, two approaches are investigated. First, we perform multi-task learning to add morphology based regularization through a volume reconstruction task. Second, we use this reconstruction task to reconstruct the best quality CBCT (most similar to the original CT), facilitating denoising effects. We explore both holistic and patch-based approaches. Our findings reveal that, especially using a patch-based approach, multi-task learning improves segmentation in most cases and that these results can further be improved by our denoising approach.
• Abstract（参考訳）: セマンティックセグメンテーションは医用画像処理において重要な課題であり、臓器や腫瘍などの病変のセグメンテーションに不可欠である。 本研究では,マルチタスク学習によるCBCTの自動セグメンテーションの改善を目指す。 CBCTデータセットはCT Liver tumor Segmentation Benchmark(LiTS)データセットから合成される。 セグメンテーションを改善するために,2つのアプローチを検討した。 まず,音量再構成タスクを通じて形態素に基づく正規化を加えるために,マルチタスク学習を行う。 第2に、この再建作業を用いて、最高のCBCT(元々のCTと最もよく似た)を再構築し、認知的効果を促進する。 全体的なアプローチとパッチベースのアプローチについて検討する。 以上の結果から,特にパッチベースのアプローチでは,マルチタスク学習がほとんどのケースでセグメンテーションを改善し,これらの結果をさらに改善することが示唆された。

関連論文リスト

• Effective Segmentation of Post-Treatment Gliomas Using Simple Approaches: Artificial Sequence Generation and Ensemble Models [7.352034931666381]
  本稿では,深層学習手法のセグメンテーション性能を高めるための2つの手法を提案する。 まず、利用可能なMRIシーケンスの単純な線形結合に基づく追加入力を組み込む。 第二に、モデルのバッテリの寄与を測るために様々なアンサンブル手法を用いる。
  論文  参考訳（メタデータ） (2024-09-12T15:34:31Z)
• AnatoMix: Anatomy-aware Data Augmentation for Multi-organ Segmentation [6.471203541258319]
  本稿では,多臓器セグメンテーションデータセットの一般化性を高めるための新しいデータ拡張戦略を提案する。 オブジェクトレベルのマッチングと操作により,本手法は解剖学的に正しい画像を生成することができる。 拡張法は, ベースライン法74.8と比較して76.1ディスとなる。
  論文  参考訳（メタデータ） (2024-03-05T21:07:50Z)
• Dual-scale Enhanced and Cross-generative Consistency Learning for Semi-supervised Medical Image Segmentation [49.57907601086494]
  医用画像のセグメンテーションはコンピュータ支援診断において重要な役割を担っている。 半教師型医用画像(DEC-Seg)のための新しいDual-scale Enhanced and Cross-generative consistency learning frameworkを提案する。
  論文  参考訳（メタデータ） (2023-12-26T12:56:31Z)
• AG-CRC: Anatomy-Guided Colorectal Cancer Segmentation in CT with Imperfect Anatomical Knowledge [9.961742312147674]
  自動生成臓器マスクを利用する新しい解剖ガイドセグメンテーションフレームワークを開発した。 提案手法を2つのCRCセグメンテーションデータセット上で広範囲に評価する。
  論文  参考訳（メタデータ） (2023-10-07T03:22:06Z)
• Self-Supervised Correction Learning for Semi-Supervised Biomedical Image Segmentation [84.58210297703714]
  半教師付きバイオメディカルイメージセグメンテーションのための自己教師付き補正学習パラダイムを提案する。 共有エンコーダと2つの独立デコーダを含むデュアルタスクネットワークを設計する。 異なるタスクのための3つの医用画像分割データセットの実験により,本手法の優れた性能が示された。
  論文  参考訳（メタデータ） (2023-01-12T08:19:46Z)
• 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)
• Recurrent Mask Refinement for Few-Shot Medical Image Segmentation [15.775057485500348]
  本稿では,プロトタイプネットワークに基づく数ショットの医用画像セグメンテーションのための新しいフレームワークを提案する。 1) 前景と背景領域間の局所的関係の特徴を関連付けるために相関を利用するコンテキスト関係エンコーダ(CRE)である。 2つの腹部CTデータセットと腹部MRIデータセットを用いた実験により、提案手法は最先端の方法よりも大幅に改善されていることが示された。
  論文  参考訳（メタデータ） (2021-08-02T04:06:12Z)
• Towards Cross-modality Medical Image Segmentation with Online Mutual Knowledge Distillation [71.89867233426597]
  本稿では,あるモダリティから学習した事前知識を活用し,別のモダリティにおけるセグメンテーション性能を向上させることを目的とする。 モーダル共有知識を徹底的に活用する新しい相互知識蒸留法を提案する。 MMWHS 2017, MMWHS 2017 を用いた多クラス心筋セグメンテーション実験の結果, CT セグメンテーションに大きな改善が得られた。
  論文  参考訳（メタデータ） (2020-10-04T10:25:13Z)
• 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)
• 4D Deep Learning for Multiple Sclerosis Lesion Activity Segmentation [49.32653090178743]
  我々は,MRIボリュームの履歴を用いて,この問題をフル4次元ディープラーニングに拡張することで,性能が向上するかどうか検討する。 提案手法は, 病変側真陽性率0.84, 病変側偽陽性率0.19で従来手法より優れていた。
  論文  参考訳（メタデータ） (2020-04-20T11:41:01Z)
• Automatic Data Augmentation via Deep Reinforcement Learning for Effective Kidney Tumor Segmentation [57.78765460295249]
  医用画像セグメンテーションのための新しい学習ベースデータ拡張法を開発した。 本手法では,データ拡張モジュールと後続のセグメンテーションモジュールをエンドツーエンドのトレーニング方法で一貫した損失と,革新的に組み合わせる。 提案法の有効性を検証したCT腎腫瘍分節法について,本法を広範囲に評価した。
  論文  参考訳（メタデータ） (2020-02-22T14:10:13Z)

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。