論文の概要: SCPMan: Shape Context and Prior Constrained Multi-scale Attention
Network for Pancreatic Segmentation
- arxiv url: http://arxiv.org/abs/2312.15859v1
- Date: Tue, 26 Dec 2023 03:00:25 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-27 16:09:14.067895
- Title: SCPMan: Shape Context and Prior Constrained Multi-scale Attention
Network for Pancreatic Segmentation
- Title(参考訳): SCPMan:膵分離のための形状コンテキストと事前拘束型マルチスケール注意ネットワーク
- Authors: Leilei Zeng, Xuechen Li, Xinquan Yang, Linlin Shen, Song Wu
- Abstract要約: 本稿では,頑健な膵分断のための形状コンテキストと事前制約を備えたマルチスケールアテンションネットワークを提案する。
我々のアーキテクチャは、ぼやけた境界に対する堅牢なセグメンテーション性能と、スケールと膵の形状の変化を提供する。
- 参考スコア(独自算出の注目度): 39.70422146937986
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Due to the poor prognosis of Pancreatic cancer, accurate early detection and
segmentation are critical for improving treatment outcomes. However, pancreatic
segmentation is challenged by blurred boundaries, high shape variability, and
class imbalance. To tackle these problems, we propose a multiscale attention
network with shape context and prior constraint for robust pancreas
segmentation. Specifically, we proposed a Multi-scale Feature Extraction Module
(MFE) and a Mixed-scale Attention Integration Module (MAI) to address unclear
pancreas boundaries. Furthermore, a Shape Context Memory (SCM) module is
introduced to jointly model semantics across scales and pancreatic shape.
Active Shape Model (ASM) is further used to model the shape priors. Experiments
on NIH and MSD datasets demonstrate the efficacy of our model, which improves
the state-of-the-art Dice Score for 1.01% and 1.03% respectively. Our
architecture provides robust segmentation performance, against the blurry
boundaries, and variations in scale and shape of pancreas.
- Abstract(参考訳): 膵癌の予後不良のため、正確な早期発見と分節は治療成績の改善に重要である。
しかし膵管の分節は, ぼやけた境界, 高形状の変動, クラス不均衡により困難である。
そこで本研究では,頑健な膵分節に対して形状コンテキストと事前制約を有するマルチスケールアテンションネットワークを提案する。
具体的には,MFE(Multi-scale Feature extract Module)とMAI(Mixed-scale Attention Integration Module)を提案する。
さらに、形状コンテキストメモリ(scm)モジュールを導入して、スケールや膵臓形状のセマンティクスを共同モデル化する。
アクティブシェイプモデル (ASM) は、その形状をモデル化するためにさらに用いられる。
NIHデータセットとMSDデータセットを用いた実験は、我々のモデルの有効性を示し、それぞれ1.01%と1.03%の最先端Dice Scoreを改善する。
我々のアーキテクチャは、ぼやけた境界に対する堅牢なセグメンテーション性能と、スケールと膵の形状の変化を提供する。
関連論文リスト
- M3BUNet: Mobile Mean Max UNet for Pancreas Segmentation on CT-Scans [25.636974007788986]
我々は,M3BUNetを提案する。M3BUNetはMobileNetとU-Netニューラルネットワークの融合で,2段階に分けて膵CT像を段階的に分割する,新しい平均値(MM)アテンションを備える。
細かなセグメンテーションの段階では、ウェーブレット分解フィルタを用いてマルチインプット画像を作成することにより、膵のセグメンテーション性能が向上することがわかった。
提案手法は,最大89.53%のDice similarity Coefficient(DSC)値と最大81.16のIntersection Over Union(IOU)スコアをNIH pancreasデータセットで達成する。
論文 参考訳(メタデータ) (2024-01-18T23:10:08Z) - Dual-scale Enhanced and Cross-generative Consistency Learning for
Semi-supervised Polyp Segmentation [52.06525450636897]
大腸癌の早期診断と治療において, 自動ポリープセグメンテーションが重要な役割を担っている。
既存の手法は、完全に教師されたトレーニングに大きく依存しており、大量のラベル付きデータと時間を要するピクセル単位のアノテーションを必要とする。
大腸内視鏡画像からの半教師付きポリープ(DEC-Seg)のための新しいDual-scale Enhanced and Cross-generative consistency learningフレームワークを提案する。
論文 参考訳(メタデータ) (2023-12-26T12:56:31Z) - CARE: A Large Scale CT Image Dataset and Clinical Applicable Benchmark
Model for Rectal Cancer Segmentation [8.728236864462302]
CT画像の直腸癌セグメンテーションは、タイムリーな臨床診断、放射線治療、経過観察において重要な役割を担っている。
これらの障害は直腸の複雑な解剖学的構造と直腸癌の鑑別診断の困難から生じる。
これらの課題に対処するため,本研究では,正常直腸と癌直腸の両方にピクセルレベルのアノテーションを付加した,新しい大規模直腸癌CT画像データセットCAREを導入する。
また,U-SAMと命名された新しい癌病変セグメンテーションベンチマークモデルを提案する。
このモデルは、迅速な情報を取り入れることで、腹部器官の複雑な解剖学的構造によって引き起こされる課題に対処するように設計されている。
論文 参考訳(メタデータ) (2023-08-16T10:51:27Z) - Diffusion Models for Counterfactual Generation and Anomaly Detection in
Brain Images [59.85702949046042]
病気の画像の健全なバージョンを生成し,それを用いて画素単位の異常マップを得るための弱教師付き手法を提案する。
健常者を対象にした拡散モデルを用いて, サンプリングプロセスの各ステップで拡散拡散確率モデル (DDPM) と拡散拡散確率モデル (DDIM) を組み合わせる。
本手法が正常なサンプルに適用された場合,入力画像は大幅な修正を伴わずに再構成されることを確認した。
論文 参考訳(メタデータ) (2023-08-03T21:56:50Z) - Abdominal organ segmentation via deep diffeomorphic mesh deformations [5.4173776411667935]
CTとMRIによる腹部臓器の分節は,手術計画とコンピュータ支援ナビゲーションシステムにとって必須の要件である。
肝, 腎, 膵, 脾の分節に対するテンプレートベースのメッシュ再構成法を応用した。
結果として得られたUNetFlowは4つの器官すべてによく当てはまり、新しいデータに基づいて簡単に微調整できる。
論文 参考訳(メタデータ) (2023-06-27T14:41:18Z) - Learnable Weight Initialization for Volumetric Medical Image
Segmentation [54.1807206010136]
本稿では,学習可能な重みに基づくハイブリッド医療画像セグメンテーション手法を提案する。
我々のアプローチはどんなハイブリッドモデルにも簡単に統合でき、外部のトレーニングデータを必要としない。
多臓器・肺がんセグメンテーションタスクの実験は、我々のアプローチの有効性を実証している。
論文 参考訳(メタデータ) (2023-06-15T17:55:05Z) - 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) - A multi-organ point cloud registration algorithm for abdominal CT
registration [5.0338371688780965]
本研究では,興味ある臓器のサブセットを正確に登録することに焦点を当てる。
BCPDアルゴリズムのマルチオーガナイズ版であるMO-BCPDを導入する。
解剖学的ランドマークのターゲット登録誤差は、標準的なBCPDに比べてMO-BCPDの約2倍小さい。
論文 参考訳(メタデータ) (2022-03-15T16:27:29Z) - Improving Classification Model Performance on Chest X-Rays through Lung
Segmentation [63.45024974079371]
本稿では, セグメンテーションによる異常胸部X線(CXR)識別性能を向上させるための深層学習手法を提案する。
提案手法は,CXR画像中の肺領域を局所化するための深層ニューラルネットワーク(XLSor)と,大規模CXRデータセットで事前学習した自己教師あり運動量コントラスト(MoCo)モデルのバックボーンを用いたCXR分類モデルである。
論文 参考訳(メタデータ) (2022-02-22T15:24:06Z) - 3D Graph Anatomy Geometry-Integrated Network for Pancreatic Mass
Segmentation, Diagnosis, and Quantitative Patient Management [21.788423806147378]
膵管腺癌(PDAC)と他の9つの非PDAC腫とを多相CT画像で区別する。
患者レベルの診断を行うための総合的セグメンテーション・メシュ分類網(SMCN)を提案する。
論文 参考訳(メタデータ) (2020-12-08T19:38:01Z)
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。