論文の概要: Modality Exchange Network for Retinogeniculate Visual Pathway
Segmentation
- arxiv url: http://arxiv.org/abs/2401.01685v1
- Date: Wed, 3 Jan 2024 11:41:57 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-04 14:25:07.767789
- Title: Modality Exchange Network for Retinogeniculate Visual Pathway
Segmentation
- Title（参考訳）: 網膜原性視覚経路分割のためのモダリティ交換ネットワーク
- Authors: Hua Han (1 and 2), Cheng Li (1), Lei Xie (3), Yuanjing Feng (3), Alou
Diakite (1 and 2), Shanshan Wang (1 and 4) ((1) Shenzhen Institute of
Advanced Technology, Chinese Academy of Sciences, Shenzhen, China, (2)
University of Chinese Academy of Sciences, Beijing, China, (3) College of
Information Engineering, Zhejiang University of Technology, Hangzhou, China,
(4) Peng Cheng Laboratory, Shenzhen, China)
- Abstract要約: マルチモーダル磁気共鳴(MR)イメージング情報を有効利用してRGVPセグメンテーションを強化する新しいモダリティ交換ネットワーク(ME-Net)を提案する。
具体的には、T1重み付きMR画像と分画異方性MR画像とのモダリティ情報を交換するためのチャネルと空間混合アテンションモジュールを設計する。
実験の結果,RGVPセグメンテーション性能は既存の最先端手法よりも優れていた。
- 参考スコア（独自算出の注目度）: 5.726588626363204
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Accurate segmentation of the retinogeniculate visual pathway (RGVP) aids in
the diagnosis and treatment of visual disorders by identifying disruptions or
abnormalities within the pathway. However, the complex anatomical structure and
connectivity of RGVP make it challenging to achieve accurate segmentation. In
this study, we propose a novel Modality Exchange Network (ME-Net) that
effectively utilizes multi-modal magnetic resonance (MR) imaging information to
enhance RGVP segmentation. Our ME-Net has two main contributions. Firstly, we
introduce an effective multi-modal soft-exchange technique. Specifically, we
design a channel and spatially mixed attention module to exchange modality
information between T1-weighted and fractional anisotropy MR images. Secondly,
we propose a cross-fusion module that further enhances the fusion of
information between the two modalities. Experimental results demonstrate that
our method outperforms existing state-of-the-art approaches in terms of RGVP
segmentation performance.
- Abstract（参考訳）: retinogeniculate visual pathway(rgvp)の正確なセグメンテーションは、経路内の障害や異常を特定することによって、視覚障害の診断と治療を支援する。
しかしながら、複雑な解剖学的構造とrgvpの接続は、正確なセグメンテーションを達成するのに困難である。
本研究では,マルチモーダル磁気共鳴(MR)イメージング情報を有効活用し,RGVPセグメンテーションを強化する新しいモダリティ交換ネットワーク(ME-Net)を提案する。
当社のme-netには2つの大きな貢献があります。
まず,効率的なマルチモーダルソフト交換手法を提案する。
具体的には,t1重み付けと分数異方性mr画像間のモダリティ情報を交換するために,チャネルおよび空間混合アテンションモジュールを設計する。
次に,2つのモード間の情報融合をさらに促進するクロスフュージョンモジュールを提案する。
実験の結果,RGVPセグメンテーション性能は既存の最先端手法よりも優れていた。
関連論文リスト
- SDR-Former: A Siamese Dual-Resolution Transformer for Liver Lesion
Classification Using 3D Multi-Phase Imaging [59.78761085714715]
本研究は肝病変分類のための新しいSDR-Formerフレームワークを提案する。
提案フレームワークは2つの臨床データセットに関する総合的な実験を通じて検証された。
科学コミュニティを支援するため,肝病変解析のための多段階MRデータセットを公開しています。
論文 参考訳（メタデータ） (2024-02-27T06:32:56Z) - 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) - Two-stage MR Image Segmentation Method for Brain Tumors based on
Attention Mechanism [27.08977505280394]
CycleGAN(CycleGAN)に基づく協調・空間的注意生成対向ネットワーク(CASP-GAN)を提案する。
ジェネレータの性能は、コーディネート・アテンション(CA)モジュールと空間アテンション(SA)モジュールを導入することで最適化される。
元の医用画像の構造情報と詳細な情報を抽出する能力は、所望の画像をより高品質に生成するのに役立つ。
論文 参考訳（メタデータ） (2023-04-17T08:34:41Z) - 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) - Unsupervised Image Registration Towards Enhancing Performance and
Explainability in Cardiac And Brain Image Analysis [3.5718941645696485]
モダリティ内およびモダリティ内アフィンおよび非リグイド画像登録は、臨床画像診断において必須の医用画像解析プロセスである。
本稿では、アフィンおよび非剛性変換を正確にモデル化できる教師なしディープラーニング登録手法を提案する。
本手法は,モーダリティ不変の潜在反感を学習するために,双方向のモーダリティ画像合成を行う。
論文 参考訳（メタデータ） (2022-03-07T12:54:33Z) - InDuDoNet+: A Model-Driven Interpretable Dual Domain Network for Metal
Artifact Reduction in CT Images [53.4351366246531]
InDuDoNet+と呼ばれる新しい解釈可能な二重ドメインネットワークを構築し、CT画像の微細な埋め込みを行う。
異なる組織間のCT値を分析し,InDuDoNet+の事前観測ネットワークにマージすることで,その一般化性能を著しく向上させる。
論文 参考訳（メタデータ） (2021-12-23T15:52:37Z) - Cross-Modality Brain Tumor Segmentation via Bidirectional
Global-to-Local Unsupervised Domain Adaptation [61.01704175938995]
本論文では,UDAスキームに基づくBiGL(Bidirectional Global-to-Local)適応フレームワークを提案する。
具体的には、脳腫瘍をセグメント化するために、双方向画像合成およびセグメンテーションモジュールを提案する。
提案手法は, 最先端の非教師なし領域適応法を大きなマージンで上回っている。
論文 参考訳（メタデータ） (2021-05-17T10:11:45Z) - A Multi-View Dynamic Fusion Framework: How to Improve the Multimodal
Brain Tumor Segmentation from Multi-Views? [5.793853101758628]
本稿では,脳腫瘍セグメンテーションの性能向上を目的としたマルチビューダイナミックフュージョンフレームワークを提案する。
BRATS 2015とBRATS 2018で提案されたフレームワークを評価することで、マルチビューからの融合結果が単一ビューからのセグメンテーション結果よりも優れたパフォーマンスを達成できることが分かります。
論文 参考訳（メタデータ） (2020-12-21T09:45:23Z) - Multi-Modality Pathology Segmentation Framework: Application to Cardiac
Magnetic Resonance Images [3.5354617056939874]
本研究は,多モードCMR画像に基づく自動カスケード診断セグメンテーションフレームワークを提案する。
主に、解剖学的構造セグメンテーションネットワーク(ASSN)と病理学的領域セグメンテーションネットワーク(PRSN)の2つのニューラルネットワークで構成されている。
論文 参考訳（メタデータ） (2020-08-13T09:57:04Z) - Unsupervised Bidirectional Cross-Modality Adaptation via Deeply
Synergistic Image and Feature Alignment for Medical Image Segmentation [73.84166499988443]
我々は、Synergistic Image and Feature Alignment (SIFA)と名付けられた新しい教師なしドメイン適応フレームワークを提案する。
提案するSIFAは、画像と特徴の両方の観点から、ドメインの相乗的アライメントを行う。
2つの異なるタスクに対する実験結果から,SIFA法は未ラベル対象画像のセグメンテーション性能を向上させるのに有効であることが示された。
論文 参考訳（メタデータ） (2020-02-06T13:49:47Z)
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。