論文の概要: M3BUNet: Mobile Mean Max UNet for Pancreas Segmentation on CT-Scans
- arxiv url: http://arxiv.org/abs/2401.10419v1
- Date: Thu, 18 Jan 2024 23:10:08 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-22 17:20:36.241053
- Title: M3BUNet: Mobile Mean Max UNet for Pancreas Segmentation on CT-Scans
- Title（参考訳）: M3BUNet:CTスキャンにおける膵分画のためのモバイル平均最大UNet
- Authors: Juwita juwita, Ghulam Mubashar Hassan, Naveed Akhtar, Amitava Datta
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 25.636974007788986
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Segmenting organs in CT scan images is a necessary process for multiple
downstream medical image analysis tasks. Currently, manual CT scan segmentation
by radiologists is prevalent, especially for organs like the pancreas, which
requires a high level of domain expertise for reliable segmentation due to
factors like small organ size, occlusion, and varying shapes. When resorting to
automated pancreas segmentation, these factors translate to limited reliable
labeled data to train effective segmentation models. Consequently, the
performance of contemporary pancreas segmentation models is still not within
acceptable ranges. To improve that, we propose M3BUNet, a fusion of MobileNet
and U-Net neural networks, equipped with a novel Mean-Max (MM) attention that
operates in two stages to gradually segment pancreas CT images from coarse to
fine with mask guidance for object detection. This approach empowers the
network to surpass segmentation performance achieved by similar network
architectures and achieve results that are on par with complex state-of-the-art
methods, all while maintaining a low parameter count. Additionally, we
introduce external contour segmentation as a preprocessing step for the coarse
stage to assist in the segmentation process through image standardization. For
the fine segmentation stage, we found that applying a wavelet decomposition
filter to create multi-input images enhances pancreas segmentation performance.
We extensively evaluate our approach on the widely known NIH pancreas dataset
and MSD pancreas dataset. Our approach demonstrates a considerable performance
improvement, achieving an average Dice Similarity Coefficient (DSC) value of up
to 89.53% and an Intersection Over Union (IOU) score of up to 81.16 for the NIH
pancreas dataset, and 88.60% DSC and 79.90% IOU for the MSD Pancreas dataset.
- Abstract（参考訳）: ctスキャン画像のセグメンテーション臓器は、複数の下流医療画像解析タスクに必要なプロセスである。
現在、放射線科医による手動ctスキャンのセグメンテーションが一般的であり、特に膵臓のような臓器では、小器官サイズ、咬合、形状の変化などの要因により、信頼性の高いセグメンテーションのための高度なドメイン専門知識が必要である。
これらの要因は, 膵の自動分節に頼って, 信頼性の低いラベル付きデータに変換し, 効果的な分節モデルの訓練を行う。
したがって、現代の膵臓分節モデルの性能は、まだ許容範囲にない。
そこで本稿では,モバイルネットとu-netニューラルネットワークの融合であるm3bunetを提案する。このm3bunetは,オブジェクト検出のためのマスクガイダンスにより,膵臓ct画像の粗度から細度まで徐々に分割する2段階の新たな平均max(mm)アテンションを備える。
このアプローチにより、ネットワークは、類似のネットワークアーキテクチャによって達成されたセグメンテーション性能を超え、複雑な最先端メソッドと同等の結果が得られる。
また,画像標準化によるセグメンテーションプロセスを支援するために,粗いステージの前処理ステップとして,外輪郭分割を導入する。
詳細なセグメンテーション段階では,ウェーブレット分解フィルタを多入力画像生成に適用することで膵臓セグメンテーション性能が向上することがわかった。
我々は、広く知られているnih pancreasデータセットとmsd pancreasデータセットに対するアプローチを広範囲に評価した。
提案手法では,平均Dice similarity Coefficient(DSC)値が89.53%,Intersection Over Union(IOU)スコアが81.16,DSCが88.60%,IOUが79.90%に向上した。
関連論文リスト
- 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) - 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) - Decoupled Pyramid Correlation Network for Liver Tumor Segmentation from
CT images [22.128902125820193]
Decoupled Pyramid correlation Network (DPC-Net)を提案する。
注意機構を利用して、FCNに埋め込まれた低レベルの特徴と高レベルの特徴をフル活用し、肝腫瘍を分節する。
DSCは96.2%、ASSDは1.636mmで肝臓セグメンテーションが可能である。
論文 参考訳（メタデータ） (2022-05-26T07:31:29Z) - Self-supervised 3D anatomy segmentation using self-distilled masked
image transformer (SMIT) [2.7298989068857487]
自己教師型学習は、畳み込みネットワークを用いた医用画像のセグメンテーションに成功している。
我々は、我々のアプローチがより正確で、他のプリテキストタスクよりも微調整データセットを少なくする必要があることを示した。
論文 参考訳（メタデータ） (2022-05-20T17:55:14Z) - Multi-organ Segmentation Network with Adversarial Performance Validator [10.775440368500416]
本稿では,2次元から3次元のセグメンテーションフレームワークに対向的な性能検証ネットワークを導入する。
提案したネットワークは, 2次元粗い結果から3次元高品質なセグメンテーションマスクへの変換を行い, 共同最適化によりセグメンテーション精度が向上する。
NIH膵分節データセットの実験では、提案したネットワークが小臓器分節の最先端の精度を達成し、過去の最高性能を上回った。
論文 参考訳（メタデータ） (2022-04-16T18:00:29Z) - A unified 3D framework for Organs at Risk Localization and Segmentation
for Radiation Therapy Planning [56.52933974838905]
現在の医療ワークフローは、OAR(Organs-at-risk)のマニュアル記述を必要とする
本研究は,OARローカライゼーション・セグメンテーションのための統合された3Dパイプラインの導入を目的とする。
提案手法は医用画像に固有の3Dコンテキスト情報の活用を可能にする。
論文 参考訳（メタデータ） (2022-03-01T17:08:41Z) - Dual Shape Guided Segmentation Network for Organs-at-Risk in Head and
Neck CT Images [18.96016069277052]
頭頸部CT画像において,9つの重要な臓器-リスク (OAR) を自動デライン化するための新しい二重形状ガイドネットワーク(DSGnet)を提案する。
臓器特異的逆距離マップ(UIDM)を用いたCT画像におけるOARの大きな形状変化と境界の曖昧さに対処するため,臓器形状を表現した。
9つの重要なOARに対して0.842のDice similarity Coefficient(DSC)の総合値は、デライン化品質を改善し、時間的コストを低減させる大きな可能性を示している。
論文 参考訳（メタデータ） (2021-10-23T10:53:37Z) - Automatic size and pose homogenization with spatial transformer network
to improve and accelerate pediatric segmentation [51.916106055115755]
空間変換器ネットワーク(STN)を利用することにより、ポーズとスケール不変の新たなCNNアーキテクチャを提案する。
私たちのアーキテクチャは、トレーニング中に一緒に見積もられる3つのシーケンシャルモジュールで構成されています。
腹部CTスキャナーを用いた腎および腎腫瘍の分節法について検討した。
論文 参考訳（メタデータ） (2021-07-06T14:50:03Z) - 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) - A Global Benchmark of Algorithms for Segmenting Late Gadolinium-Enhanced
Cardiac Magnetic Resonance Imaging [90.29017019187282]
現在世界最大の心臓LGE-MRIデータセットである154個の3D LGE-MRIを用いた「2018 left Atrium Challenge」。
技術および生物学的指標を用いた提案アルゴリズムの解析を行った。
その結果, 最上部法は93.2%, 平均表面は0.7mmであった。
論文 参考訳（メタデータ） (2020-04-26T08:49:17Z)
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。