論文の概要: Deep Supervision by Gaussian Pseudo-label-based Morphological Attention
for Abdominal Aorta Segmentation in Non-Contrast CTs
- arxiv url: http://arxiv.org/abs/2402.02514v1
- Date: Sun, 4 Feb 2024 14:59:31 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-06 19:12:24.560844
- Title: Deep Supervision by Gaussian Pseudo-label-based Morphological Attention
for Abdominal Aorta Segmentation in Non-Contrast CTs
- Title（参考訳）: 非コントラストctにおける腹部大動脈分画に対するgaussian pseudo-labelによる形態的注意
- Authors: Qixiang Ma, Antoine Lucas, Adrien Kaladji, Pascal Haigron
- Abstract要約: 本稿では, フォロジカル・アテンション(MA)向上を実現するため, 従来の深層学習モデルに統合されたガウス的擬似ラベルを提案する。
様々な2D/3D深層学習モデルで導入され,5749個のCTスライスからなる30個の非コントラストCTボリュームの局所データセット上で検証された。
- 参考スコア（独自算出の注目度）: 0.11916956807881575
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: The segmentation of the abdominal aorta in non-contrast CT images is a
non-trivial task for computer-assisted endovascular navigation, particularly in
scenarios where contrast agents are unsuitable. While state-of-the-art deep
learning segmentation models have been proposed recently for this task, they
are trained on manually annotated strong labels. However, the inherent
ambiguity in the boundary of the aorta in non-contrast CT may undermine the
reliability of strong labels, leading to potential overfitting risks. This
paper introduces a Gaussian-based pseudo label, integrated into conventional
deep learning models through deep supervision, to achieve Morphological
Attention (MA) enhancement. As the Gaussian pseudo label retains the
morphological features of the aorta without explicitly representing its
boundary distribution, we suggest that it preserves aortic morphology during
training while mitigating the negative impact of ambiguous boundaries, reducing
the risk of overfitting. It is introduced in various 2D/3D deep learning models
and validated on our local data set of 30 non-contrast CT volumes comprising
5749 CT slices. The results underscore the effectiveness of MA in preserving
the morphological characteristics of the aorta and addressing overfitting
concerns, thereby enhancing the performance of the models.
- Abstract（参考訳）: 非コントラストCT画像における腹部大動脈の分節化は、特に造影剤が不適な場合において、コンピュータによる血管内ナビゲーションの簡単な作業である。
最先端のディープラーニングセグメンテーションモデルが最近提案されているが、手作業で注釈付き強いラベルでトレーニングされている。
しかし,非造影CTでは大動脈の境界の曖昧さが強いラベルの信頼性を損なう可能性があり,過度に適合する危険性がある。
本稿では, フォロジカル・アテンション(MA)向上を実現するため, 従来の深層学習モデルに統合されたガウス的擬似ラベルを提案する。
ガウスの擬似ラベルはその境界分布を明示することなく大動脈の形態的特徴を保っているため,不明瞭な境界の負の影響を緩和し,過適合のリスクを軽減しつつ,訓練中の大動脈形態を保っていることを示唆する。
様々な2D/3D深層学習モデルで導入され,5749個のCTスライスからなる30個の非コントラストCTボリュームの局所データセット上で検証された。
その結果,maは大動脈の形態的特徴を保存し,過度に適合する懸念に対処し,モデルの性能を高めた。
関連論文リスト
- Diffusion Models with Implicit Guidance for Medical Anomaly Detection [13.161402789616004]
組織再生のための時間的調和 (THOR) は, 病態の影響を受けない領域における健全な組織の整合性を維持することを目的としている。
相対的な評価では、THORは、脳MRIと手首X線における異常の検出とセグメンテーションにおいて、既存の拡散に基づく手法を超越している。
論文 参考訳（メタデータ） (2024-03-13T12:26:55Z) - Beyond Strong labels: Weakly-supervised Learning Based on Gaussian Pseudo Labels for The Segmentation of Ellipse-like Vascular Structures in Non-contrast CTs [4.765753560367118]
本稿では,CTスキャンにおける血管構造に基づく深層学習のための弱教師付きフレームワークを提案する。
提案手法の有効性を1つのローカルデータセットと2つのパブリックデータセットで評価する。
論文 参考訳（メタデータ） (2024-02-05T20:08:53Z) - Thoracic Cartilage Ultrasound-CT Registration using Dense Skeleton Graph [49.11220791279602]
一般的なアトラスから個々の患者への計画された経路を正確にマッピングすることは困難である。
アトラスから現在の設定へ計画されたパスを転送できるように、グラフベースの非厳密な登録を提案する。
論文 参考訳（メタデータ） (2023-07-07T18:57:21Z) - The Topology-Overlap Trade-Off in Retinal Arteriole-Venule Segmentation [0.0]
畳み込みニューラルネットワークは 予測と専門家のアノテーションの 高い重複を達成できる
オーバーラップの観点から,本モデルが最先端技術と同等の結果を得られることを示す。
論文 参考訳（メタデータ） (2023-03-31T13:01:05Z) - 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) - Anatomically constrained CT image translation for heterogeneous blood
vessel segmentation [3.88838725116957]
造影CT(ceCT)画像の解剖学的構造は, 造影剤拡散の変動により, 分画が困難になる可能性がある。
放射線線量を制限するために、生成モデルは1つのモダリティを合成するために用いられる。
CycleGANは、ペアデータの必要性を軽減するため、特に注目を集めている。
本稿では,高忠実度画像を生成するためのCycleGANの拡張について述べる。
論文 参考訳（メタデータ） (2022-10-04T16:14:49Z) - Boundary Guided Semantic Learning for Real-time COVID-19 Lung Infection
Segmentation System [69.40329819373954]
新型コロナウイルス(COVID-19)は、世界中の医療システムに悪影響を及ぼし続けている。
現段階では、新型コロナウイルスの診断と治療には、CT画像から肺感染症領域を自動的に分離することが不可欠である。
本稿では,境界案内型セマンティックラーニングネットワーク(BSNet)を提案する。
論文 参考訳（メタデータ） (2022-09-07T05:01:38Z) - Pseudo-Label Guided Multi-Contrast Generalization for Non-Contrast
Organ-Aware Segmentation [21.792652078631868]
本研究では,非コントラストのセグメンテーションをゼロトラストラベルなしで計算するための教師なし手法を提案する。
生成的敵対的アプローチとは違って,CECTを用いて一対の形態的文脈を計算し,教師の指導を行う。
コントラストとコントラストを併用したCTスキャンによる多臓器分画に対するアプローチを検証した。
論文 参考訳（メタデータ） (2022-05-12T06:36:33Z) - Symmetry-Enhanced Attention Network for Acute Ischemic Infarct
Segmentation with Non-Contrast CT Images [50.55978219682419]
急性虚血性梗塞セグメンテーションのための対称性増強型注意ネットワーク(SEAN)を提案する。
提案するネットワークは、入力されたCT画像を、脳組織が左右対称な標準空間に自動的に変換する。
提案したSEANは、ダイス係数と梗塞局所化の両方の観点から、対称性に基づく最先端の手法より優れている。
論文 参考訳（メタデータ） (2021-10-11T07:13:26Z) - Dual-Consistency Semi-Supervised Learning with Uncertainty
Quantification for COVID-19 Lesion Segmentation from CT Images [49.1861463923357]
CT画像を用いた半監視型COVID-19病変分割のための不確実性誘導型二重一貫性学習ネットワーク(UDC-Net)を提案する。
提案した UDC-Net は,Dice の完全教師方式を 6.3% 向上させ,他の競合的半監督方式を有意なマージンで上回っている。
論文 参考訳（メタデータ） (2021-04-07T16:23:35Z) - Inf-Net: Automatic COVID-19 Lung Infection Segmentation from CT Images [152.34988415258988]
CT画像からの肺感染症の自動検出は、新型コロナウイルスに対処するための従来の医療戦略を強化する大きな可能性を秘めている。
CTスライスから感染領域を分割することは、高い感染特性の変化、感染と正常な組織の間の低強度のコントラストなど、いくつかの課題に直面している。
これらの課題に対処するため, 胸部CTスライスから感染部位を自動的に同定する, 新型のCOVID-19 Deep Lung infection Network (Inf-Net) が提案されている。
論文 参考訳（メタデータ） (2020-04-22T07:30:56Z)
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。