論文の概要: CT-based Anatomical Segmentation for Thoracic Surgical Planning: A
Benchmark Study for 3D U-shaped Deep Learning Models
- arxiv url: http://arxiv.org/abs/2402.03230v1
- Date: Mon, 5 Feb 2024 17:43:02 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-06 14:31:00.296697
- Title: CT-based Anatomical Segmentation for Thoracic Surgical Planning: A
Benchmark Study for 3D U-shaped Deep Learning Models
- Title(参考訳): 胸部手術計画のためのct-based anatomical segmentation:3次元u字型深層学習モデルのベンチマーク研究
- Authors: Arash Harirpoush, Amirhossein Rasoulian, Marta Kersten-Oertel, and
Yiming Xiao
- Abstract要約: 3次元U型モデルの変種に関する最初のベンチマーク研究を行う。
本研究では,異なる注意機構,解像度ステージ数,ネットワーク構成がセグメンテーション精度および計算複雑性に与える影響について検討した。
- 参考スコア(独自算出の注目度): 0.8897689150430447
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Recent rising interests in patient-specific thoracic surgical planning and
simulation require efficient and robust creation of digital anatomical models
from automatic medical image segmentation algorithms. Deep learning (DL) is now
state-of-the-art in various radiological tasks, and U-shaped DL models have
particularly excelled in medical image segmentation since the inception of the
2D UNet. To date, many variants of U-shaped models have been proposed by the
integration of different attention mechanisms and network configurations.
Leveraging the recent development of large multi-label databases, systematic
benchmark studies for these models can provide valuable insights for clinical
deployment and future model designs, but such studies are still rare. We
conduct the first benchmark study for variants of 3D U-shaped models (3DUNet,
STUNet, AttentionUNet, SwinUNETR, FocalSegNet, and a novel 3D SwinUnet with
four variants) with a focus on CT-based anatomical segmentation for thoracic
surgery. Our study systematically examines the impact of different attention
mechanisms, number of resolution stages, and network configurations on
segmentation accuracy and computational complexity. To allow cross-reference
with other recent benchmarking studies, we also included a performance
assessment of the BTCV abdominal structural segmentation. With the STUNet
ranking at the top, our study demonstrated the value of CNN-based U-shaped
models for the investigated tasks and the benefit of residual blocks in network
configuration designs to boost segmentation performance.
- Abstract(参考訳): 最近の患者特有の胸部手術計画とシミュレーションへの関心の高まりは、自動医用画像分割アルゴリズムからデジタル解剖モデルの効率的かつ堅牢な作成を必要とする。
深層学習(DL)は現在,様々な放射線学課題において最先端であり,U字型DLモデルは2D UNetの登場以来,特に医用画像のセグメンテーションに優れてきた。
これまで、様々な注意機構とネットワーク構成の統合により、u型モデルの多くの変種が提案されてきた。
近年の大規模マルチラベルデータベースの活用により、これらのモデルの体系的なベンチマーク研究は、臨床展開や将来のモデル設計に貴重な洞察を与えることができるが、これらの研究はいまだに稀である。
胸椎手術におけるCTベースの解剖学的セグメント化に着目した3D U-shaped model(DUNet, STUNet, AttentionUNet, SwinUNETR, FocalSegNet, および新しい3D SwinUnet)の変種に関する最初のベンチマーク研究を行った。
本研究では,セグメンテーション精度と計算複雑性に対する注意機構,解決段階数,ネットワーク構成の影響を体系的に検討する。
また,他のベンチマーク研究と相互参照できるように,BTCV腹壁構造セグメンテーションの性能評価を行った。
上位のSTUNetでは,CNNをベースとしたU字型モデルの課題に対する価値と,セグメント化性能を高めるためのネットワーク構成設計における残留ブロックの利点が示された。
関連論文リスト
- Unlocking the Heart Using Adaptive Locked Agnostic Networks [4.613517417540153]
医用画像アプリケーションのためのディープラーニングモデルの教師付きトレーニングには、かなりの量のラベル付きデータが必要である。
この制限に対処するため、Adaptive Locked Agnostic Network (ALAN)を導入する。
ALANは、大きなバックボーンモデルを用いて、堅牢なセマンティック・セグメンテーションを生成する自己教師付き視覚特徴抽出を含む。
自監督型背骨モデルでは, 心臓の解剖学的部分領域を円錐四面体視で強く同定することがわかった。
論文 参考訳(メタデータ) (2023-09-21T09:06:36Z) - LVM-Med: Learning Large-Scale Self-Supervised Vision Models for Medical
Imaging via Second-order Graph Matching [59.01894976615714]
LVM-Medは、大規模医療データセットに基づいてトレーニングされた、最初のディープネットワークファミリーである。
55の公開データセットから約13万の医療画像を収集しました。
LVM-Medは、多くの最先端の教師付き、自己監督型、基礎モデルよりも経験的に優れている。
論文 参考訳(メタデータ) (2023-06-20T22:21:34Z) - LegoNet: Alternating Model Blocks for Medical Image Segmentation [0.7550390281305251]
我々は、レゴブロックを組み立てる方法を模倣して、新しいアーキテクチャを生成するために、構造的に異なるブロックの種類を交互に提案する。
CNNベースの2つのブロックとSwinViTベースのブロックを用いて、医療画像における分割タスクにブロック変更という新しい概念を適用した、いわゆるLegoNetの3つのバリエーションを調査した。
論文 参考訳(メタデータ) (2023-06-06T08:22:47Z) - S3M: Scalable Statistical Shape Modeling through Unsupervised
Correspondences [91.48841778012782]
本研究では,集団解剖学における局所的および大域的形状構造を同時に学習するための教師なし手法を提案する。
我々のパイプラインは、ベースライン法と比較して、SSMの教師なし対応推定を大幅に改善する。
我々の手法は、ノイズの多いニューラルネットワーク予測から学ぶのに十分堅牢であり、より大きな患者にSSMを拡張できる可能性がある。
論文 参考訳(メタデータ) (2023-04-15T09:39:52Z) - Comparing Adversarial and Supervised Learning for Organs at Risk
Segmentation in CT images [0.0]
放射線治療ワークフローの重要な構成要素は、CTスキャンからのOrgan at Risk (OAR)セグメンテーションである。
本稿では,GAN(Generative Adversarial Networks)の性能について,CT画像からOARをセグメント化するための教師付き学習手法と比較して検討する。
結果は非常に有望であり、提案されたGANベースのアプローチがCNNベースのアプローチと似ているか、あるいは優れていることを示している。
論文 参考訳(メタデータ) (2023-03-31T10:10:05Z) - CLIP-Driven Universal Model for Organ Segmentation and Tumor Detection [36.08551407926805]
本稿では,Contrastive Language-Image Pre-trainingから学習したテキストをセグメンテーションモデルに組み込んだCLIP駆動ユニバーサルモデルを提案する。
提案モデルは14のデータセットから作成され、合計3,410個のCTスキャンを使用してトレーニングを行い、さらに3つの追加データセットから6,162個の外部CTスキャンで評価する。
論文 参考訳(メタデータ) (2023-01-02T18:07:44Z) - Deep Implicit Statistical Shape Models for 3D Medical Image Delineation [47.78425002879612]
解剖学的構造の3次元デライン化は、医用画像解析の基本的な目標である。
ディープラーニング以前は、解剖学的制約を課し高品質の表面を作り出す統計的形状モデルはコア技術だった。
我々は,CNNの表現力とSSMの頑健さを合体させるデライン化の新しい手法であるディープ暗黙的統計的形状モデル(DISSMs)を提案する。
論文 参考訳(メタデータ) (2021-04-07T01:15:06Z) - TSGCNet: Discriminative Geometric Feature Learning with Two-Stream
GraphConvolutional Network for 3D Dental Model Segmentation [141.2690520327948]
2流グラフ畳み込みネットワーク(TSGCNet)を提案し、異なる幾何学的特性から多視点情報を学ぶ。
3次元口腔内スキャナーで得られた歯科モデルのリアルタイムデータセットを用いてTSGCNetの評価を行った。
論文 参考訳(メタデータ) (2020-12-26T08:02:56Z) - Few-shot Medical Image Segmentation using a Global Correlation Network
with Discriminative Embedding [60.89561661441736]
医療画像分割のための新しい手法を提案する。
深層畳み込みネットワークを用いた数ショット画像セグメンタを構築します。
深層埋め込みの識別性を高め,同一クラスの特徴領域のクラスタリングを促進する。
論文 参考訳(メタデータ) (2020-12-10T04:01:07Z) - Bidirectional RNN-based Few Shot Learning for 3D Medical Image
Segmentation [11.873435088539459]
対象臓器アノテーションの限られたトレーニングサンプルを用いて, 正確な臓器分類を行うための3次元ショットセグメンテーションフレームワークを提案する。
U-Netのようなネットワークは、サポートデータの2次元スライスとクエリイメージの関係を学習することでセグメンテーションを予測するように設計されている。
異なる臓器のアノテーションを付加した3つの3次元CTデータセットを用いて,提案モデルの評価を行った。
論文 参考訳(メタデータ) (2020-11-19T01:44:55Z) - Rethinking the Extraction and Interaction of Multi-Scale Features for
Vessel Segmentation [53.187152856583396]
網膜血管と主要動脈を2次元基底画像と3次元CTアンギオグラフィー(CTA)スキャンで分割する,PC-Netと呼ばれる新しいディープラーニングモデルを提案する。
PC-Netでは、ピラミッド圧縮励起(PSE)モジュールが各畳み込みブロックに空間情報を導入し、より効果的なマルチスケール特徴を抽出する能力を高めている。
論文 参考訳(メタデータ) (2020-10-09T08:22:54Z)
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。