論文の概要: ConUNETR: A Conditional Transformer Network for 3D Micro-CT Embryonic Cartilage Segmentation

• arxiv url: http://arxiv.org/abs/2402.03695v1
• Date: Tue, 6 Feb 2024 04:30:49 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-07 16:45:40.626836
• Title: ConUNETR: A Conditional Transformer Network for 3D Micro-CT Embryonic Cartilage Segmentation
• Title（参考訳）: ConUNETR:3次元マイクロCT軟骨分割のためのコンディショナルトランスフォーマネットワーク
• Authors: Nishchal Sapkota, Yejia Zhang, Susan M. Motch Perrine, Yuhan Hsi, Sirui Li, Meng Wu, Greg Holmes, Abdul R. Abdulai, Ethylin W. Jabs, Joan T. Richtsmeier, Danny Z Chen
• Abstract要約: 本研究では, 形態学的に多様な情報を条件付き機構で蒸留するトランスフォーマーを用いた新しいセグメンテーションモデルを提案する。 実験では,他の競合セグメンテーションモデルと比較して,新しいモデルの優位性を示した。
• 参考スコア（独自算出の注目度）: 13.497950682194704
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Studying the morphological development of cartilaginous and osseous structures is critical to the early detection of life-threatening skeletal dysmorphology. Embryonic cartilage undergoes rapid structural changes within hours, introducing biological variations and morphological shifts that limit the generalization of deep learning-based segmentation models that infer across multiple embryonic age groups. Obtaining individual models for each age group is expensive and less effective, while direct transfer (predicting an age unseen during training) suffers a potential performance drop due to morphological shifts. We propose a novel Transformer-based segmentation model with improved biological priors that better distills morphologically diverse information through conditional mechanisms. This enables a single model to accurately predict cartilage across multiple age groups. Experiments on the mice cartilage dataset show the superiority of our new model compared to other competitive segmentation models. Additional studies on a separate mice cartilage dataset with a distinct mutation show that our model generalizes well and effectively captures age-based cartilage morphology patterns.
• Abstract（参考訳）: 軟骨および骨構造の形態発達の研究は、生命を脅かす骨格形態の早期発見に不可欠である。 胚軟骨は数時間以内に急速な構造変化を起こし、複数の胚年齢層にわたって推測される深層学習に基づくセグメンテーションモデルの一般化を制限する生物学的変異と形態変化をもたらす。 年齢グループごとに個別のモデルを取得することは高価で効果が低いが、直接転送(トレーニング中に見えない年齢を予測する)は形態変化による潜在的なパフォーマンス低下に悩まされる。 本研究では, 形態学的に多様な情報を条件付き機構で蒸留するトランスフォーマーを用いた新しいセグメンテーションモデルを提案する。 これにより、1つのモデルが複数の年齢グループで正確に軟骨を予測できる。 実験では,他の競合セグメンテーションモデルと比較して,新しいモデルの優位性を示した。 異なる変異を持つマウス軟骨データセットに関するさらなる研究は、モデルが良好に一般化し、年齢ベースの軟骨形態パターンを効果的に捉えていることを示している。

関連論文リスト

• UniCoN: Universal Conditional Networks for Multi-Age Embryonic Cartilage Segmentation with Sparsely Annotated Data [13.379161180001303]
  骨軟骨異形成症は、新生児の2-3%に影響を及ぼし、骨と軟骨の障害の集団である。 この病気に関する現在の研究は、胚性マウスの3DマイクロCT画像において、発育する軟骨を正確にセグメント化することを含んでいる。 本研究では, 軟骨形状変化の正確な表現を可能にするために, 個別の年齢区分と連続的な画像作物位置の2つの新しいメカニズムを提案する。
  論文  参考訳（メタデータ） (2024-10-16T21:06:55Z)
• Adapting Mouse Pathological Model to Human Glomerular Lesion Segmentation [13.209051765045512]
  マウスモデルを用いたヒト腎病変の細粒化の深層学習研究であるGLAMを紹介した。 ゼロショット・トランスファー・ラーニングとハイブリッド・ラーニングを用いて,ヒトの病理病変のセグメンテーションのための異なる学習戦略を評価する。
  論文  参考訳（メタデータ） (2024-07-25T20:47:43Z)
• The effect of data augmentation and 3D-CNN depth on Alzheimer's Disease detection [51.697248252191265]
  この研究は、データハンドリング、実験設計、モデル評価に関するベストプラクティスを要約し、厳密に観察する。 我々は、アルツハイマー病(AD)の検出に焦点を当て、医療における課題のパラダイム的な例として機能する。 このフレームワークでは,3つの異なるデータ拡張戦略と5つの異なる3D CNNアーキテクチャを考慮し,予測15モデルを訓練する。
  論文  参考訳（メタデータ） (2023-09-13T10:40:41Z)
• Brain Tissue Segmentation Across the Human Lifespan via Supervised Contrastive Learning [34.82366750668948]
  深層学習モデルを用いて,脳組織をヒトの寿命全体(0～100歳)に分割する試みを初めて行った。 我々のモデルは脳組織を正確に分割し、既存の方法より優れています。
  論文  参考訳（メタデータ） (2023-01-03T21:54:17Z)
• Using machine learning on new feature sets extracted from 3D models of broken animal bones to classify fragments according to break agent [53.796331564067835]
  ホミニン骨破壊による骨片と肉食動物による骨片の識別を目的とした骨折パターン解析への新しいアプローチを提案する。 この方法では、断片的な骨の3Dモデルを用いて、これまで骨折パターン解析に使用されていた特徴セットよりも透明性が高くレプリカ性の高いデータセットを抽出する。 監視された機械学習アルゴリズムは、骨断片を破片のエージェントに従って適切に分類するために使用され、平均的精度はテスト全体で77%である。
  論文  参考訳（メタデータ） (2022-05-20T20:16:21Z)
• Distinguishing Healthy Ageing from Dementia: a Biomechanical Simulation of Brain Atrophy using Deep Networks [5.411313268782566]
  健常成人およびアルツハイマー病における脳萎縮の超弾性ひずみモデリングのためのディープラーニングフレームワークについて述べる。 このフレームワークは、年齢、疾患状態、スキャン間隔の影響を直接モデル化し、ストレインベースモデルが変形を推定する萎縮の局所パターンを回帰する。 その結果、このフレームワークはアルツハイマー病の既知の経過に従って現実的な変形を推定でき、老化の健康パターンと老化パターンを明確に区別できることがわかった。
  論文  参考訳（メタデータ） (2021-08-18T15:58:53Z)
• A Diffeomorphic Aging Model for Adult Human Brain from Cross-Sectional Data [3.2188961353850187]
  そこで本稿では,異なる時点の被験者の画像を用いて,与えられた人口の老化モデルを構築する手法を提案する。 提案手法は,2つの公開断面データセット上で有効に検証される。
  論文  参考訳（メタデータ） (2021-06-28T10:04:05Z)
• Relational Subsets Knowledge Distillation for Long-tailed Retinal Diseases Recognition [65.77962788209103]
  本研究では,長尾データを知識に基づいて複数のクラスサブセットに分割し,クラスサブセット学習を提案する。 モデルがサブセット固有の知識の学習に集中するように強制する。 提案手法は長期網膜疾患認識タスクに有効であることが判明した。
  論文  参考訳（メタデータ） (2021-04-22T13:39:33Z)
• Epigenetic evolution of deep convolutional models [81.21462458089142]
  我々は、より深い畳み込みモデルを進化させるために、これまで提案されていた神経進化の枠組みを構築した。 異なる形状と大きさのカーネルを同一層内に共存させる畳み込み層配置を提案する。 提案したレイアウトにより、畳み込み層内の個々のカーネルのサイズと形状を、対応する新しい突然変異演算子で進化させることができる。
  論文  参考訳（メタデータ） (2021-04-12T12:45:16Z)
• Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype Prediction [55.94378672172967]
  本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。 新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。 我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
  論文  参考訳（メタデータ） (2020-09-02T02:50:30Z)
• Constrained Multi-shape Evolution for Overlapping Cytoplasm Segmentation [49.992392231966015]
  本稿では,制約型多形進化という,新しい,効果的形状の先進的アプローチを提案する。 クランプ内のすべての重なり合う細胞質を同時に分割し、モデル化された形状によって誘導される各細胞質の形状を共同で進化させる。 形状進化においては, 局所形状前兆だけでなく, 大域形状前兆も導入することにより, セグメンテーションの強度不足を補う。
  論文  参考訳（メタデータ） (2020-04-08T09:08:07Z)

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。