論文の概要: Make it more specific: A novel uncertainty based airway segmentation application on 3D U-Net and its variants

• arxiv url: http://arxiv.org/abs/2402.07403v1
• Date: Mon, 12 Feb 2024 04:40:19 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-13 15:45:15.360747
• Title: Make it more specific: A novel uncertainty based airway segmentation application on 3D U-Net and its variants
• Title（参考訳）: より具体的に言うと:3d u-netとその変種に基づく新しい不確実性に基づく気道セグメンテーションアプリケーション
• Authors: Shiyi Wang, Yang Nan, Felder Federico N, Sheng Zhang, Walsh Simon L F, Guang Yang
• Abstract要約: 医用セグメンテーションにおける最も一般的なアルゴリズムである3D U-Netとその変種は、肺気管セグメンテーションのタスクを直接実装することができる。 最先端のDLアルゴリズムがバニラ3D U-Net構造であるため、研究ギャップが存在する。 本稿では, 分岐レベルU-Net(B-UNet)と分岐レベルCE-UNet(B-CE-UNet)の2つの異なるネットワーク構造を提案する。
• 参考スコア（独自算出の注目度）: 7.510433578643361
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Each medical segmentation task should be considered with a specific AI algorithm based on its scenario so that the most accurate prediction model can be obtained. The most popular algorithms in medical segmentation, 3D U-Net and its variants, can directly implement the task of lung trachea segmentation, but its failure to consider the special tree-like structure of the trachea suggests that there is much room for improvement in its segmentation accuracy. Therefore, a research gap exists because a great amount of state-of-the-art DL algorithms are vanilla 3D U-Net structures, which do not introduce the various performance-enhancing modules that come with special natural image modality in lung airway segmentation. In this paper, we proposed two different network structures Branch-Level U-Net (B-UNet) and Branch-Level CE-UNet (B-CE-UNet) which are based on U-Net structure and compared the prediction results with the same dataset. Specially, both of the two networks add branch loss and central line loss to learn the feature of fine branch endings of the airways. Uncertainty estimation algorithms are also included to attain confident predictions and thereby, increase the overall trustworthiness of our whole model. In addition, predictions of the lung trachea based on the maximum connectivity rate were calculated and extracted during post-processing for segmentation refinement and pruning.
• Abstract（参考訳）: それぞれの医療セグメンテーションタスクは、そのシナリオに基づいて特定のAIアルゴリズムで考慮し、最も正確な予測モデルを得ることができるようにすべきである。 医学的セグメンテーションにおける最も一般的なアルゴリズムである3d u-netとその変種は、肺気管セグメンテーションのタスクを直接実装することができるが、気管の特別な木のような構造を考慮せず、そのセグメンテーション精度を改善する余地があることを示唆している。 したがって、最先端のDLアルゴリズムがバニラ3D U-Net構造であるため、肺気道セグメンテーションにおいて特別な自然な画像モダリティを持つ様々なパフォーマンス向上モジュールは導入されないため、研究ギャップが存在する。 本稿では, 分岐レベルU-Net(B-UNet)と分岐レベルCE-UNet(B-CE-UNet)の2つの異なるネットワーク構造を提案し, 予測結果を同じデータセットと比較した。 特に、二つのネットワークは、気道の細かい分岐端の特徴を学ぶために、分岐損失と中央線損失を追加する。 不確実性推定アルゴリズムも、自信のある予測を達成し、モデル全体の信頼性を高めるために含まれています。 また, 肺気管の最大接続率に基づく予測を計算し, 分節精細化と刈り取りのための後処理中に抽出した。

関連論文リスト

• Leveraging Frequency Domain Learning in 3D Vessel Segmentation [50.54833091336862]
  本研究では,Fourier領域学習を3次元階層分割モデルにおけるマルチスケール畳み込みカーネルの代用として活用する。 管状血管分割作業において,新しいネットワークは顕著なサイス性能(ASACA500が84.37%,ImageCASが80.32%)を示した。
  論文  参考訳（メタデータ） (2024-01-11T19:07:58Z)
• Improved distinct bone segmentation in upper-body CT through multi-resolution networks [0.39583175274885335]
  上半身CTと異なる骨分画では、大きな視野と計算的な3Dアーキテクチャが必要とされる。 これにより、空間的コンテキストの欠如により、細部や局所的な誤差を欠いた低解像度な結果が得られる。 本稿では,異なる解像度で動作する複数の3次元U-Netを組み合わせたエンドツーエンドのトレーニング可能なセグメンテーションネットワークを提案する。
  論文  参考訳（メタデータ） (2023-01-31T14:46:16Z)
• 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)
• Enhancing Organ at Risk Segmentation with Improved Deep Neural Networks [4.634996573496653]
  本稿では,U-Netのアーキテクチャ変更による精度の向上と一般化特性について述べる。 拡張セグメンテーションモデルには、損失関数の(a)構造的変化、(b)最適化フレームワーク、(c)畳み込み型が含まれる。
  論文  参考訳（メタデータ） (2022-02-03T21:55:16Z)
• Inconsistency-aware Uncertainty Estimation for Semi-supervised Medical Image Segmentation [92.9634065964963]
  我々は、不確実性推定と個別の自己学習戦略に基づいて、新しい半教師付きセグメンテーションモデル、すなわち保守的ラディカルネットワーク(CoraNet)を提案する。 現在の技術と比較すると、ColaNetは優れたパフォーマンスを示しています。
  論文  参考訳（メタデータ） (2021-10-17T08:49:33Z)
• An Uncertainty-Driven GCN Refinement Strategy for Organ Segmentation [53.425900196763756]
  本研究では,不確実性解析とグラフ畳み込みネットワークに基づくセグメンテーション改善手法を提案する。 半教師付きグラフ学習問題を定式化するために、特定の入力ボリュームにおける畳み込みネットワークの不確実性レベルを用いる。 本手法は膵臓で1%,脾臓で2%向上し,最先端のCRF改善法よりも優れていた。
  論文  参考訳（メタデータ） (2020-12-06T18:55:07Z)
• Collaborative Boundary-aware Context Encoding Networks for Error Map Prediction [65.44752447868626]
  本稿では,AEP-Net と呼ばれる協調的コンテキスト符号化ネットワークを提案する。 具体的には、画像とマスクのより優れた特徴融合のための協調的な特徴変換分岐と、エラー領域の正確な局所化を提案する。 AEP-Netはエラー予測タスクの平均DSCが0.8358,0.8164であり、ピアソン相関係数が0.9873である。
  論文  参考訳（メタデータ） (2020-06-25T12:42:01Z)
• Learning Robust Feature Representations for Scene Text Detection [0.0]
  本稿では、条件付きログを最大化するために、損失から導かれるネットワークアーキテクチャを提案する。 潜伏変数の層を複数の層に拡張することで、ネットワークは大規模に堅牢な機能を学ぶことができる。 実験では,提案アルゴリズムはリコール法と精度の両面で最先端の手法を著しく上回っている。
  論文  参考訳（メタデータ） (2020-05-26T01:06:47Z)
• MetricUNet: Synergistic Image- and Voxel-Level Learning for Precise CT Prostate Segmentation via Online Sampling [66.01558025094333]
  本稿では,前立腺領域を高速に局在させる第1段階と,前立腺領域を正確に区分する第2段階の2段階のフレームワークを提案する。 マルチタスクネットワークにおけるボクセルワイドサンプリングによる新しいオンラインメトリック学習モジュールを提案する。 本手法は,従来のクロスエントロピー学習法やDice損失学習法と比較して,より代表的なボクセルレベルの特徴を効果的に学習することができる。
  論文  参考訳（メタデータ） (2020-05-15T10:37:02Z)
• Unpaired Multi-modal Segmentation via Knowledge Distillation [77.39798870702174]
  本稿では,不対向画像分割のための新しい学習手法を提案する。 提案手法では,CTおよびMRI間での畳み込みカーネルの共有により,ネットワークパラメータを多用する。 我々は2つの多クラスセグメンテーション問題に対するアプローチを広範囲に検証した。
  論文  参考訳（メタデータ） (2020-01-06T20:03:17Z)

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。