論文の概要: AnatoMix: Anatomy-aware Data Augmentation for Multi-organ Segmentation

• arxiv url: http://arxiv.org/abs/2403.03326v1
• Date: Tue, 5 Mar 2024 21:07:50 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-07 16:56:56.588387
• Title: AnatoMix: Anatomy-aware Data Augmentation for Multi-organ Segmentation
• Title（参考訳）: AnatoMix: マルチ組織セグメンテーションのための解剖学的データ拡張
• Authors: Chang Liu, Fuxin Fan, Annette Schwarz, Andreas Maier
• Abstract要約: 本稿では,多臓器セグメンテーションデータセットの一般化性を高めるための新しいデータ拡張戦略を提案する。 オブジェクトレベルのマッチングと操作により,本手法は解剖学的に正しい画像を生成することができる。 拡張法は, ベースライン法74.8と比較して76.1ディスとなる。
• 参考スコア（独自算出の注目度）: 6.471203541258319
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Multi-organ segmentation in medical images is a widely researched task and can save much manual efforts of clinicians in daily routines. Automating the organ segmentation process using deep learning (DL) is a promising solution and state-of-the-art segmentation models are achieving promising accuracy. In this work, We proposed a novel data augmentation strategy for increasing the generalizibility of multi-organ segmentation datasets, namely AnatoMix. By object-level matching and manipulation, our method is able to generate new images with correct anatomy, i.e. organ segmentation mask, exponentially increasing the size of the segmentation dataset. Initial experiments have been done to investigate the segmentation performance influenced by our method on a public CT dataset. Our augmentation method can lead to mean dice of 76.1, compared with 74.8 of the baseline method.
• Abstract（参考訳）: 医療画像におけるマルチオルガンセグメンテーションは広く研究されており、日常的な臨床医の作業の多くを省くことができる。 深層学習(DL)を用いた臓器分節プロセスの自動化は有望な解決策であり,最先端の分節モデルは有望な精度を実現している。 本研究では,多臓器セグメンテーションデータセット,すなわちAnatoMixの一般化性を高めるための新しいデータ拡張戦略を提案する。 オブジェクトレベルのマッチングと操作により,臓器のセグメンテーションマスクなどの解剖学的に正しい画像を生成することができ,セグメンテーションデータセットのサイズが指数関数的に大きくなる。 公開ctデータセットのセグメンテーション性能に影響を及ぼすセグメンテーション性能について,初期実験を行った。 拡張法は, ベースライン法74.8と比較して76.1ディスとなる。

関連論文リスト

• A Novel Momentum-Based Deep Learning Techniques for Medical Image Classification and Segmentation [3.268679466097746]
  医療画像から臓器を正確に分割することは、コンピュータによる診断と介入計画にとって重要な前提条件である。 本研究は,CTおよびMRIスキャンから様々な臓器を抽出し,疾患を分類するための深層学習に基づくアプローチを提案する。
  論文  参考訳（メタデータ） (2024-08-11T04:12:35Z)
• Tailored Multi-Organ Segmentation with Model Adaptation and Ensemble [22.82094545786408]
  マルチ組織セグメンテーションは、医用画像解析の基本的な課題である。 高価な労働コストと専門知識のため、多臓器アノテーションの入手は通常制限される。 本稿では,モデル適応段とモデルアンサンブル段からなる新しい2段法を提案する。
  論文  参考訳（メタデータ） (2023-04-14T13:39:39Z)
• Learning from partially labeled data for multi-organ and tumor segmentation [102.55303521877933]
  本稿では,トランスフォーマーに基づく動的オンデマンドネットワーク(TransDoDNet)を提案する。 動的ヘッドにより、ネットワークは複数のセグメンテーションタスクを柔軟に達成することができる。 我々はMOTSと呼ばれる大規模にラベル付けされたMulti-Organ and tumorベンチマークを作成し、他の競合相手よりもTransDoDNetの方が優れた性能を示す。
  論文  参考訳（メタデータ） (2022-11-13T13:03:09Z)
• Data variation-aware medical image segmentation [0.0]
  我々は,この領域におけるこれまでの作業を改善するアプローチを提案する。 前立腺分画によるCTスキャンの実際の臨床データセットを用いた実験では,Diceおよび表面Dice係数の面で,いくつかのパーセンテージが向上した。
  論文  参考訳（メタデータ） (2022-02-24T13:35:34Z)
• Generalized Organ Segmentation by Imitating One-shot Reasoning using Anatomical Correlation [55.1248480381153]
  そこで我々は,アノテーション付きオルガンクラスから一般化されたオルガン概念を学習し,その概念を未知のクラスに転送するOrganNetを提案する。 そこで,OrganNetは臓器形態の幅広い変化に効果的に抵抗でき,一発分節タスクで最先端の結果が得られることを示す。
  論文  参考訳（メタデータ） (2021-03-30T13:41:12Z)
• Co-Generation and Segmentation for Generalized Surgical Instrument Segmentation on Unlabelled Data [49.419268399590045]
  正確な機器追跡と拡張現実オーバーレイには、ロボット支援手術のための外科用機器セグメンテーションが必要です。 深層学習法では手術器具のセグメンテーションに最先端のパフォーマンスが示されたが,結果はラベル付きデータに依存する。 本稿では,ロボットによる手術を含むさまざまなデータセット上で,これらの手法の限定的な一般化性を実証する。
  論文  参考訳（メタデータ） (2021-03-16T18:41:18Z)
• Towards Robust Partially Supervised Multi-Structure Medical Image Segmentation on Small-Scale Data [123.03252888189546]
  データ不足下における部分教師付き学習(PSL)における方法論的ギャップを埋めるために,不確実性下でのビシナルラベル(VLUU)を提案する。 マルチタスク学習とヴィジナルリスク最小化によって動機づけられたVLUUは、ビジナルラベルを生成することによって、部分的に教師付き問題を完全な教師付き問題に変換する。 本研究は,ラベル効率の高い深層学習における新たな研究の方向性を示唆するものである。
  論文  参考訳（メタデータ） (2020-11-28T16:31:00Z)
• Towards Cross-modality Medical Image Segmentation with Online Mutual Knowledge Distillation [71.89867233426597]
  本稿では,あるモダリティから学習した事前知識を活用し,別のモダリティにおけるセグメンテーション性能を向上させることを目的とする。 モーダル共有知識を徹底的に活用する新しい相互知識蒸留法を提案する。 MMWHS 2017, MMWHS 2017 を用いた多クラス心筋セグメンテーション実験の結果, CT セグメンテーションに大きな改善が得られた。
  論文  参考訳（メタデータ） (2020-10-04T10:25:13Z)
• Bayesian Generative Models for Knowledge Transfer in MRI Semantic Segmentation Problems [15.24006130659201]
  本稿では,遺伝ベイズ先行ネットワークを用いた疾患間の知識伝達手法を提案する。 提案手法はトレーニング前のアプローチとランダム初期化と比較し,脳腫瘍-2018データベースの小さな部分集合に対するDice similarity Coefficientの測定値から最良の結果を得る。
  論文  参考訳（メタデータ） (2020-05-26T11:42:17Z)
• Automatic Data Augmentation via Deep Reinforcement Learning for Effective Kidney Tumor Segmentation [57.78765460295249]
  医用画像セグメンテーションのための新しい学習ベースデータ拡張法を開発した。 本手法では,データ拡張モジュールと後続のセグメンテーションモジュールをエンドツーエンドのトレーニング方法で一貫した損失と,革新的に組み合わせる。 提案法の有効性を検証したCT腎腫瘍分節法について,本法を広範囲に評価した。
  論文  参考訳（メタデータ） (2020-02-22T14:10:13Z)

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。