Fugu-MT 論文翻訳(概要): PECI-Net: Bolus segmentation from video fluoroscopic swallowing study images using preprocessing ensemble and cascaded inference

論文の概要: PECI-Net: Bolus segmentation from video fluoroscopic swallowing study images using preprocessing ensemble and cascaded inference

arxiv url: http://arxiv.org/abs/2403.14191v1
Date: Thu, 21 Mar 2024 07:34:31 GMT
ステータス: 処理完了
システム内更新日: 2024-03-22 15:07:37.470258
Title: PECI-Net: Bolus segmentation from video fluoroscopic swallowing study images using preprocessing ensemble and cascaded inference
Title（参考訳）: PECI-Net:前処理アンサンブルとカスケード推論を用いたビデオフルオロスコープドローイング研究画像からのボーラスセグメンテーション
Authors: Dougho Park, Younghun Kim, Harim Kang, Junmyeoung Lee, Jinyoung Choi, Taeyeon Kim, Sangeok Lee, Seokil Son, Minsol Kim, Injung Kim,
Abstract要約: 本稿では,2つの新しい手法を組み合わせたVFSS画像解析のためのネットワークアーキテクチャPECI-Netを提案する。 PENは、複数の前処理アルゴリズムを学習可能な方法で組み合わせることで、VFSS画像のシャープさとコントラストを高める。 CINはセグメンテーションにおけるあいまいさを、カスケード推論によって他の領域からのコンテキストを使用することで軽減する。
参考スコア（独自算出の注目度）: 6.446006525143547
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: Bolus segmentation is crucial for the automated detection of swallowing disorders in videofluoroscopic swallowing studies (VFSS). However, it is difficult for the model to accurately segment a bolus region in a VFSS image because VFSS images are translucent, have low contrast and unclear region boundaries, and lack color information. To overcome these challenges, we propose PECI-Net, a network architecture for VFSS image analysis that combines two novel techniques: the preprocessing ensemble network (PEN) and the cascaded inference network (CIN). PEN enhances the sharpness and contrast of the VFSS image by combining multiple preprocessing algorithms in a learnable way. CIN reduces ambiguity in bolus segmentation by using context from other regions through cascaded inference. Moreover, CIN prevents undesirable side effects from unreliably segmented regions by referring to the context in an asymmetric way. In experiments, PECI-Net exhibited higher performance than four recently developed baseline models, outperforming TernausNet, the best among the baseline models, by 4.54\% and the widely used UNet by 10.83\%. The results of the ablation studies confirm that CIN and PEN are effective in improving bolus segmentation performance.
Abstract（参考訳）: ボルス分画は、ビデオフルオロスコピックドローイング研究(VFSS)における摂食障害の自動検出に不可欠である。しかし、VFSS画像が半透明であり、コントラストが低く、領域境界が不明瞭で、色情報がないため、モデルがVFSS画像のボラス領域を正確に分割することは困難である。これらの課題を克服するために,前処理アンサンブルネットワーク(PEN)とカスケード推論ネットワーク(CIN)の2つの新しい手法を組み合わせた,VFSS画像解析のためのネットワークアーキテクチャであるPECI-Netを提案する。 PENは、複数の前処理アルゴリズムを学習可能な方法で組み合わせることで、VFSS画像のシャープさとコントラストを高める。 CINは、カスケード推論を通じて、他の領域からのコンテキストを使用することで、ボースセグメンテーションの曖昧さを減少させる。さらに、CINは、コンテキストを非対称的に参照することで、望ましくない副作用が、信頼できない領域のセグメンテーションを防ぐ。実験では、PECI-Netは、最近開発された4つのベースラインモデルよりも高い性能を示し、ベースラインモデルの中では最高であるTernausNetを4.54 %、広く使用されているUNetを10.83 %上回った。 The results of the ablation study confirmed that CIN and PEN may effective to improve bolus segmentation performance。

関連論文リスト

MDFI-Net: Multiscale Differential Feature Interaction Network for Accurate Retinal Vessel Segmentation [3.152646316470194]
本稿では,MDFI-Net という DPCN に基づく機能拡張型インタラクションネットワークを提案する。提案したMDFI-Netは,公開データセットの最先端手法よりもセグメンテーション性能が優れている。
論文参考訳（メタデータ） (2024-10-20T16:42:22Z)
CriDiff: Criss-cross Injection Diffusion Framework via Generative Pre-train for Prostate Segmentation [60.61972883059688]
CridiffはCrisscross Injection Strategy(CIS)とGenerative Pre-train(GP)アプローチによる2段階の機能注入フレームワークである。 CISでは,複数レベルのエッジ特徴と非エッジ特徴を効果的に学習するために,並列コンディショナーを2つ提案した。 GPアプローチは、追加パラメータを追加することなく、画像特徴と拡散モデルとの矛盾を緩和する。
論文参考訳（メタデータ） (2024-06-20T10:46:50Z)
CDSE-UNet: Enhancing COVID-19 CT Image Segmentation with Canny Edge Detection and Dual-Path SENet Feature Fusion [10.831487161893305]
CDSE-UNetは、Canny演算子エッジ検出とデュアルパスSENet機能融合機構を統合した、新しいUNetベースのセグメンテーションモデルである。我々は,UNetの標準畳み込みを代替するマルチスケール畳み込み手法を開発し,病変の大きさや形状に適応した。公開データセットの評価では、他の主要なモデルよりもCDSE-UNetの方が優れた性能を示している。
論文参考訳（メタデータ） (2024-03-03T13:36:07Z)
CSDN: Combing Shallow and Deep Networks for Accurate Real-time Segmentation of High-definition Intravascular Ultrasound Images [4.062948258086793]
我々は60MHz高分解能IVUS画像の効率的な分割のための2ストリームフレームワークを提案する。浅いネットワークと深いネットワーク、すなわちCSDNを組み合わせる。上記の情報を別々に扱うことで、モデルを学習し、精度の高いリアルタイムセグメンテーションを実現することができる。
論文参考訳（メタデータ） (2023-01-30T14:42:48Z)
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)
Hierarchical Similarity Learning for Aliasing Suppression Image Super-Resolution [64.15915577164894]
エイリアスの影響を抑制するために階層画像超解像ネットワーク(HSRNet)を提案する。 HSRNetは、他の作品よりも定量的かつ視覚的なパフォーマンスを向上し、エイリアスをより効果的に再送信する。
論文参考訳（メタデータ） (2022-06-07T14:55:32Z)
Pairwise Relation Learning for Semi-supervised Gland Segmentation [90.45303394358493]
病理組織像における腺分節に対するPRS2モデルを提案する。このモデルはセグメンテーションネットワーク(S-Net)とペア関係ネットワーク(PR-Net)から構成される。我々は,GlaSデータセットの最近の5つの手法とCRAGデータセットの最近の3つの手法を比較した。
論文参考訳（メタデータ） (2020-08-06T15:02:38Z)
Image Segmentation Using Hybrid Representations [2.414172101538764]
医用画像セグメンテーションのための DU-Net という,エンド・ツー・エンドのU-Net ベースのネットワークを提案する。 SCは変換不変であり、リプシッツは変形に連続し、DU-Netは他の従来のCNNよりも優れる。提案手法は,最先端手法と競合する性能を持つ基本U-Netよりも優れた性能を示す。
論文参考訳（メタデータ） (2020-04-15T13:07:35Z)
Attentive CutMix: An Enhanced Data Augmentation Approach for Deep Learning Based Image Classification [58.20132466198622]
そこで我々は,CutMixに基づく自然拡張拡張戦略であるAttentive CutMixを提案する。各トレーニングイテレーションにおいて、特徴抽出器から中間注意マップに基づいて最も記述性の高い領域を選択する。提案手法は単純かつ有効であり,実装が容易であり,ベースラインを大幅に向上させることができる。
論文参考訳（メタデータ） (2020-03-29T15:01:05Z)
CF2-Net: Coarse-to-Fine Fusion Convolutional Network for Breast Ultrasound Image Segmentation [14.807364495808779]
BUS画像セグメンテーションのための新しい特徴統合戦略(「E」のような型を生成する)に基づいて、粗大な融合畳み込みネットワーク(CF2-Net)を提案し、評価する。提案するCF2-Netは4倍のクロスバリデーションを用いてオープンデータセットで評価した。実験の結果,CF2-Netは,他の深層学習手法と比較して最先端の性能が得られることがわかった。
論文参考訳（メタデータ） (2020-03-23T09:27:26Z)
Unsupervised Bidirectional Cross-Modality Adaptation via Deeply Synergistic Image and Feature Alignment for Medical Image Segmentation [73.84166499988443]
我々は、Synergistic Image and Feature Alignment (SIFA)と名付けられた新しい教師なしドメイン適応フレームワークを提案する。提案するSIFAは、画像と特徴の両方の観点から、ドメインの相乗的アライメントを行う。 2つの異なるタスクに対する実験結果から,SIFA法は未ラベル対象画像のセグメンテーション性能を向上させるのに有効であることが示された。
論文参考訳（メタデータ） (2020-02-06T13:49:47Z)

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。