論文の概要: Towards Automatic Abdominal MRI Organ Segmentation: Leveraging Synthesized Data Generated From CT Labels

• arxiv url: http://arxiv.org/abs/2403.15609v1
• Date: Fri, 22 Mar 2024 20:38:40 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-26 21:51:43.641743
• Title: Towards Automatic Abdominal MRI Organ Segmentation: Leveraging Synthesized Data Generated From CT Labels
• Title（参考訳）: 腹部MRI自動臓器切開に向けて:CTラベルから生成された合成データを活用する
• Authors: Cosmin Ciausu, Deepa Krishnaswamy, Benjamin Billot, Steve Pieper, Ron Kikinis, Andrey Fedorov,
• Abstract要約: 腹部の臓器を正確に分断する能力はMRI(MRI)スキャンでは依然として困難である。 我々は、CTラベルマップを利用してトレーニング中に合成画像を生成する、モダリティ非依存領域ランダム化アプローチを活用する。 MRデータを用いた完全教師付きセグメンテーション法と比較した。
• 参考スコア（独自算出の注目度）: 0.5277756703318045
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep learning has shown great promise in the ability to automatically annotate organs in magnetic resonance imaging (MRI) scans, for example, of the brain. However, despite advancements in the field, the ability to accurately segment abdominal organs remains difficult across MR. In part, this may be explained by the much greater variability in image appearance and severely limited availability of training labels. The inherent nature of computed tomography (CT) scans makes it easier to annotate, resulting in a larger availability of expert annotations for the latter. We leverage a modality-agnostic domain randomization approach, utilizing CT label maps to generate synthetic images on-the-fly during training, further used to train a U-Net segmentation network for abdominal organs segmentation. Our approach shows comparable results compared to fully-supervised segmentation methods trained on MR data. Our method results in Dice scores of 0.90 (0.08) and 0.91 (0.08) for the right and left kidney respectively, compared to a pretrained nnU-Net model yielding 0.87 (0.20) and 0.91 (0.03). We will make our code publicly available.
• Abstract（参考訳）: 深層学習は、例えば脳の磁気共鳴画像(MRI)スキャンで臓器に自動的にアノテートする能力を示す。 しかし, 現場の進歩にもかかわらず, 腹腔内臓器を正確に分断する能力はMRではまだ困難であり, 画像の外観の多様性や, 訓練用ラベルの入手が著しく制限されていることから説明できる。 CT(Computerd tomography)スキャンの本質的な性質により、アノテーションのアノテーションが容易になり、後者のエキスパートアノテーションがより多く利用できるようになる。 我々は、CTラベルマップを用いてトレーニング中に合成画像を生成するモダリティ非依存領域のランダム化アプローチを活用し、さらに腹部臓器のセグメンテーションのためのU-Netセグメンテーションネットワークを訓練する。 MRデータを用いた完全教師付きセグメンテーション法と比較した。 その結果, 左右の腎に対するDiceスコアは0.90 (0.08) と0.91 (0.08) であり, 前訓練したnnU-Netモデルでは0.87 (0.20) と0.91 (0.03) であった。 コードを公開します。

関連論文リスト

• Multi-Layer Feature Fusion with Cross-Channel Attention-Based U-Net for Kidney Tumor Segmentation [0.0]
  U-Netベースのディープラーニング技術は、自動化された医用画像セグメンテーションのための有望なアプローチとして登場しつつある。 腎腫瘍の診断のためのCTスキャン画像のエンドツーエンド自動セマンティックセマンティックセグメンテーションのための改良されたU-Netモデルを提案する。
  論文  参考訳（メタデータ） (2024-10-20T19:02:41Z)
• TotalSegmentator MRI: Sequence-Independent Segmentation of 59 Anatomical Structures in MR images [62.53931644063323]
  本研究では,TotalSegmentatorをMR画像に拡張した。 このデータセットに基づいてnnU-Netセグメンテーションアルゴリズムを訓練し、類似度係数(Dice)を計算し、モデルの性能を評価した。 このモデルは、他の2つの公開セグメンテーションモデル(Dice score 0.824 vs 0.762; p0.001 and 0.762 versus 0.542; p)を大きく上回った。
  論文  参考訳（メタデータ） (2024-05-29T20:15:54Z)
• WATUNet: A Deep Neural Network for Segmentation of Volumetric Sweep Imaging Ultrasound [1.2903292694072621]
  ボリューム・スイープ・イメージング(VSI)は、訓練を受けていないオペレーターが高品質な超音波画像をキャプチャできる革新的な手法である。 本稿ではWavelet_Attention_UNet(WATUNet)と呼ばれる新しいセグメンテーションモデルを提案する。 このモデルでは、簡単な接続ではなく、ウェーブレットゲート(WG)とアテンションゲート(AG)をエンコーダとデコーダの間に組み込んで、上記の制限を克服する。
  論文  参考訳（メタデータ） (2023-11-17T20:32:37Z)
• Med-Query: Steerable Parsing of 9-DoF Medical Anatomies with Query Embedding [15.98677736544302]
  本稿では,3次元医療データ中の解剖の検出,識別,セグメンテーションを行うための,安定かつ堅牢で効率的な計算フレームワークを提案する。 解剖学の複雑な形状、大きさ、配向を考えると、9自由度(9-DoF)のポーズ推定解をフル3次元空間で提示する。 胸骨, 脊椎, 腹部臓器の3つの画像解析課題について, 提案手法の有効性を検証した。
  論文  参考訳（メタデータ） (2022-12-05T04:04:21Z)
• 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)
• Weakly-supervised Biomechanically-constrained CT/MRI Registration of the Spine [72.85011943179894]
  本稿では,各脊椎の剛性と容積を保存し,登録精度を最大化しながら,弱教師付き深層学習フレームワークを提案する。 また,CTにおける椎体自動分節化はMRIと対比してより正確な結果をもたらすため,CTラベルマップのみに依存するよう,これらの損失を特に設計する。 以上の結果から, 解剖学的認識による損失の増大は, 精度を維持しつつも, 推測変換の妥当性を高めることが示唆された。
  論文  参考訳（メタデータ） (2022-05-16T10:59:55Z)
• Robust Segmentation of Brain MRI in the Wild with Hierarchical CNNs and no Retraining [1.0499611180329802]
  クリニックで取得した脳MRIスキャンの振り返り分析は、研究データセットよりもはるかに大きなサンプルサイズを持つ神経画像研究を可能にする可能性がある。 画像分割のための畳み込みニューラルネットワーク(CNN)と領域ランダム化の最近の進歩は、大規模な臨床MRIの形態計測を可能にする可能性がある。 一般的にSynthSegは頑健であるが,低信号-雑音比,組織コントラストの低いスキャンではフェールすることが多い。 条件付きセグメンテーションとCNNの階層構造を用いてこれらの問題を緩和する新しい手法であるSynthSeg+を提案する。
  論文  参考訳（メタデータ） (2022-03-03T19:18:28Z)
• Self-Supervised Multi-Modal Alignment for Whole Body Medical Imaging [70.52819168140113]
  我々は、英国バイオバンクの2万名以上の被験者のデータセットを使用し、全体Dixon法磁気共鳴法(MR)スキャンとデュアルエネルギーX線吸収率法(DXA)スキャンを併用した。 マルチモーダル画像マッチングコントラストフレームワークを導入し、同一対象の異なるモダリティスキャンを高精度にマッチングすることができる。 適応がなければ、この対照的なトレーニングステップで学習した対応が、自動クロスモーダルスキャン登録の実行に利用できることを示す。
  論文  参考訳（メタデータ） (2021-07-14T12:35:05Z)
• Anonymization of labeled TOF-MRA images for brain vessel segmentation using generative adversarial networks [0.9854633436173144]
  GAN(Generative Adversarial Network)は、予測特性を保持しながら、匿名画像を提供する可能性がある。 画像ラベル生成のための磁気共鳴血管造影 (MRA) パッチを用いて, 飛行時間(TOF)で3GANを訓練した。 各GANから生成された画像ラベルは、セグメント化のためのU-netのトレーニングに使用され、実際のデータでテストされた。
  論文  参考訳（メタデータ） (2020-09-09T11:30:58Z)
• Improved Slice-wise Tumour Detection in Brain MRIs by Computing Dissimilarities between Latent Representations [68.8204255655161]
  磁気共鳴画像(MRI)の異常検出は教師なし手法で行うことができる。 本研究では,変分オートエンコーダの潜伏空間における相似関数の計算に基づいて,腫瘍検出のためのスライスワイズ半教師法を提案する。 本研究では,高解像度画像上でのモデルをトレーニングし,再現の質を向上させることにより,異なるベースラインに匹敵する結果が得られることを示す。
  論文  参考訳（メタデータ） (2020-07-24T14:02:09Z)
• Y-Net for Chest X-Ray Preprocessing: Simultaneous Classification of Geometry and Segmentation of Annotations [70.0118756144807]
  この研究は、機械学習アルゴリズムに胸部X線入力のための一般的な前処理ステップを導入する。 VGG11エンコーダをベースとした改良Y-Netアーキテクチャを用いて,ラジオグラフィの幾何学的配向とセグメンテーションを同時に学習する。 対照画像の27.0%,34.9%に対し,95.8%,96.2%のアノテーションマスクが認められた。
  論文  参考訳（メタデータ） (2020-05-08T02:16:17Z)

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。