Fugu-MT 論文翻訳(概要): AIC-UNet: Anatomy-informed Cascaded UNet for Robust Multi-Organ Segmentation

論文の概要: AIC-UNet: Anatomy-informed Cascaded UNet for Robust Multi-Organ Segmentation

arxiv url: http://arxiv.org/abs/2403.18878v1
Date: Wed, 27 Mar 2024 10:46:24 GMT
ステータス: 処理完了
システム内更新日: 2024-03-29 20:13:44.265018
Title: AIC-UNet: Anatomy-informed Cascaded UNet for Robust Multi-Organ Segmentation
Title（参考訳）: AIC-UNet:ロバストなマルチオーガンセグメンテーションのための解剖インフォームドUscaded UNet
Authors: Young Seok Jeon, Hongfei Yang, Huazhu Fu, Mengling Feng,
Abstract要約: 既存のエンコーダ・デコーダセグメンテーションモデルに解剖学的制約を課す新しいアプローチを導入する。歪んだ事前は復号フェーズ中に統合され、より解剖学的にインフォームドされた予測のためにモデルを導出する。
参考スコア（独自算出の注目度）: 34.54360931760496
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Imposing key anatomical features, such as the number of organs, their shapes, sizes, and relative positions, is crucial for building a robust multi-organ segmentation model. Current attempts to incorporate anatomical features include broadening effective receptive fields (ERF) size with resource- and data-intensive modules such as self-attention or introducing organ-specific topology regularizers, which may not scale to multi-organ segmentation problems where inter-organ relation also plays a huge role. We introduce a new approach to impose anatomical constraints on any existing encoder-decoder segmentation model by conditioning model prediction with learnable anatomy prior. More specifically, given an abdominal scan, a part of the encoder spatially warps a learnable prior to align with the given input scan using thin plate spline (TPS) grid interpolation. The warped prior is then integrated during the decoding phase to guide the model for more anatomy-informed predictions. Code is available at \hyperlink{https://anonymous.4open.science/r/AIC-UNet-7048}{https://anonymous.4open.science/r/AIC-UNet-7048}.
Abstract（参考訳）: 臓器の数、形状、大きさ、相対的な位置などの重要な解剖学的特徴を導入することは、堅牢なマルチ組織セグメンテーションモデルを構築するのに不可欠である。現在、解剖学的特徴を取り入れようとする試みは、実効性受容野(ERF)のサイズを、自己注意や臓器特異的トポロジ正規化器の導入といった、リソースやデータ集約的なモジュールで拡張することを含み、組織間関係が大きな役割を果たすようなマルチ組織セグメンテーションの問題にもスケールしない可能性がある。本稿では,既存のエンコーダ・デコーダセグメンテーションモデルに解剖学的制約を課すための新しい手法を提案する。より具体的には、腹部スキャンが与えられた場合、エンコーダの一部が、与えられた入力スキャンとシンプレートスプライン(TPS)グリッドの補間を用いて整合する前に、学習可能なものを空間的にワープする。歪んだ前者は復号段階で統合され、より解剖学的にインフォームドされた予測のためにモデルを導く。コードは \hyperlink{https://anonymous.4open.science/r/AIC-UNet-7048}{https://anonymous.4open.science/r/AIC-UNet-7048} で公開されている。

関連論文リスト

Prompting Segment Anything Model with Domain-Adaptive Prototype for Generalizable Medical Image Segmentation [49.5901368256326]
医用画像のセグメンテーションにおけるセグメンテーションモデル(DAPSAM)の微調整のための新しいドメイン適応型プロンプトフレームワークを提案する。 DAPSAMは,2つの医療画像分割タスクにおいて,異なるモダリティで最先端のパフォーマンスを実現する。
論文参考訳（メタデータ） (2024-09-19T07:28:33Z)
Anatomy-guided Pathology Segmentation [56.883822515800205]
本研究では, 解剖学的特徴と病理学的情報を組み合わせた汎用的セグメンテーションモデルを構築し, 病理学的特徴のセグメンテーション精度を高めることを目的とする。我々の解剖学・病理学交流(APEx)訓練では,ヒト解剖学の問合せ表現に結合特徴空間をデコードする問合せベースのセグメンテーション変換器を用いている。これにより、FDG-PET-CTとChest X-Rayの病理分類タスクにおいて、強力なベースライン法に比べて最大3.3%のマージンで、ボード全体で最高の結果を報告できる。
論文参考訳（メタデータ） (2024-07-08T11:44:15Z)
HATs: Hierarchical Adaptive Taxonomy Segmentation for Panoramic Pathology Image Analysis [19.04633470168871]
パノラマ画像分割は、形態学的に複雑で可変スケールの解剖学のため、顕著な課題である。本稿では, 腎臓構造のパノラマ像を, 詳細な解剖学的知見を生かして網羅的に把握することを目的とした, 階層型適応分類法を提案する。提案手法では,各領域,機能単位,細胞にまたがる空間的関係を多機能な「プラグ・アンド・プレイ」損失関数に変換する革新的HATs手法と,解剖学的階層化と大規模考察を,全パノラマ要素に統一された単純な行列表現に変換すること,そして,(3)。
論文参考訳（メタデータ） (2024-06-30T05:35:26Z)
Architecture Analysis and Benchmarking of 3D U-shaped Deep Learning Models for Thoracic Anatomical Segmentation [0.8897689150430447]
3次元U型モデルの変種に対する最初の系統的ベンチマーク研究を行う。本研究では,異なる注意機構,解像度ステージ数,ネットワーク構成がセグメンテーション精度および計算複雑性に与える影響について検討した。
論文参考訳（メタデータ） (2024-02-05T17:43:02Z)
Abdominal organ segmentation via deep diffeomorphic mesh deformations [5.4173776411667935]
CTとMRIによる腹部臓器の分節は,手術計画とコンピュータ支援ナビゲーションシステムにとって必須の要件である。肝, 腎, 膵, 脾の分節に対するテンプレートベースのメッシュ再構成法を応用した。結果として得られたUNetFlowは4つの器官すべてによく当てはまり、新しいデータに基づいて簡単に微調整できる。
論文参考訳（メタデータ） (2023-06-27T14:41:18Z)
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)
Two-Stream Graph Convolutional Network for Intra-oral Scanner Image Segmentation [133.02190910009384]
本稿では,2ストリームグラフ畳み込みネットワーク(TSGCN)を提案する。 TSGCNは3次元歯(表面)セグメンテーションにおいて最先端の方法よりも優れています。
論文参考訳（メタデータ） (2022-04-19T10:41:09Z)
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)
Few-shot Medical Image Segmentation using a Global Correlation Network with Discriminative Embedding [60.89561661441736]
医療画像分割のための新しい手法を提案する。深層畳み込みネットワークを用いた数ショット画像セグメンタを構築します。深層埋め込みの識別性を高め,同一クラスの特徴領域のクラスタリングを促進する。
論文参考訳（メタデータ） (2020-12-10T04:01:07Z)
Contour Transformer Network for One-shot Segmentation of Anatomical Structures [26.599337546171732]
本稿では,自然に組み込まれたループ機構を備えたワンショット解剖分類手法であるContour Transformer Network(CTN)を提案する。 4つの解剖学のセグメンテーションタスクにおいて、我々のワンショット学習法が非学習的手法を著しく上回っていることを示す。最小限のHuman-in-the-loop編集フィードバックにより、セグメンテーション性能は、完全に教師されたメソッドを超えるようにさらに改善される。
論文参考訳（メタデータ） (2020-12-02T19:42:18Z)

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。