論文の概要: A label-free and data-free training strategy for vasculature segmentation in serial sectioning OCT data

• arxiv url: http://arxiv.org/abs/2405.13757v1
• Date: Wed, 22 May 2024 15:39:31 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-24 23:25:17.873478
• Title: A label-free and data-free training strategy for vasculature segmentation in serial sectioning OCT data
• Title（参考訳）: 連続分割OCTデータにおける血管分断のためのラベルフリー・データフリートレーニング戦略
• Authors: Etienne Chollet, Yael Balbastre, Caroline Magnain, Bruce Fischl, Hui Wang,
• Abstract要約: オプティカル・コヒーレンス・トモグラフィー (OCT) は, 死後神経血管の研究でますます人気が高まっている。 ここでは、深層学習セグメンテーションモデルをトレーニングするために、容器の合成データセットを活用する。 どちらのアプローチも同様のDiceスコアを得るが、偽陽性と偽陰率は非常に異なる。
• 参考スコア（独自算出の注目度）: 4.746694624239095
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Serial sectioning Optical Coherence Tomography (sOCT) is a high-throughput, label free microscopic imaging technique that is becoming increasingly popular to study post-mortem neurovasculature. Quantitative analysis of the vasculature requires highly accurate segmentation; however, sOCT has low signal-to-noise-ratio and displays a wide range of contrasts and artifacts that depend on acquisition parameters. Furthermore, labeled data is scarce and extremely time consuming to generate. Here, we leverage synthetic datasets of vessels to train a deep learning segmentation model. We construct the vessels with semi-realistic splines that simulate the vascular geometry and compare our model with realistic vascular labels generated by constrained constructive optimization. Both approaches yield similar Dice scores, although with very different false positive and false negative rates. This method addresses the complexity inherent in OCT images and paves the way for more accurate and efficient analysis of neurovascular structures.
• Abstract（参考訳）: SOCT(Serial sectioning Optical Coherence Tomography)は、脳卒中後神経血管の研究でますます人気が高まっている、高出力、ラベル付き自由顕微鏡画像技術である。 血管の定量的解析には高精度なセグメンテーションが必要であるが、sOCTは信号対雑音比が低く、取得パラメータに依存する幅広いコントラストやアーティファクトを表示する。 さらに、ラベル付きデータは乏しく、生成に非常に時間がかかります。 ここでは、深層学習セグメンテーションモデルをトレーニングするために、容器の合成データセットを活用する。 本研究では, 血管形状をシミュレートした半現実的スプラインは構築し, 拘束的構成最適化によって生成された現実的な血管ラベルと比較する。 どちらのアプローチも同様のDiceスコアを得るが、偽陽性と偽陰率は非常に異なる。 この方法では、OCT画像に固有の複雑さに対処し、より正確で効率的な神経血管構造解析の道を開く。

関連論文リスト

• Towards a Benchmark for Colorectal Cancer Segmentation in Endorectal Ultrasound Videos: Dataset and Model Development [59.74920439478643]
  本稿では,多様なERUSシナリオをカバーする最初のベンチマークデータセットを収集し,注釈付けする。 ERUS-10Kデータセットは77の動画と10,000の高解像度アノテートフレームで構成されています。 本稿では,ASTR (Adaptive Sparse-context TRansformer) という大腸癌セグメンテーションのベンチマークモデルを提案する。
  論文  参考訳（メタデータ） (2024-08-19T15:04:42Z)
• Neurovascular Segmentation in sOCT with Deep Learning and Synthetic Training Data [4.5276169699857505]
  本研究は, 連続断面光コヒーレンストモグラフィー画像における神経血管セグメンテーションのための合成エンジンについて述べる。 提案手法は,ラベル合成とラベル・ツー・イメージ変換の2段階からなる。 前者の有効性を,より現実的なトレーニングラベルの集合と比較し,後者を合成ノイズと人工物モデルのアブレーション研究により実証した。
  論文  参考訳（メタデータ） (2024-07-01T16:09:07Z)
• CathFlow: Self-Supervised Segmentation of Catheters in Interventional Ultrasound Using Optical Flow and Transformers [66.15847237150909]
  縦型超音波画像におけるカテーテルのセグメンテーションのための自己教師型ディープラーニングアーキテクチャを提案する。 ネットワークアーキテクチャは、Attention in Attentionメカニズムで構築されたセグメンテーショントランスフォーマであるAiAReSeg上に構築されている。 我々は,シリコンオルタファントムから収集した合成データと画像からなる実験データセット上で,我々のモデルを検証した。
  論文  参考訳（メタデータ） (2024-03-21T15:13:36Z)
• Deep Learning for Vascular Segmentation and Applications in Phase Contrast Tomography Imaging [33.23991248643144]
  本稿では,多様な臓器にまたがる機械学習技術の現状を概説する。 我々のゴールは、このトピックの基礎を提供し、新しい画像モダリティで血管セグメンテーションに適用するための堅牢なベースラインモデルを特定することである。 HiP CTは、1ボクセルあたり20mmという前例のない解像度で、完全な臓器の3Dイメージングを可能にする。
  論文  参考訳（メタデータ） (2023-11-22T11:15:38Z)
• Synthetic optical coherence tomography angiographs for detailed retinal vessel segmentation without human annotations [12.571349114534597]
  本稿では,より高速でリアルなOCTA合成のために,空間コロニー化に基づく網膜血管網の軽量なシミュレーションを行う。 本研究では,3つの公開データセットに対する定量的および定性的実験において,提案手法の優れたセグメンテーション性能を示す。
  論文  参考訳（メタデータ） (2023-06-19T14:01:47Z)
• Extremely weakly-supervised blood vessel segmentation with physiologically based synthesis and domain adaptation [7.107236806113722]
  腎機能の正確な解析とモデリングには、腎血管の正確なセグメンテーションが必要である。 ディープラーニングに基づく手法は、自動血管セグメンテーションにおける最先端のパフォーマンスを示している。 人工腎血管を生理的にシミュレートし,無ラベルスキャンで生成モデルを訓練する。 本モデルは,ラット腎の3次元微小CTスキャンと2次元網膜画像における概念実証実験の両方において,血管を直接スキャンし,本手法の有効性を実証する。
  論文  参考訳（メタデータ） (2023-05-26T16:01:49Z)
• 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)
• Affinity Feature Strengthening for Accurate, Complete and Robust Vessel Segmentation [48.638327652506284]
  血管セグメンテーションは、冠動脈狭窄、網膜血管疾患、脳動脈瘤などの多くの医学的応用において重要である。 コントラストに敏感なマルチスケールアフィニティアプローチを用いて,幾何学的手法と画素単位のセグメンテーション特徴を連成的にモデル化する新しいアプローチであるAFNを提案する。
  論文  参考訳（メタデータ） (2022-11-12T05:39:17Z)
• Physiology-based simulation of the retinal vasculature enables annotation-free segmentation of OCT angiographs [8.596819713822477]
  提案するパイプラインは,大量のリアルなOCTA画像を,本質的に一致する基底真理ラベルで合成する。 提案手法は,1) 様々な網膜叢をモデル化した生理的シミュレーション,2) 物理に基づく画像拡張のスイートの2つの新しい構成要素を基礎にしている。
  論文  参考訳（メタデータ） (2022-07-22T14:22:22Z)
• Incremental Cross-view Mutual Distillation for Self-supervised Medical CT Synthesis [88.39466012709205]
  本稿では,スライス間の分解能を高めるために,新しい医療スライスを構築した。 臨床実践において, 根本・中間医療スライスは常に欠落していることを考慮し, 相互蒸留の段階的相互蒸留戦略を導入する。 提案手法は,最先端のアルゴリズムよりも明確なマージンで優れる。
  論文  参考訳（メタデータ） (2021-12-20T03:38:37Z)
• CyTran: A Cycle-Consistent Transformer with Multi-Level Consistency for Non-Contrast to Contrast CT Translation [56.622832383316215]
  コントラストCTを非コントラストCTに変換する手法を提案する。 提案手法は、CyTranを略して、サイクル一貫性のある生成逆転変換器に基づいている。 実験の結果、CyTranは競合するすべての手法より優れています。
  論文  参考訳（メタデータ） (2021-10-12T23:25:03Z)

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。