論文の概要: Research on Tumors Segmentation based on Image Enhancement Method
- arxiv url: http://arxiv.org/abs/2406.05170v1
- Date: Fri, 7 Jun 2024 12:25:04 GMT
- ステータス: 処理完了
- システム内更新日: 2024-06-11 22:55:40.720271
- Title: Research on Tumors Segmentation based on Image Enhancement Method
- Title（参考訳）: 画像強調法による腫瘍分離に関する研究
- Authors: Danyi Huang, Ziang Liu, Yizhou Li,
- Abstract要約: 従来の肝小葉分割法は、肝小葉分割を行う際のいくつかの課題に直面することが多い。
新しいモデルは、画像のコントラストと明るさを適応的に調整することで、画像の重要な特徴を強化する新しい画像強調アルゴリズムを詳細に記述する。
深層学習に基づくセグメンテーションネットワークを導入し,腫瘍領域の検出精度を最適化するために,強調画像に特化して訓練を行った。
- 参考スコア（独自算出の注目度）: 1.4907190821192575
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: One of the most effective ways to treat liver cancer is to perform precise liver resection surgery, the key step of which includes precise digital image segmentation of the liver and its tumor. However, traditional liver parenchymal segmentation techniques often face several challenges in performing liver segmentation: lack of precision, slow processing speed, and computational burden. These shortcomings limit the efficiency of surgical planning and execution. In this work, the model initially describes in detail a new image enhancement algorithm that enhances the key features of an image by adaptively adjusting the contrast and brightness of the image. Then, a deep learning-based segmentation network was introduced, which was specially trained on the enhanced images to optimize the detection accuracy of tumor regions. In addition, multi-scale analysis techniques have been incorporated into the study, allowing the model to analyze images at different resolutions to capture more nuanced tumor features. In the presentation of the experimental results, the study used the 3Dircadb dataset to test the effectiveness of the proposed method. The experimental results show that compared with the traditional image segmentation method, the new method using image enhancement technology has significantly improved the accuracy and recall rate of tumor identification.
- Abstract（参考訳）: 肝癌に対する最も効果的な治療法の1つは、肝とその腫瘍の正確な画像分割を含む肝切除手術を行うことである。
しかし、従来の肝小葉分割技術は、精度の欠如、処理速度の遅さ、計算負荷など、肝小葉分割を行う際のいくつかの課題に直面している。
これらの欠点は、手術計画と実行の効率を制限します。
本研究では,画像のコントラストと明るさを適応的に調整することにより,画像の重要な特徴を向上する新しい画像強調アルゴリズムについて詳細に記述する。
次に深層学習に基づくセグメンテーションネットワークを導入し,腫瘍領域の検出精度を最適化するために,強調画像に基づいて特別に訓練を行った。
さらに、マルチスケール解析技術が研究に組み込まれており、異なる解像度の画像を解析することで、より微妙な腫瘍の特徴を捉えることができる。
実験結果の提示において,提案手法の有効性を検証するために3Dircadbデータセットを用いた。
実験の結果,従来の画像分割法と比較して,画像強調技術を用いた新しい手法は,腫瘍の同定精度とリコール率を大幅に向上させた。
関連論文リスト
- Quantum-enhanced unsupervised image segmentation for medical images analysis [2.1485350418225244]
乳がんは、世界中で女性のがん関連死亡の原因となっている。
人工知能を用いたイメージセグメンテーションは、このワークフローを合理化するための有望な代替手段を提供する。
マンモグラフィーの医用画像セグメンテーションのための第1のエンドツーエンド量子拡張フレームワークを提案する。
論文 参考訳（メタデータ） (2024-11-22T17:28:07Z) - Tumor-Centered Patching for Enhanced Medical Image Segmentation [0.0]
本研究は、パッチベースの画像解析のための腫瘍自体を中心にした革新的なアプローチを導入する。
腫瘍の解剖学的文脈にパッチを合わせることにより、この技術は特徴抽出の精度を高め、計算負荷を低減する。
論文 参考訳（メタデータ） (2023-08-23T14:35:03Z) - Deepfake Image Generation for Improved Brain Tumor Segmentation [0.0]
本研究は,脳腫瘍セグメンテーションにおけるディープフェイク画像生成の可能性について検討した。
Generative Adversarial Networkは、ディープフェイク画像で訓練されたU-Netベースの畳み込みニューラルネットワークを用いて、画像から画像への変換と画像のセグメンテーションに使用された。
その結果,画像セグメンテーションの品質指標の面ではパフォーマンスが向上し,限られたデータでトレーニングする際の支援が可能となった。
論文 参考訳（メタデータ） (2023-07-26T16:11:51Z) - Harmonizing Pathological and Normal Pixels for Pseudo-healthy Synthesis [68.5287824124996]
そこで本研究では,新しいタイプの識別器であるセグメンタを提案し,病変の正確な特定と擬似健康画像の視覚的品質の向上を図っている。
医用画像強調に生成画像を適用し,低コントラスト問題に対処するために拡張結果を利用する。
BraTSのT2モダリティに関する総合的な実験により、提案手法は最先端の手法よりも大幅に優れていることが示された。
論文 参考訳（メタデータ） (2022-03-29T08:41:17Z) - Texture Characterization of Histopathologic Images Using Ecological
Diversity Measures and Discrete Wavelet Transform [82.53597363161228]
本稿では,病理組織像間でテクスチャを特徴付ける手法を提案する。
2つのHIデータセットに有望な精度で、そのような画像の固有特性を定量化することが可能である。
論文 参考訳（メタデータ） (2022-02-27T02:19:09Z) - EMT-NET: Efficient multitask network for computer-aided diagnosis of
breast cancer [58.720142291102135]
乳腺腫瘍の分類と分別を同時に行うための,効率的で軽量な学習アーキテクチャを提案する。
腫瘍分類ネットワークにセグメンテーションタスクを組み込むことにより,腫瘍領域に着目したバックボーンネットワークで表現を学習する。
腫瘍分類の精度、感度、特異性はそれぞれ88.6%、94.1%、85.3%である。
論文 参考訳（メタデータ） (2022-01-13T05:24:40Z) - Deep Learning models for benign and malign Ocular Tumor Growth
Estimation [3.1558405181807574]
臨床医はしばしば、医用画像データに適した画像処理アルゴリズムを選択する際に問題に直面している。
ここでは、適切なモデルを選択するための戦略を示す。
論文 参考訳（メタデータ） (2021-07-09T05:40:25Z) - Multi-Slice Low-Rank Tensor Decomposition Based Multi-Atlas
Segmentation: Application to Automatic Pathological Liver CT Segmentation [4.262342157729123]
腹部CT像からの肝分画は,肝癌のコンピュータ診断と手術計画に必須のステップである。
現在、既存の肝セグメンテーション法の精度と堅牢性は臨床応用の要件を満たしていない。
低ランクテンソル分解(LRTD)ベースのマルチアトラス分割(MAS)フレームワークを提案し、CT画像の正確で堅牢な病理学的肝分割を実現する。
論文 参考訳（メタデータ） (2021-02-24T04:09:39Z) - A Multi-Stage Attentive Transfer Learning Framework for Improving
COVID-19 Diagnosis [49.3704402041314]
新型コロナの診断を改善するための多段階集中移動学習フレームワークを提案する。
提案するフレームワークは、複数のソースタスクと異なるドメインのデータから知識を学習し、正確な診断モデルを訓練する3つの段階からなる。
本稿では,肺CT画像のマルチスケール表現を学習するための自己教師付き学習手法を提案する。
論文 参考訳（メタデータ） (2021-01-14T01:39:19Z) - Spectral-Spatial Recurrent-Convolutional Networks for In-Vivo
Hyperspectral Tumor Type Classification [49.32653090178743]
ハイパースペクトル画像とディープラーニングを用いたin-vivo腫瘍型分類の可能性を示した。
我々の最良のモデルは76.3%のAUCを達成し、従来の学習手法とディープラーニング手法を著しく上回っている。
論文 参考訳（メタデータ） (2020-07-02T12:00:53Z) - Pathological Retinal Region Segmentation From OCT Images Using Geometric
Relation Based Augmentation [84.7571086566595]
本稿では,幾何学と形状の内在的関係を共同で符号化することで,従来のGANベースの医用画像合成法よりも優れた手法を提案する。
提案手法は,取得手順の異なる画像を有する公開RETOUCHデータセット上で,最先端のセグメンテーション手法より優れている。
論文 参考訳（メタデータ） (2020-03-31T11:50:43Z)
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。