Fugu-MT 論文翻訳(概要): Centerline Boundary Dice Loss for Vascular Segmentation

論文の概要: Centerline Boundary Dice Loss for Vascular Segmentation

arxiv url: http://arxiv.org/abs/2407.01517v1
Date: Mon, 1 Jul 2024 17:58:44 GMT
ステータス: 処理完了
システム内更新日: 2024-07-03 20:21:46.283126
Title: Centerline Boundary Dice Loss for Vascular Segmentation
Title（参考訳）: 血管分節に対する中心線境界線損失
Authors: Pengcheng Shi, Jiesi Hu, Yanwu Yang, Zilve Gao, Wei Liu, Ting Ma,
Abstract要約: 画像診断における血管セグメンテーションは形態学的および機能的評価を分析する上で重要な役割を担っている。中央のDice(clDice)損失のような伝統的な手法は、トポロジーの保存を確実にするが、幾何学的詳細を捉えることには失敗する。位相整合性と幾何ニュアンスを調和させる中心線境界Dice(cbDice)損失関数を導入する。
参考スコア（独自算出の注目度）: 6.988368827452061
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: Vascular segmentation in medical imaging plays a crucial role in analysing morphological and functional assessments. Traditional methods, like the centerline Dice (clDice) loss, ensure topology preservation but falter in capturing geometric details, especially under translation and deformation. The combination of clDice with traditional Dice loss can lead to diameter imbalance, favoring larger vessels. Addressing these challenges, we introduce the centerline boundary Dice (cbDice) loss function, which harmonizes topological integrity and geometric nuances, ensuring consistent segmentation across various vessel sizes. cbDice enriches the clDice approach by including boundary-aware aspects, thereby improving geometric detail recognition. It matches the performance of the boundary difference over union (B-DoU) loss through a mask-distance-based approach, enhancing traslation sensitivity. Crucially, cbDice incorporates radius information from vascular skeletons, enabling uniform adaptation to vascular diameter changes and maintaining balance in branch growth and fracture impacts. Furthermore, we conducted a theoretical analysis of clDice variants (cl-X-Dice). We validated cbDice's efficacy on three diverse vascular segmentation datasets, encompassing both 2D and 3D, and binary and multi-class segmentation. Particularly, the method integrated with cbDice demonstrated outstanding performance on the MICCAI 2023 TopCoW Challenge dataset. Our code is made publicly available at: https://github.com/PengchengShi1220/cbDice.
Abstract（参考訳）: 画像診断における血管のセグメンテーションは形態学的および機能的評価を分析する上で重要な役割を担っている。中央のDice(clDice)損失のような伝統的な手法は、トポロジーの保存を確実にするが、幾何学的詳細(特に翻訳や変形の下で)を捉えるのに失敗する。 ClDiceと従来のDiceの損失の組み合わせは、直径の不均衡を招き、より大きな船を好んでいる。これらの課題に対処するため, 中心線境界Dice(cbDice)損失関数を導入し, トポロジ的整合性と幾何ニュアンスを調和させ, 様々な容器サイズで一貫したセグメンテーションを確保する。 cbDiceは境界認識アスペクトを含むことによってclDiceアプローチを強化し、幾何学的ディテール認識を改善する。これは、マスク距離に基づくアプローチにより、結合(B-DoU)損失に対する境界差のパフォーマンスと一致し、トラスレーション感度が向上する。重要な点として、cbDiceは血管骨格からの半径情報を取り入れ、血管径の変化に均一に適応し、枝の成長と骨折の影響のバランスを維持することができる。さらに,clDice変種(cl-X-Dice)の理論的解析を行った。 CbDiceは2Dと3Dの両方を包含する3種類の血管分節データセットとバイナリとマルチクラスの分節データセットに対して有効であった。特に、cbDiceと統合された手法はMICCAI 2023 TopCoW Challengeデータセットで優れた性能を示した。私たちのコードは、https://github.com/PengchengShi1220/cbDice.comで公開されています。

関連論文リスト

SPOCKMIP: Segmentation of Vessels in MRAs with Enhanced Continuity using Maximum Intensity Projection as Loss [0.5224038339798621]
本研究は,MIP(Maximum Intensity Projection)を付加的な損失基準として用いたセグメンテーション品質の向上に焦点をあてる。ラベルセグメンテーションのMIPを1つの(z軸)と3次元体積の複数の知覚可能な軸に組み込むことで2つの手法を提案する。提案手法は血管の連続性を改善したセグメンテーションを生成し,ROIの視覚的検査で明らかである。
論文参考訳（メタデータ） (2024-07-11T16:39:24Z)
Dual-scale Enhanced and Cross-generative Consistency Learning for Semi-supervised Medical Image Segmentation [49.57907601086494]
医用画像のセグメンテーションはコンピュータ支援診断において重要な役割を担っている。半教師型医用画像(DEC-Seg)のための新しいDual-scale Enhanced and Cross-generative consistency learning frameworkを提案する。
論文参考訳（メタデータ） (2023-12-26T12:56:31Z)
Adaptive Semi-Supervised Segmentation of Brain Vessels with Ambiguous Labels [63.415444378608214]
提案手法は, 進歩的半教師付き学習, 適応的学習戦略, 境界拡張など, 革新的な手法を取り入れたものである。 3DRAデータセットによる実験結果から,メッシュベースのセグメンテーション指標を用いて,本手法の優位性を示す。
論文参考訳（メタデータ） (2023-08-07T14:16:52Z)
Morphology Edge Attention Network and Optimal Geometric Matching Connection model for vascular segmentation [3.6368619769561668]
本稿では,容器状構造物のセグメンテーションのための新しい形態的エッジアテンションネットワーク(MEA-Net)を提案する。また、壊れた容器セグメントを接続するための最適幾何マッチング接続(OGMC)モデルを提案する。本手法は,3次元血管分割作業の4つのデータセットにおける最先端手法と比較して,優れた,あるいは競争的な結果が得られる。
論文参考訳（メタデータ） (2023-06-02T01:52:35Z)
Segmentation and Vascular Vectorization for Coronary Artery by Geometry-based Cascaded Neural Network [26.88627331841325]
そこで本研究では,冠動脈の形状をベースとしたカスケード分割法を提案する。冠動脈のメッシュは連続的かつ正確であり, ねじれ, 洗練された冠状動脈構造を有する。本手法は, 分節血管の断片化を伴わない, 正確で無傷でスムーズな冠動脈を作製する。
論文参考訳（メタデータ） (2023-05-07T07:26:41Z)
External Attention Assisted Multi-Phase Splenic Vascular Injury Segmentation with Limited Data [72.99534552950138]
脾臓は腹部外傷において最も多く損傷を受けた固形臓器の1つである。脾臓血管損傷の正確な分節化は以下の理由から困難です
論文参考訳（メタデータ） (2022-01-04T02:35:56Z)
Rethinking the Extraction and Interaction of Multi-Scale Features for Vessel Segmentation [53.187152856583396]
網膜血管と主要動脈を2次元基底画像と3次元CTアンギオグラフィー(CTA)スキャンで分割する,PC-Netと呼ばれる新しいディープラーニングモデルを提案する。 PC-Netでは、ピラミッド圧縮励起(PSE)モジュールが各畳み込みブロックに空間情報を導入し、より効果的なマルチスケール特徴を抽出する能力を高めている。
論文参考訳（メタデータ） (2020-10-09T08:22:54Z)
DONet: Dual Objective Networks for Skin Lesion Segmentation [77.9806410198298]
本稿では,皮膚病変のセグメンテーションを改善するために,Dual Objective Networks (DONet) という,シンプルで効果的なフレームワークを提案する。我々のDONetは2つの対称デコーダを採用し、異なる目標に近づくための異なる予測を生成する。皮膚内視鏡画像における多種多様な病変のスケールと形状の課題に対処するために,再帰的コンテキスト符号化モジュール(RCEM)を提案する。
論文参考訳（メタデータ） (2020-08-19T06:02:46Z)
clDice -- A Novel Topology-Preserving Loss Function for Tubular Structure Segmentation [57.20783326661043]
中心線Dice (short clDice) と呼ばれる新しい類似度尺度を導入する。理論的には、clDiceは2次元および3次元のセグメンテーションにおけるホモトピー同値までのトポロジー保存を保証する。我々は、船舶、道路、ニューロン(2Dと3D)を含む5つの公開データセットでソフトクライス損失をベンチマークした。
論文参考訳（メタデータ） (2020-03-16T16:27:49Z)
AttentionAnatomy: A unified framework for whole-body organs at risk segmentation using multiple partially annotated datasets [30.23917416966188]
CT(Computed tomography)におけるOAR(Organs-at-risk)記述は,放射線治療(RT)計画において重要なステップである。提案したエンドツーエンドの畳み込みニューラルネットワークモデルである textbfAttentionAnatomy は、3つの部分注釈付きデータセットで共同でトレーニングできる。提案手法の実験結果から, ソレンセン・ディース係数 (DSC) と95%ハウスドルフ距離の両面で有意な改善が得られた。
論文参考訳（メタデータ） (2020-01-13T18:31:34Z)

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。