論文の概要: Improving 3D Medical Image Segmentation at Boundary Regions using Local Self-attention and Global Volume Mixing

• arxiv url: http://arxiv.org/abs/2410.15360v1
• Date: Sun, 20 Oct 2024 11:08:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-22 13:16:56.024256
• Title: Improving 3D Medical Image Segmentation at Boundary Regions using Local Self-attention and Global Volume Mixing
• Title（参考訳）: 局所的自己注意とグローバルボリュームミキシングによる境界領域の3次元医用画像分割の改善
• Authors: Daniya Najiha Abdul Kareem, Mustansar Fiaz, Noa Novershtern, Jacob Hanna, Hisham Cholakkal,
• Abstract要約: ボリューム・メディカル・イメージ・セグメンテーションは、与えられた3次元ボリューム・メディカル・イメージをボクセルレベルの精度で正確に分類することを目的とする医用画像解析の基本的な問題である。 本研究では,3次元医用画像セグメンテーションにおける局所的およびグローバルな依存関係を明示的に捉えることを目的とした,階層型エンコーダデコーダベースの新しいフレームワークを提案する。 提案フレームワークは,局所的なボリュームベースの自己アテンションを利用して局所的な依存関係を高解像度でエンコードし,低解像度の特徴表現でグローバルな依存関係をキャプチャする新しいボリュームミキサを導入する。
• 参考スコア（独自算出の注目度）: 14.0825980706386
• License:
• Abstract: Volumetric medical image segmentation is a fundamental problem in medical image analysis where the objective is to accurately classify a given 3D volumetric medical image with voxel-level precision. In this work, we propose a novel hierarchical encoder-decoder-based framework that strives to explicitly capture the local and global dependencies for volumetric 3D medical image segmentation. The proposed framework exploits local volume-based self-attention to encode the local dependencies at high resolution and introduces a novel volumetric MLP-mixer to capture the global dependencies at low-resolution feature representations, respectively. The proposed volumetric MLP-mixer learns better associations among volumetric feature representations. These explicit local and global feature representations contribute to better learning of the shape-boundary characteristics of the organs. Extensive experiments on three different datasets reveal that the proposed method achieves favorable performance compared to state-of-the-art approaches. On the challenging Synapse Multi-organ dataset, the proposed method achieves an absolute 3.82\% gain over the state-of-the-art approaches in terms of HD95 evaluation metrics {while a similar improvement pattern is exhibited in MSD Liver and Pancreas tumor datasets}. We also provide a detailed comparison between recent architectural design choices in the 2D computer vision literature by adapting them for the problem of 3D medical image segmentation. Finally, our experiments on the ZebraFish 3D cell membrane dataset having limited training data demonstrate the superior transfer learning capabilities of the proposed vMixer model on the challenging 3D cell instance segmentation task, where accurate boundary prediction plays a vital role in distinguishing individual cell instances.
• Abstract（参考訳）: ボリューム・メディカル・イメージ・セグメンテーションは、与えられた3次元ボリューム・メディカル・イメージをボクセルレベルの精度で正確に分類することを目的とする医用画像解析の基本的な問題である。 本研究では,ボリューム3次元医用画像セグメンテーションにおける局所的およびグローバルな依存関係を明示的に捉えることを目的とした,階層型エンコーダデコーダベースの新しいフレームワークを提案する。 提案フレームワークは,局所的なボリュームベースの自己アテンションを利用して局所的な依存関係を高解像度でエンコードし,低解像度の特徴表現でグローバルな依存関係をキャプチャする新しいボリュームMLP-mixerを導入する。 提案したボリューム型MLPミキサーは、ボリューム型特徴表現間のより良い関連を学習する。 これらの明示的な局所的特徴表現とグローバル的特徴表現は、臓器の形状境界特性の学習に寄与する。 3つの異なるデータセットに対する大規模な実験により,提案手法は最先端の手法と比較して良好な性能が得られることが明らかになった。 課題であるSynapse Multi-organ データセットでは,HD95 評価指標を用いて,最先端のアプローチに対して絶対 3.82 % の利得が得られるが,MSD Liver と Pancreas の腫瘍データセットでは同様の改善パターンが示される。 また、3次元医用画像分割問題に適応させることにより、近年の2次元コンピュータビジョン文献におけるアーキテクチャ設計選択の詳細な比較を行う。 最後に,学習データに制限があるゼブラフィッシュ3D細胞膜データセットを用いた実験により,個々の細胞インスタンスを識別する上で,正確な境界予測が重要な役割を果たす課題である3D細胞インスタンス分割タスクにおいて,提案したvMixerモデルの転送学習能力が優れていることを示した。

関連論文リスト

• Discriminative Hamiltonian Variational Autoencoder for Accurate Tumor Segmentation in Data-Scarce Regimes [2.8498944632323755]
  医用画像分割のためのエンドツーエンドハイブリッドアーキテクチャを提案する。 ハミルトン変分オートエンコーダ(HVAE)と識別正則化を用いて生成画像の品質を向上する。 我々のアーキテクチャはスライス・バイ・スライス・ベースで3Dボリュームを分割し、リッチな拡張データセットをカプセル化する。
  論文  参考訳（メタデータ） (2024-06-17T15:42:08Z)
• A Mutual Inclusion Mechanism for Precise Boundary Segmentation in Medical Images [2.9137615132901704]
  医用画像の正確な境界セグメンテーションのための新しい深層学習手法MIPC-Netを提案する。 位置特徴抽出時のチャネル情報に重点を置くMIPCモジュールを提案する。 また,エンコーダとデコーダの統合性を高めるグローバルな残差接続であるGL-MIPC-Residueを提案する。
  論文  参考訳（メタデータ） (2024-04-12T02:14:35Z)
• CycleINR: Cycle Implicit Neural Representation for Arbitrary-Scale Volumetric Super-Resolution of Medical Data [19.085329423308938]
  CycleINRは、3次元医療データの超高解像度化のための新しい拡張インプリシトニューラルネットワーク表現モデルである。 そこで我々は,Slice-wise Noise Level Inconsistency (SNLI) を新たに導入し,Slice-wise noise Level inconsistency (SNLI) を定量的に評価する。
  論文  参考訳（メタデータ） (2024-04-07T08:48:01Z)
• SDR-Former: A Siamese Dual-Resolution Transformer for Liver Lesion Classification Using 3D Multi-Phase Imaging [59.78761085714715]
  本研究は肝病変分類のための新しいSDR-Formerフレームワークを提案する。 提案フレームワークは2つの臨床データセットに関する総合的な実験を通じて検証された。 科学コミュニティを支援するため,肝病変解析のための多段階MRデータセットを公開しています。
  論文  参考訳（メタデータ） (2024-02-27T06:32:56Z)
• On the Localization of Ultrasound Image Slices within Point Distribution Models [84.27083443424408]
  甲状腺疾患は高分解能超音波(US)で診断されることが多い 縦断追跡は病理甲状腺形態の変化をモニタリングするための重要な診断プロトコルである。 3次元形状表現におけるUS画像の自動スライスローカライズのためのフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-09-01T10:10:46Z)
• 3D Medical Image Segmentation based on multi-scale MPU-Net [5.393743755706745]
  本稿では,患者のCT画像に対する腫瘍分割モデルMPU-Netを提案する。 グローバルアテンション機構を備えたTransformerにインスパイアされている。 ベンチマークモデルであるU-Netと比較して、MPU-Netは優れたセグメンテーション結果を示す。
  論文  参考訳（メタデータ） (2023-07-11T20:46:19Z)
• 3DSAM-adapter: Holistic adaptation of SAM from 2D to 3D for promptable tumor segmentation [52.699139151447945]
  医用画像の領域分割を行うために, SAMを2次元から3次元に変換する新しい適応法を提案する。 本モデルでは, 腎腫瘍, 膵腫瘍, 大腸癌の3つのタスクのうち8.25%, 29.87%, 10.11%の3つのタスクにおいて, ドメイン・オブ・ザ・アーティヴ・メディカル・イメージ・セグメンテーション・モデルより優れ, 肝腫瘍セグメンテーションでも同様の性能が得られる。
  論文  参考訳（メタデータ） (2023-06-23T12:09:52Z)
• CORPS: Cost-free Rigorous Pseudo-labeling based on Similarity-ranking for Brain MRI Segmentation [3.1657395760137406]
  本稿では,新しいアトラスを用いた擬似ラベル法と3次元脳MRI分割のための3次元深部畳み込みニューラルネットワーク(DCNN)に基づく半教師付きセグメンテーションフレームワークを提案する。 実験により, 定性的, 定量的に比較して, 提案手法の優位性を示した。
  論文  参考訳（メタデータ） (2022-05-19T14:42:49Z)
• A unified 3D framework for Organs at Risk Localization and Segmentation for Radiation Therapy Planning [56.52933974838905]
  現在の医療ワークフローは、OAR(Organs-at-risk)のマニュアル記述を必要とする 本研究は,OARローカライゼーション・セグメンテーションのための統合された3Dパイプラインの導入を目的とする。 提案手法は医用画像に固有の3Dコンテキスト情報の活用を可能にする。
  論文  参考訳（メタデータ） (2022-03-01T17:08:41Z)
• Hierarchical Amortized Training for Memory-efficient High Resolution 3D GAN [52.851990439671475]
  本稿では,高解像度な3D画像を生成することができる新しいエンドツーエンドGANアーキテクチャを提案する。 トレーニングと推論の異なる構成を使用することで、この目標を達成する。 3次元胸郭CTと脳MRIの実験により、我々のアプローチは画像生成における最先端技術より優れていることが示された。
  論文  参考訳（メタデータ） (2020-08-05T02:33:04Z)
• Modelling the Distribution of 3D Brain MRI using a 2D Slice VAE [66.63629641650572]
  本研究では,2次元スライスVAEとガウスモデルを組み合わせた3次元MR脳の体積分布をモデル化する手法を提案する。 また,本研究では,脳解剖学に適合するセグメンテーションの精度を定量的に評価する新たなボリューム評価手法を提案する。
  論文  参考訳（メタデータ） (2020-07-09T13:23:15Z)

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。