論文の概要: Topology-Aware Exploration of Circle of Willis for CTA and MRA: Segmentation, Detection, and Classification

• arxiv url: http://arxiv.org/abs/2410.15614v1
• Date: Mon, 21 Oct 2024 03:33:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-22 13:16:05.766208
• Title: Topology-Aware Exploration of Circle of Willis for CTA and MRA: Segmentation, Detection, and Classification
• Title（参考訳）: CTAとMRAのウィリス円のトポロジーによる探索--セグメンテーション, 検出, 分類
• Authors: Minghui Zhang, Xin You, Hanxiao Zhang, Yun Gu,
• Abstract要約: ウィリスの円 (Circle of Willis, CoW) は、脳の主要な循環を繋ぐために重要である。 TopCow24は125組のCTA-MRAデータセットをCoWの分析のために提供した。 独立強度前処理を用いて普遍的データセットを構築し,次に連成再サンプリングと正規化を行う。
• 参考スコア（独自算出の注目度）: 12.086308374432084
• License:
• Abstract: The Circle of Willis (CoW) vessels is critical to connecting major circulations of the brain. The topology of the vascular structure is clinical significance to evaluate the risk, severity of the neuro-vascular diseases. The CoW has two representative angiographic imaging modalities, computed tomography angiography (CTA) and magnetic resonance angiography (MRA). TopCow24 provided 125 paired CTA-MRA dataset for the analysis of CoW. To explore both CTA and MRA images in a unified framework to learn the inherent topology of Cow, we construct the universal dataset via independent intensity preprocess, followed by joint resampling and normarlization. Then, we utilize the topology-aware loss to enhance the topology completeness of the CoW and the discrimination between different classes. A complementary topology-aware refinement is further conducted to enhance the connectivity within the same class. Our method was evaluated on all the three tasks and two modalities, achieving competitive results. In the final test phase of TopCow24 Challenge, we achieved the second place in the CTA-Seg-Task, the third palce in the CTA-Box-Task, the first place in the CTA-Edg-Task, the second place in the MRA-Seg-Task, the third palce in the MRA-Box-Task, the second place in the MRA-Edg-Task.
• Abstract（参考訳）: ウィリスの円 (Circle of Willis, CoW) は、脳の主要な循環を繋ぐために重要である。 血管構造のトポロジーは、神経血管疾患のリスク、重症度を評価するために臨床的に重要である。 CoWには2つの代表的な血管造影像、CTアンギオグラフィー(CTA)と磁気共鳴アンギオグラフィー(MRA)がある。 TopCow24は125組のCTA-MRAデータセットをCoWの分析のために提供した。 CTAとMRAの両方の画像を統一的なフレームワークで探索し、Cowの固有のトポロジを学習するために、独立強度前処理を用いて普遍的なデータセットを構築し、次いで結合再サンプリングと正規化を行う。 そこで我々は,CoWのトポロジ完全性を高め,異なるクラス間の差別化を図るためにトポロジ認識損失を利用する。 同じクラス内での接続性を高めるために、相補的なトポロジ対応の改良がさらに行われる。 提案手法は,3つのタスクと2つのモードで評価し,競争的な結果を得た。 TopCow24 Challengeの最終テストフェーズでは、CTA-Seg-Taskの第2位、CTA-Box-Task第1位、MRA-Seg-Task第2位、MRA-Box-Task第3位、MRA-Edg-Task第2位を達成しました。

関連論文リスト

• RadGenome-Chest CT: A Grounded Vision-Language Dataset for Chest CT Analysis [56.57177181778517]
  RadGenome-Chest CTはCT-RATEに基づく大規模3次元胸部CT解釈データセットである。 私たちは、最新の強力なユニバーサルセグメンテーションと大きな言語モデルを活用して、元のデータセットを拡張します。
  論文  参考訳（メタデータ） (2024-04-25T17:11:37Z)
• Benchmarking the CoW with the TopCoW Challenge: Topology-Aware Anatomical Segmentation of the Circle of Willis for CTA and MRA [46.494640157628304]
  TopCoWデータセットは、13の可能なCoWコンテナコンポーネントに対して、ボクセルレベルのアノテーションを備えた最初のパブリックデータセットである。 TopCoWチャレンジは、マルチクラス解剖学的セグメンテーションタスクとしてCoWの特性問題を定式化した。 トップパフォーマンスチームは、多くのCoWコンポーネントをDiceのスコアに分割することに成功しました。
  論文  参考訳（メタデータ） (2023-12-29T16:37:08Z)
• MPSeg : Multi-Phase strategy for coronary artery Segmentation [9.767759441883008]
  冠動脈セグメンテーションのための革新的多相戦略であるMPSegを提案する。 本手法は,これらの構造的複雑度に特化しており,SynTAXスコアの原理に準拠している。 特に, 自動冠状動脈疾患診断では, 異常な効果が認められた。
  論文  参考訳（メタデータ） (2023-11-17T03:33:09Z)
• Learned Local Attention Maps for Synthesising Vessel Segmentations [43.314353195417326]
  我々は、T2 MRIのみから、Willis(CoW)円の主大脳動脈の分節を合成するためのエンコーダ・デコーダモデルを提案する。 これは、セグメンテーションラベルを拡張することによって生成された学習されたローカルアテンションマップを使用し、ネットワークはCoWの合成に関連するT2 MRIからのみ情報を抽出する。
  論文  参考訳（メタデータ） (2023-08-24T15:32:27Z)
• MyoPS: A Benchmark of Myocardial Pathology Segmentation Combining Three-Sequence Cardiac Magnetic Resonance Images [84.02849948202116]
  本研究は,MyoPS(MyoPS)の医療画像解析における新たな課題を定義するものである。 myoPSは、MICCAI 2020とともにMyoPSチャレンジで最初に提案された3シーケンスの心臓磁気共鳴(CMR)画像を組み合わせている。 この課題は45対のCMR画像と予め整列されたCMR画像を提供し、アルゴリズムは3つのCMRシーケンスから補完的な情報を結合して病理領域を分割することを可能にする。
  論文  参考訳（メタデータ） (2022-01-10T06:37:23Z)
• TA-Net: Topology-Aware Network for Gland Segmentation [71.52681611057271]
  本研究では, 密集した腺と高度に変形した腺を正確に分離する新しいトポロジ・アウェア・ネットワーク(TA-Net)を提案する。 TA-Netはマルチタスク学習アーキテクチャを持ち、腺セグメンテーションの一般化を強化する。 2つのデータセットで最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2021-10-27T17:10:58Z)
• Cross-Site Severity Assessment of COVID-19 from CT Images via Domain Adaptation [64.59521853145368]
  CT画像によるコロナウイルス病2019(COVID-19)の早期かつ正確な重症度評価は,集中治療単位のイベント推定に有効である。 ラベル付きデータを拡張し、分類モデルの一般化能力を向上させるためには、複数のサイトからデータを集約する必要がある。 この課題は、軽度の感染症と重度の感染症の集団不均衡、部位間のドメイン分布の相違、不均一な特徴の存在など、いくつかの課題に直面する。
  論文  参考訳（メタデータ） (2021-09-08T07:56:51Z)
• HF-UNet: Learning Hierarchically Inter-Task Relevance in Multi-Task U-Net for Accurate Prostate Segmentation [56.86396352441269]
  我々は,CT画像における前立腺区分けの課題に取り組み,1)高速な局所化のための第1段階,2)正確に前立腺区分けを行う第2段階の2段階の2段階からなる2段階のネットワークを用いた。 前立腺のセグメンテーションを第2段階に正確に分割するために、前立腺のセグメンテーションを多タスク学習フレームワークに定式化し、前立腺のセグメンテーションをセグメンテーションするメインタスクと、前立腺の境界を規定する補助タスクを含む。 対照的に、従来のマルチタスクディープネットワークは、通常、すべてのタスクのパラメータ(つまり特徴表現)の大部分を共有しており、異なるタスクの特異性としてデータ適合性を制限している可能性がある。
  論文  参考訳（メタデータ） (2020-05-21T02:53:52Z)
• Simultaneous Left Atrium Anatomy and Scar Segmentations via Deep Learning in Multiview Information with Attention [14.252180320919551]
  心房細動(AF)患者における左心房粗動の3次元遅発性心MR(LGE)強調法(CMR)は,近年,患者を成層化するための有望な手法として注目されている。 これは、高強度の傷痕組織の分節と左房解剖(LA)の分節を必要とする。 マルチビュー2タスク(MVTT)に基づく共同セグメンテーション手法を提案する。 3D LGE CMR画像を直接作業することで、LAを分割し、傷跡をデライン化することができる。
  論文  参考訳（メタデータ） (2020-02-02T18:03:44Z)

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。