論文の概要: Progressive Curriculum Learning with Scale-Enhanced U-Net for Continuous Airway Segmentation

• arxiv url: http://arxiv.org/abs/2410.18456v3
• Date: Fri, 28 Feb 2025 15:04:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-03 13:38:45.250218
• Title: Progressive Curriculum Learning with Scale-Enhanced U-Net for Continuous Airway Segmentation
• Title（参考訳）: 連続気道セグメンテーションのための拡張U-Netによるプログレッシブカリキュラム学習
• Authors: Bingyu Yang, Qingyao Tian, Huai Liao, Xinyan Huang, Jinlin Wu, Jingdi Hu, Hongbin Liu,
• Abstract要約: 胸部CT画像における気道の連続的,正確な分画は,術前の計画とリアルタイム気管支鏡ナビゲーションに不可欠である。 セグメンテーションの継続性を高めるために,プログレッシブカリキュラム学習パイプラインとスケール強化U-Netを提案する。 社内および公開データセットの両方の実験により、我々の手法が既存のアプローチより優れていることが示された。
• 参考スコア（独自算出の注目度）: 3.1903847117782274
• License:
• Abstract: Continuous and accurate segmentation of airways in chest CT images is essential for preoperative planning and real-time bronchoscopy navigation. Despite advances in deep learning for medical image segmentation, maintaining airway continuity remains a challenge, particularly due to intra-class imbalance between large and small branches and blurred CT scan details. To address these challenges, we propose a progressive curriculum learning pipeline and a Scale-Enhanced U-Net (SE-UNet) to enhance segmentation continuity. Specifically, our progressive curriculum learning pipeline consists of three stages: extracting main airways, identifying small airways, and repairing discontinuities. The cropping sampling strategy in each stage reduces feature interference between airways of different scales, effectively addressing the challenge of intra-class imbalance. In the third training stage, we present an Adaptive Topology-Responsive Loss (ATRL) to guide the network to focus on airway continuity. The progressive training pipeline shares the same SE-UNet, integrating multi-scale inputs and Detail Information Enhancers (DIEs) to enhance information flow and effectively capture the intricate details of small airways. Additionally, we propose a robust airway tree parsing method and hierarchical evaluation metrics to provide more clinically relevant and precise analysis. Experiments on both in-house and public datasets demonstrate that our method outperforms existing approaches, significantly improving the accuracy of small airways and the completeness of the airway tree. The code will be released upon publication.
• Abstract（参考訳）: 胸部CT画像における気道の連続的,正確な分画は,術前の計画とリアルタイム気管支鏡ナビゲーションに不可欠である。 医用画像セグメンテーションの深層学習の進歩にもかかわらず、気道連続性を維持することは、特に大枝と小枝の階級内不均衡とCTスキャンの詳細がぼやけているため、依然として課題である。 これらの課題に対処するため,セグメンテーション継続性を高めるために,プログレッシブカリキュラム学習パイプラインとSE-UNet(Scale-Enhanced U-Net)を提案する。 具体的には,主要な気道の抽出,小型気道の同定,不連続性の修復の3段階からなる。 各段階における刈り取りサンプリング戦略は、異なるスケールの気道間の特徴的干渉を低減し、クラス内不均衡の課題に効果的に対処する。 第3の訓練段階では,適応的トポロジ-レスポンシブ・ロス(ATRL)を提示し,気道連続性に着目してネットワークを誘導する。 プログレッシブトレーニングパイプラインは同じSE-UNetを共有し、マルチスケールインプットとディーテールインフォメーションエンハンサー(DIE)を統合して情報フローを強化し、小さな気道の複雑な詳細を効果的に捉える。 さらに,より臨床的かつ正確な解析を行うために,頑健な気道木解析手法と階層的評価指標を提案する。 室内と公共の両方のデータセットを用いた実験により,本手法は既存の手法よりも優れ,小型気道の精度と気道ツリーの完全性を大幅に向上することが示された。 コードは公開時に公開される。

関連論文リスト

• Semi- and Weakly-Supervised Learning for Mammogram Mass Segmentation with Limited Annotations [49.33388736227072]
  本稿では,マスセグメンテーションのための半弱教師付き学習フレームワークを提案する。 良好な性能を得るために, 限られた強ラベルのサンプルと十分な弱ラベルのサンプルを用いる。 CBIS-DDSMおよびINbreastデータセットを用いた実験により,本手法の有効性が示された。
  論文  参考訳（メタデータ） (2024-03-14T12:05:25Z)
• Accurate Airway Tree Segmentation in CT Scans via Anatomy-aware Multi-class Segmentation and Topology-guided Iterative Learning [15.492349389589121]
  CT(Computed tomography)における胸腔内気道セグメンテーションは様々な呼吸器疾患解析の前提条件である。 既存のエアウェイデータセットのほとんどは、不完全なラベル付き/注釈付きである。 本稿では,トポロジ誘導型反復型自己学習によって強化された,解剖学に適応したマルチクラスエアウェイセグメンテーション手法を提案する。
  論文  参考訳（メタデータ） (2023-06-15T13:23:05Z)
• MESAHA-Net: Multi-Encoders based Self-Adaptive Hard Attention Network with Maximum Intensity Projections for Lung Nodule Segmentation in CT Scan [6.266053305874546]
  マルチエンコーダをベースとした自己適応型ハードアテンションネットワーク(MESAHA-Net)をCTスキャンの高精度な肺結節分割のための効率的なエンドツーエンドフレームワークとして提案する。 MESAHA-Netは、肺結節のスライス・バイ・スライス2Dセグメンテーションを反復的に行い、各スライス内の結節領域に着目して肺結節の3Dセグメンテーションを生成する。 LIDC-IDRIデータセットは,肺結節セグメンテーションのための最大公用データセットである。
  論文  参考訳（メタデータ） (2023-04-04T07:05:15Z)
• Adversarial Transformer for Repairing Human Airway Segmentation [7.176060570019899]
  本稿では,従来のCT画像とともに事前分割を行い,気道構造の精細化マスクを出力するパッチスケール対向型精細化ネットワークを提案する。 その結果, 7つの測定値から定量的に評価し, 検出された長さ比と検出された枝比の15%以上を達成できた。
  論文  参考訳（メタデータ） (2022-10-21T15:20:08Z)
• Differentiable Topology-Preserved Distance Transform for Pulmonary Airway Segmentation [34.22415353209505]
  気道セグメンテーションの性能を向上させるために, 位相保存距離変換(DTPDT)フレームワークを提案する。 The Topology-Preserved Surrogate (TPS) learning strategy was first proposed to balance the training progress within-class distribution。 The Convolutional Distance Transform (CDT) is designed to identify the breakage phenomenon with superior sensitivity and minimize the variation of the distance map between the prediction and ground-truth。
  論文  参考訳（メタデータ） (2022-09-17T15:47:01Z)
• Boundary Guided Semantic Learning for Real-time COVID-19 Lung Infection Segmentation System [69.40329819373954]
  新型コロナウイルス(COVID-19)は、世界中の医療システムに悪影響を及ぼし続けている。 現段階では、新型コロナウイルスの診断と治療には、CT画像から肺感染症領域を自動的に分離することが不可欠である。 本稿では,境界案内型セマンティックラーニングネットワーク(BSNet)を提案する。
  論文  参考訳（メタデータ） (2022-09-07T05:01:38Z)
• Fuzzy Attention Neural Network to Tackle Discontinuity in Airway Segmentation [67.19443246236048]
  気道セグメンテーションは肺疾患の検査、診断、予後に重要である。 いくつかの小型の気道支線(気管支や終端など)は自動セグメンテーションの難しさを著しく増す。 本稿では,新しいファジィアテンションニューラルネットワークと包括的損失関数を備える,気道セグメンテーションの効率的な手法を提案する。
  論文  参考訳（メタデータ） (2022-09-05T16:38:13Z)
• What Makes for Automatic Reconstruction of Pulmonary Segments [50.216231776343115]
  肺の3次元再構成は肺癌の外科的治療計画において重要な役割を担っている。 しかし, 深層学習の時代には, 肺部分の自動再建は行われていない。 肺セグメント再建のための深部暗黙表面モデルImPulSeを提案する。
  論文  参考訳（メタデータ） (2022-07-07T04:24:17Z)
• BronchusNet: Region and Structure Prior Embedded Representation Learning for Bronchus Segmentation and Classification [53.53758990624962]
  そこで我々は,BronchusNetという組込みフレームワークに先立って,正確な気管支分析を行うための領域と構造を提案する。 気管支分画のための適応型ハード領域対応UNetを提案する。 気管支枝の分類には,ハイブリッドな点-ボクセルグラフ学習モジュールを提案する。
  論文  参考訳（メタデータ） (2022-05-14T02:32:33Z)
• 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)

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。