論文の概要: A Graph Attention-Guided Diffusion Model for Liver Vessel Segmentation

• arxiv url: http://arxiv.org/abs/2411.00617v1
• Date: Fri, 01 Nov 2024 14:25:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-28 17:07:43.313522
• Title: A Graph Attention-Guided Diffusion Model for Liver Vessel Segmentation
• Title（参考訳）: 肝血管セグメンテーションのためのグラフ注意誘導拡散モデル
• Authors: Xiaotong Zhang, Alexander Broersen, Gonnie CM van Erp, Silvia L. Pintea, Jouke Dijkstra,
• Abstract要約: 小血管の連続的な形状と細部を同時に獲得することは,既存の方法では困難である。 肝血管の分断にボトルネックを突破するための多スケールグラフアテンションガイダンスを用いた拡散モデルに基づく手法を提案する。 実験により,提案手法は,本研究で用いられている他の最先端手法よりも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）: 44.706905779969404
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Improving connectivity and completeness are the most challenging aspects of small liver vessel segmentation. It is difficult for existing methods to obtain segmented liver vessel trees simultaneously with continuous geometry and detail in small vessels. We proposed a diffusion model-based method with a multi-scale graph attention guidance to break through the bottleneck to segment the liver vessels. Experiments show that the proposed method outperforms the other state-of-the-art methods used in this study on two public datasets of 3D-ircadb-01 and LiVS. Dice coefficient and Sensitivity are improved by at least 11.67% and 24.21% on 3D-ircadb-01 dataset, and are improved by at least 3.21% and 9.11% on LiVS dataset. Connectivity is also quantitatively evaluated in this study and our method performs best. The proposed method is reliable for small liver vessel segmentation.
• Abstract（参考訳）: 接続性や完全性の向上は、小さな肝血管の分節化において最も難しい側面である。 小血管の連続的な形状と細部を同時に獲得することは,既存の方法では困難である。 肝血管の分断にボトルネックを突破するための多スケールグラフアテンションガイダンスを用いた拡散モデルに基づく手法を提案する。 実験の結果,提案手法は3D-ircadb-01とLiVSの2つの公開データセットにおいて,他の最先端手法よりも優れていることがわかった。 3D-ircadb-01データセットでは、Dice係数とSensitivityが少なくとも11.67%、24.21%改善され、LiVSデータセットでは少なくとも3.21%、9.11%改善されている。 本研究では接続性も定量的に評価し,本手法が有効であることを示す。 提案法は小肝血管の分節化に有効である。

関連論文リスト

• ViG3D-UNet: Volumetric Vascular Connectivity-Aware Segmentation via 3D Vision Graph Representation [13.363621889050426]
  ViG3D-UNetという名前の3Dビジョングラフニューラルネットワークフレームワークが導入された。 ViG3D-UNet法は, 連続血管セグメンテーションを容易にするために, U字型アーキテクチャ内に3次元グラフ表現とアグリゲーションを統合する。
  論文  参考訳（メタデータ） (2025-04-18T10:06:45Z)
• SMILE-UHURA Challenge -- Small Vessel Segmentation at Mesoscopic Scale from Ultra-High Resolution 7T Magnetic Resonance Angiograms [60.35639972035727]
  公開されている注釈付きデータセットの欠如は、堅牢で機械学習駆動のセグメンテーションアルゴリズムの開発を妨げている。 SMILE-UHURAチャレンジは、7T MRIで取得したTime-of-Flightアンジオグラフィーの注釈付きデータセットを提供することで、公開されている注釈付きデータセットのギャップに対処する。 Diceスコアは、それぞれのデータセットで0.838 $pm$0.066と0.716 $pm$ 0.125まで到達し、平均パフォーマンスは0.804 $pm$ 0.15までになった。
  論文  参考訳（メタデータ） (2024-11-14T17:06:00Z)
• Scale-specific auxiliary multi-task contrastive learning for deep liver vessel segmentation [0.8713453935346684]
  本稿では,血管のセグメンテーションのための新しい深層管理手法を提案する。 本稿では,木を様々な規模に分解するクラスタリング手法を提案する。 次に,従来の3D UNetをマルチタスク学習に拡張し,スケール固有の補助タスクとコントラスト学習を導入し,共有表現におけるスケール間の識別を促進する。
  論文  参考訳（メタデータ） (2024-09-18T22:03:22Z)
• Retinal Vessel Segmentation with Deep Graph and Capsule Reasoning [14.17478935979688]
  本稿では,CNNにカプセル畳み込みをマージして局所的特徴とグローバル的特徴の両方をキャプチャするGraph Capsule Convolution Network (GCC-UNet)を提案する。 我々のアプローチは広く使われている公開データセットの実験を通じて厳格に検証され、アブレーション研究は各コンポーネントの有効性を確認している。 特に、この研究は、医療画像セグメンテーションの領域におけるバニラ、グラフ、カプセル畳み込み技術の最初の統合である。
  論文  参考訳（メタデータ） (2024-09-17T19:22:29Z)
• A New Approach for Evaluating and Improving the Performance of Segmentation Algorithms on Hard-to-Detect Blood Vessels [0.0]
  容器の局所強度と画素周辺の画像背景を比較することにより、各容器画素に対して局所血管塩濃度(LVS)指数を算出する。 低濃度リコール(LSRecall)は、低濃度の血管セグメントにおけるセグメンテーションアルゴリズムの性能を定量化する新しい精度指標である。 高いDice値とリコール値を持つセグメンテーションアルゴリズムはLSRecall値が非常に低いことを示し、これらのアルゴリズムの系統的誤りを、低いサリエンスを持つ船舶に対して明らかにする。
  論文  参考訳（メタデータ） (2024-06-19T00:45:57Z)
• 3D Vascular Segmentation Supervised by 2D Annotation of Maximum Intensity Projection [33.34240545722551]
  血管構造のセグメンテーションは、医学的分析と臨床応用において重要な役割を担っている。 既存の弱監督法は, スパース血管構造を扱う際に, 最適下肢機能を示した。 ここでは,3次元体積の次元を2次元画像に変換するために,最大強度投影(MIP)を用いる。 MIPを介して2D-3Dの深い特徴を融合してセグメンテーション性能を向上させる弱教師付きネットワークを導入する。
  論文  参考訳（メタデータ） (2024-02-19T13:24:46Z)
• 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)
• Graph Convolution Based Cross-Network Multi-Scale Feature Fusion for Deep Vessel Segmentation [36.12106059822428]
  既存の方法で再建された容器は、しばしば臨床使用基準を満たすほど正確ではない。 ネットワークは,それぞれ初期セグメンテーションと精巧なセグメンテーションを行う2つのカスケードワークで構成されている。 これら2つのU字型ネットワーク間でクロスネットワークマルチスケール機能融合を行い、高品質な船体セグメンテーションを効果的に支援する。
  論文  参考訳（メタデータ） (2023-01-06T05:56:50Z)
• Mine yOur owN Anatomy: Revisiting Medical Image Segmentation with Extremely Limited Labels [54.58539616385138]
  我々は、Mine yOur owN Anatomy (MONA) と呼ばれる、新しい半教師付き2次元医用画像セグメンテーションフレームワークを紹介する。 まず、先行研究では、すべてのピクセルがモデルトレーニングに等しく重要であると論じており、我々はこの1つだけで意味のある解剖学的特徴を定義できないことを経験的に観察している。 第2に,医療画像を解剖学的特徴の集合に分解できるモデルを構築する。
  論文  参考訳（メタデータ） (2022-09-27T15:50:31Z)
• Building Brains: Subvolume Recombination for Data Augmentation in Large Vessel Occlusion Detection [56.67577446132946]
  この戦略をデータから学ぶためには、標準的なディープラーニングベースのモデルに対して、大規模なトレーニングデータセットが必要である。 そこで本研究では, 異なる患者から血管木セグメントを組換えることで, 人工的なトレーニングサンプルを生成する方法を提案する。 拡張スキームに則って,タスク固有の入力を入力した3D-DenseNetを用いて,半球間の比較を行う。
  論文  参考訳（メタデータ） (2022-05-05T10:31:57Z)
• DR-VNet: Retinal Vessel Segmentation via Dense Residual UNet [4.352318127577627]
  そこで本研究では,高密度ネットブロックの効率と残圧および励磁ブロックの効率を組み合わせた新しいディープラーニングパイプラインを提案する。 提案手法を3つのデータセットで検証し, 小型船舶の捕獲状況を評価するための感度測定値において, パイプラインが技術の現状より優れていることを示す。
  論文  参考訳（メタデータ） (2021-11-08T14:52:13Z)
• Hepatic vessel segmentation based on 3Dswin-transformer with inductive biased multi-head self-attention [46.46365941681487]
  Indu BIased Multi-Head Attention Vessel Net という,堅牢なエンドツーエンドのコンテナセグメンテーションネットワークを提案する。 正確な肝血管のボクセルを見つけるために,パッチワイド埋め込みよりもボクセルワイド埋め込みを導入する。 一方,絶対位置埋め込みから帰納的バイアス付き相対的位置埋め込みを学習する帰納的バイアス付きマルチヘッド自己アテンションを提案する。
  論文  参考訳（メタデータ） (2021-11-05T10:17:08Z)
• Pulmonary Vessel Segmentation based on Orthogonal Fused U-Net++ of Chest CT Images [1.8692254863855962]
  胸部CT画像から肺血管セグメンテーションの枠組みと改善過程について検討した。 アプローチの鍵となるのは、3つの軸から2.5D区分けネットワークを応用し、堅牢で完全に自動化された肺血管区分け結果を示す。 提案手法は,他のネットワーク構造よりも大きなマージンで優れ,平均DICEスコア0.9272,精度0.9310を極端に上回っている。
  論文  参考訳（メタデータ） (2021-07-03T21:46:29Z)
• Hierarchical Deep Network with Uncertainty-aware Semi-supervised Learning for Vessel Segmentation [58.45470500617549]
  本稿では,注目機構が血管全体に誘導される低コントラストキャピラリー領域を局在させる階層的なディープネットワークを提案する。 提案手法は,底部画像における網膜動脈/静脈の分画とCT画像における肝門/肝血管の分画のベンチマークにおいて,最先端の性能を実現する。
  論文  参考訳（メタデータ） (2021-05-31T06:55:43Z)
• Every Annotation Counts: Multi-label Deep Supervision for Medical Image Segmentation [85.0078917060652]
  この障壁を克服する半弱教師付きセグメンテーションアルゴリズムを提案する。 このアプローチは,深層指導と生徒・教師モデルの新しい定式化に基づいている。 我々の新しいセグメンテーションのトレーニング体制は、完全にラベル付けされ、バウンディングボックスでマークされた画像、単にグローバルラベル、あるいは全くないイメージを柔軟に活用することで、高価なラベルの要件を94.22%削減することができる。
  論文  参考訳（メタデータ） (2021-04-27T14:51:19Z)
• Channelized Axial Attention for Semantic Segmentation [70.14921019774793]
  チャネルアキシャルアテンション(CAA)を提案し、チャネルアテンションと軸アテンションをシームレスに統合し、計算複雑性を低減します。 私たちのCAAは、DANetのような他の注意モデルに比べて計算リソースをはるかに少なくするだけでなく、すべての検証済みデータセット上で最先端のResNet-101ベースのセグメンテーションモデルよりも優れています。
  論文  参考訳（メタデータ） (2021-01-19T03:08:03Z)
• 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)

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。