Fugu-MT 論文翻訳(概要): Scaling nnU-Net for CBCT Segmentation

論文の概要: Scaling nnU-Net for CBCT Segmentation

arxiv url: http://arxiv.org/abs/2411.17213v1
Date: Tue, 26 Nov 2024 08:29:24 GMT
ステータス: 翻訳完了
システム内更新日: 2024-11-27 13:35:06.040291
Title: Scaling nnU-Net for CBCT Segmentation
Title（参考訳）: CBCTセグメンテーションのための nnU-Net のスケーリング
Authors: Fabian Isensee, Yannick Kirchhoff, Lars Kraemer, Maximilian Rokuss, Constantin Ulrich, Klaus H. Maier-Hein,
Abstract要約: 本稿では, Cone Beam Computed Tomography (CBCT) 画像上でのマルチ構造分割のための nnU-Net フレームワークのスケールアップについて述べる。我々は nnU-Net ResEnc L モデルを活用し, パッチサイズ, ネットワークトポロジ, データ拡張戦略の鍵となる修正を加え, 歯科用CBCT イメージングの課題に対処した。テストセットでは, 平均Dice係数が0.9253, HD95が18.472であり, 平均ランクが4.6であり, TothFairy2チャレンジでは第1位であった。
参考スコア（独自算出の注目度）: 0.9854844969061186
License:
Abstract: This paper presents our approach to scaling the nnU-Net framework for multi-structure segmentation on Cone Beam Computed Tomography (CBCT) images, specifically in the scope of the ToothFairy2 Challenge. We leveraged the nnU-Net ResEnc L model, introducing key modifications to patch size, network topology, and data augmentation strategies to address the unique challenges of dental CBCT imaging. Our method achieved a mean Dice coefficient of 0.9253 and HD95 of 18.472 on the test set, securing a mean rank of 4.6 and with it the first place in the ToothFairy2 challenge. The source code is publicly available, encouraging further research and development in the field.
Abstract（参考訳）: 本稿では,Cone Beam Computed Tomography (CBCT) 画像上でのマルチ構造セグメンテーションのためのnnU-Netフレームワークのスケールアップについて,特にTothFairy2 Challengeの範囲内で述べる。我々は nnU-Net ResEnc L モデルを活用し, パッチサイズ, ネットワークトポロジ, およびデータ拡張戦略に重要な変更を加え, 歯科用CBCT イメージングのユニークな課題に対処した。テストセットでは, 平均Dice係数が0.9253, HD95が18.472であり, 平均ランクが4.6であり, TothFairy2チャレンジでは第1位であった。ソースコードは公開されており、この分野のさらなる研究と開発を奨励している。

関連論文リスト

Cycle Pixel Difference Network for Crisp Edge Detection [14.625034156501778]
エッジ検出はコンピュータビジョンの基本課題である。近年の深層学習手法は,1)大規模事前学習重量への依存,2)太いエッジの生成という2つの重大な課題に直面している。 CPD-Netと呼ばれるU字型エンコーダデコーダモデルを構築し、これら2つの問題に同時に対処する。
論文参考訳（メタデータ） (2024-09-06T13:28:05Z)
Extending nnU-Net is all you need [2.1729722043371016]
私たちはAMOS2022チャレンジに参加するためにnnU-Netを使用します。このデータセットはこれまでに作成された中で最大規模の15のターゲット構造を持つ。最終アンサンブルは,タスク1(CT)のDiceスコア90.13とタスク2(CT+MRI)の89.06を5倍のクロスバリデーションで達成した。
論文参考訳（メタデータ） (2022-08-23T07:54:29Z)
Highly Accurate Dichotomous Image Segmentation [139.79513044546]
Dichotomous Image segmentation (DIS)と呼ばれる新しいタスクは、自然画像から高度に正確な物体を抽出することを目的としている。私たちは、5,470の高解像度画像(例えば、2K、4K以上の画像)を含む最初の大規模データセットdis5Kを収集します。また、Disdisモデルトレーニングのための特徴レベルとマスクレベルの両方のガイダンスを用いて、単純な中間監視ベースライン(IS-Net)を導入する。
論文参考訳（メタデータ） (2022-03-06T20:09:19Z)
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)
Dense Gaussian Processes for Few-Shot Segmentation [66.08463078545306]
本稿では,高密度ガウス過程(GP)回帰に基づく数発のセグメンテーション法を提案する。 GPの高次元出力空間を学習するために,提案手法のエンドツーエンド学習機能を利用する。提案手法では,PASCAL-5$i$とCOCO-20$i$のベンチマークで,1ショットと5ショットのFSSをそれぞれ新たな最先端に設定する。
論文参考訳（メタデータ） (2021-10-07T17:57:54Z)
Using Out-of-the-Box Frameworks for Unpaired Image Translation and Image Segmentation for the crossMoDA Challenge [0.6396288020763143]
コントラスト強化T1 MRから高分解能T2 MRへの領域適応にCUTモデルを用いる。セグメンテーションタスクでは、nnU-Netフレームワークを使用します。
論文参考訳（メタデータ） (2021-10-02T08:04:46Z)
CFPNet-M: A Light-Weight Encoder-Decoder Based Network for Multimodal Biomedical Image Real-Time Segmentation [0.0]
我々は,新しい軽量アーキテクチャ -- 医療用チャネルワイズ機能ピラミッドネットワークを開発した。 u-netの約2%のパラメータと8mbのメモリを持つ5つの医療データセットで同等のセグメンテーション結果を達成している。
論文参考訳（メタデータ） (2021-05-10T02:29:11Z)
SAR-U-Net: squeeze-and-excitation block and atrous spatial pyramid pooling based residual U-Net for automatic liver CT segmentation [3.192503074844775]
Squeeze-and-Excitation(SE)ブロック,Atrous Space Pyramid Pooling(ASPP),Resternal Learningといったテクニックを活用した,U-Netベースのフレームワークが提案されている。提案手法の有効性を2つの公開データセットLiTS17とSLiver07で検証した。
論文参考訳（メタデータ） (2021-03-11T02:32:59Z)
An Uncertainty-Driven GCN Refinement Strategy for Organ Segmentation [53.425900196763756]
本研究では,不確実性解析とグラフ畳み込みネットワークに基づくセグメンテーション改善手法を提案する。半教師付きグラフ学習問題を定式化するために、特定の入力ボリュームにおける畳み込みネットワークの不確実性レベルを用いる。本手法は膵臓で1%,脾臓で2%向上し,最先端のCRF改善法よりも優れていた。
論文参考訳（メタデータ） (2020-12-06T18:55:07Z)
Pairwise Relation Learning for Semi-supervised Gland Segmentation [90.45303394358493]
病理組織像における腺分節に対するPRS2モデルを提案する。このモデルはセグメンテーションネットワーク(S-Net)とペア関係ネットワーク(PR-Net)から構成される。我々は,GlaSデータセットの最近の5つの手法とCRAGデータセットの最近の3つの手法を比較した。
論文参考訳（メタデータ） (2020-08-06T15:02:38Z)
CRNet: Cross-Reference Networks for Few-Shot Segmentation [59.85183776573642]
少ないショットセグメンテーションは、少数のトレーニングイメージを持つ新しいクラスに一般化できるセグメンテーションモデルを学ぶことを目的としている。相互参照機構により、我々のネットワークは2つの画像に共起する物体をよりよく見つけることができる。 PASCAL VOC 2012データセットの実験は、我々のネットワークが最先端のパフォーマンスを達成することを示す。
論文参考訳（メタデータ） (2020-03-24T04:55:43Z)

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。