論文の概要: Hierarchical LoG Bayesian Neural Network for Enhanced Aorta Segmentation
- arxiv url: http://arxiv.org/abs/2501.10615v1
- Date: Sat, 18 Jan 2025 00:35:41 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-01-22 14:22:50.646795
- Title: Hierarchical LoG Bayesian Neural Network for Enhanced Aorta Segmentation
- Title（参考訳）: オータセグメンテーション強化のための階層型LoGベイズニューラルネットワーク
- Authors: Delin An, Pan Du, Pengfei Gu, Jian-Xun Wang, Chaoli Wang,
- Abstract要約: 本稿では,Gaussian(LoG)モデルのベイジアンニューラルネットワークに基づく階層型ラプラシアンを用いたオータセグメンテーションの新たな手法を提案する。
我々のモデルは3次元U-Netストリームと階層的なLoGストリームから構成されており、後者は血管検出を様々なスケールで強化する。
実験の結果,本モデルでは主大動脈と上大動脈の血管を正確に分断でき,Dice係数の3%以上の上昇率が得られることがわかった。
- 参考スコア（独自算出の注目度）: 8.014739073682966
- License:
- Abstract: Accurate segmentation of the aorta and its associated arch branches is crucial for diagnosing aortic diseases. While deep learning techniques have significantly improved aorta segmentation, they remain challenging due to the intricate multiscale structure and the complexity of the surrounding tissues. This paper presents a novel approach for enhancing aorta segmentation using a Bayesian neural network-based hierarchical Laplacian of Gaussian (LoG) model. Our model consists of a 3D U-Net stream and a hierarchical LoG stream: the former provides an initial aorta segmentation, and the latter enhances blood vessel detection across varying scales by learning suitable LoG kernels, enabling self-adaptive handling of different parts of the aorta vessels with significant scale differences. We employ a Bayesian method to parameterize the LoG stream and provide confidence intervals for the segmentation results, ensuring robustness and reliability of the prediction for vascular medical image analysts. Experimental results show that our model can accurately segment main and supra-aortic vessels, yielding at least a 3% gain in the Dice coefficient over state-of-the-art methods across multiple volumes drawn from two aorta datasets, and can provide reliable confidence intervals for different parts of the aorta. The code is available at https://github.com/adlsn/LoGBNet.
- Abstract（参考訳）: 大動脈疾患の診断には大動脈とその関連する弓枝の正確な分節が不可欠である。
深層学習技術は大動脈セグメンテーションを著しく改善してきたが、複雑なマルチスケール構造と周囲の組織の複雑さのため、これらは依然として困難である。
本稿では,Gaussian(LoG)モデルのベイジアンニューラルネットワークに基づく階層型ラプラシアンを用いたオータセグメンテーションの新たな手法を提案する。
我々のモデルは3次元U-Netストリームと階層LoGストリームで構成されており、前者は初期大動脈セグメンテーションを提供し、後者は適切なLoGカーネルを学習することで血管検出を強化し、大動脈血管の異なる部分の自己適応的ハンドリングを可能にする。
ベイジアン法を用いてLoGストリームをパラメータ化し,セグメンテーション結果に対する信頼区間を提供し,血管画像解析の信頼性と堅牢性を確保する。
実験結果から,本モデルでは主大動脈と上大動脈の血管を正確に分割し,2つの大動脈データセットから抽出した複数ボリュームにわたるDice係数を3%以上向上し,大動脈の各部位に対して信頼性の高い信頼区間を提供できることがわかった。
コードはhttps://github.com/adlsn/LoGBNetで公開されている。
関連論文リスト
- Robust semi-automatic vessel tracing in the human retinal image by an
instance segmentation neural network [1.324564545341267]
ケースセグメンテーションニューラルネットワーク(InSegNN)による人間の眼底画像に対する頑健な半自動血管追跡アルゴリズムの新たなアプローチを提案する。
InSegNNは、異なる血管樹を個別に分離し、ラベル付けすることで、枝分かれ全体を通して各木をトレースすることができる。
底面画像から個々の血管木を抽出し,同時に血管階層情報を保持することを実証した。
論文 参考訳（メタデータ） (2024-02-15T16:25:28Z) - CIS-UNet: Multi-Class Segmentation of the Aorta in Computed Tomography
Angiography via Context-Aware Shifted Window Self-Attention [10.335899694123711]
大動脈セグメンテーションのためのディープラーニングモデルであるContext Infused Swin-UNet(CIS-UNet)を紹介する。
CIS-UNetは、CNNエンコーダ、対称デコーダ、スキップ接続、新しいコンテキスト対応シフトウィンドウ自己認識(CSW-SA)をボトルネックブロックとする階層型エンコーダデコーダ構造を採用している。
CIS-UNetは,従来のSwinUNetRセグメンテーションモデルよりも優れた平均Dice係数0.713を達成し,コンピュータ断層撮影(CT)の訓練を行った。
論文 参考訳（メタデータ） (2024-01-23T19:17:20Z) - Multi-task learning for joint weakly-supervised segmentation and aortic
arch anomaly classification in fetal cardiac MRI [2.7962860265843563]
3D Black blood T2w MRIによる胎児血管分割の自動化と異常分類のための枠組みを提案する。
右大動脈弓部,右大動脈弓部,大動脈解離の疑いを主訴に来院した。
実験の結果,提案した学習戦略はラベルの伝播と,伝播ラベルのみに特化して訓練されたネットワークを著しく上回ることがわかった。
論文 参考訳（メタデータ） (2023-11-13T10:54:53Z) - Reliable Joint Segmentation of Retinal Edema Lesions in OCT Images [55.83984261827332]
本稿では,信頼性の高いマルチスケールウェーブレットエンハンストランスネットワークを提案する。
本研究では,ウェーブレット型特徴抽出器ネットワークとマルチスケール変圧器モジュールを統合したセグメンテーションバックボーンを開発した。
提案手法は,他の最先端セグメンテーション手法と比較して信頼性の高いセグメンテーション精度を実現する。
論文 参考訳（メタデータ） (2022-12-01T07:32:56Z) - CNN-based fully automatic wrist cartilage volume quantification in MR
Image [55.41644538483948]
追加の注意層を持つU-net畳み込みニューラルネットワークは、最高の手首軟骨分割性能を提供する。
非MRI法を用いて軟骨体積測定の誤差を独立に評価すべきである。
論文 参考訳（メタデータ） (2022-06-22T14:19:06Z) - 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) - Parametric Scaling of Preprocessing assisted U-net Architecture for
Improvised Retinal Vessel Segmentation [1.3869502085838448]
本稿では,形態素前処理と拡張U-netアーキテクチャを併用した画像強調手法を提案する。
ROC曲線 (>0.9762) と分類精度 (>95.47%) の領域において、領域内の他のアルゴリズムと比較して顕著な改善が得られた。
論文 参考訳（メタデータ） (2022-03-18T15:26:05Z) - 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) - Learning Tubule-Sensitive CNNs for Pulmonary Airway and Artery-Vein
Segmentation in CT [45.93021999366973]
肺気道,動脈,静脈の分節に対する畳み込みニューラルネットワーク(CNN)の訓練は困難である。
コントラスト非造影CTにおいて,CNNによる正確な気道および動脈静脈分画法を提案する。
細気管支、動脈、静脈に対して優れた感受性を有する。
論文 参考訳（メタデータ） (2020-12-10T15:56:08Z) - 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) - A Global Benchmark of Algorithms for Segmenting Late Gadolinium-Enhanced
Cardiac Magnetic Resonance Imaging [90.29017019187282]
現在世界最大の心臓LGE-MRIデータセットである154個の3D LGE-MRIを用いた「2018 left Atrium Challenge」。
技術および生物学的指標を用いた提案アルゴリズムの解析を行った。
その結果, 最上部法は93.2%, 平均表面は0.7mmであった。
論文 参考訳（メタデータ） (2020-04-26T08:49:17Z)
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。