論文の概要: Stroke Lesion Segmentation using Multi-Stage Cross-Scale Attention
- arxiv url: http://arxiv.org/abs/2501.15423v1
- Date: Sun, 26 Jan 2025 06:57:31 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-01-28 13:54:52.943046
- Title: Stroke Lesion Segmentation using Multi-Stage Cross-Scale Attention
- Title(参考訳): マルチステージクロススケールアテンションを用いたストローク病変分割
- Authors: Liang Shang, William A. Sethares, Anusha Adluru, Andrew L. Alexander, Vivek Prabhakaran, Veena A. Nair, Nagesh Adluru,
- Abstract要約: この研究は、脳の構造的特徴と様々な大きさの病変のマッピングを改善するためのマルチステージクロススケール注意(Multi-Stage Cross-Scale Attention, MSCSA)機構を導入する。
Anatomical Tracings of Lesions After Stroke (ATLAS) v2.0 データセットを使用して、MSCSA はDice と F1 のスコアにおいて、小さな病変に焦点を当てたサブセットで全てのベースラインメソッドを上回ります。
- 参考スコア(独自算出の注目度): 1.9973808639817021
- License:
- Abstract: Precise characterization of stroke lesions from MRI data has immense value in prognosticating clinical and cognitive outcomes following a stroke. Manual stroke lesion segmentation is time-consuming and requires the expertise of neurologists and neuroradiologists. Often, lesions are grossly characterized for their location and overall extent using bounding boxes without specific delineation of their boundaries. While such characterization provides some clinical value, to develop a precise mechanistic understanding of the impact of lesions on post-stroke vascular contributions to cognitive impairments and dementia (VCID), the stroke lesions need to be fully segmented with accurate boundaries. This work introduces the Multi-Stage Cross-Scale Attention (MSCSA) mechanism, applied to the U-Net family, to improve the mapping between brain structural features and lesions of varying sizes. Using the Anatomical Tracings of Lesions After Stroke (ATLAS) v2.0 dataset, MSCSA outperforms all baseline methods in both Dice and F1 scores on a subset focusing on small lesions, while maintaining competitive performance across the entire dataset. Notably, the ensemble strategy incorporating MSCSA achieves the highest scores for Dice and F1 on both the full dataset and the small lesion subset. These results demonstrate the effectiveness of MSCSA in segmenting small lesions and highlight its robustness across different training schemes for large stroke lesions. Our code is available at: https://github.com/nadluru/StrokeLesSeg.
- Abstract(参考訳): MRIデータによる脳卒中病変の精密評価は,脳卒中後の臨床的,認知的結果の予後に極めて有意な影響を及ぼす。
手動脳梗塞の分節は時間を要するため、神経科医や神経放射線科医の専門知識が必要である。
多くの場合、病変は、境界線を指定せずに境界ボックスを使用して、その位置と全体的な範囲を特徴付ける。
このような特徴はいくつかの臨床的価値を提供するが、脳卒中の病変が認知障害や認知認知症(VCID)への後血管的貢献に与える影響を正確に理解するためには、脳卒中病変を正確な境界で完全に区分けする必要がある。
この研究は、U-Netファミリーに適用されたマルチステージクロススケール注意(Multi-Stage Cross-Scale Attention, MSCSA)機構を導入し、脳の構造的特徴と様々な大きさの病変のマッピングを改善する。
Anatomical Tracings of Lesions After Stroke (ATLAS) v2.0データセットを使用して、MSCSAは、データセット全体の競争性能を維持しながら、小さな病変に焦点を当てたサブセット上で、DiceとF1のスコアにおいて、すべてのベースラインメソッドを上回ります。
特に、MSCSAを組み込んだアンサンブル戦略は、全データセットと小病変サブセットの両方において、DiceとF1のスコアが最も高い。
以上の結果より,小病変の分節化におけるMSCSAの有効性が示され,大脳卒中病変に対する訓練方法の相違が明らかとなった。
私たちのコードは、https://github.com/nadluru/StrokeLesSegで利用可能です。
関連論文リスト
- SegHeD+: Segmentation of Heterogeneous Data for Multiple Sclerosis Lesions with Anatomical Constraints and Lesion-aware Augmentation [1.6365496769445946]
複数のデータセットやタスクを扱える新しいセグメンテーションモデルであるSegHeD+を紹介します。
分割モデルに経時的,解剖学的,体積的制約を組み込むことにより,MS病変に関するドメイン知識を統合する。
SegHeD+は5つのMSデータセットで評価され、すべての、新しい、消滅する病変のセグメンテーションにおいて優れたパフォーマンスを示す。
論文 参考訳(メタデータ) (2024-12-14T19:44:25Z) - ICH-SCNet: Intracerebral Hemorrhage Segmentation and Prognosis Classification Network Using CLIP-guided SAM mechanism [12.469269425813607]
脳内出血 (ICH) は脳卒中で最も致命的なサブタイプであり, 障害の発生頻度が高いことが特徴である。
既存のアプローチでは、これらの2つのタスクを独立して処理し、主にデータのみにフォーカスする。
本稿では,ICHセグメンテーションと予後分類の両方のために設計されたマルチタスクネットワークICH-SCNetを提案する。
論文 参考訳(メタデータ) (2024-11-07T12:34:25Z) - Preserving Cardiac Integrity: A Topology-Infused Approach to Whole Heart Segmentation [6.495726693226574]
全心セグメンテーション(WHS)は、心臓血管疾患の診断、疾患のモニタリング、治療計画、予後をサポートする。
本稿では,深層ニューラルネットワークに統合された新しいトポロジ保存モジュールを提案する。
この実装は、学習したトポロジ保存フィールドを用いて、完全に3次元の畳み込みに基づいており、3次元のボクセルデータに対して非常に効果的である、解剖学的に妥当なセグメンテーションを実現する。
論文 参考訳(メタデータ) (2024-10-14T14:32:05Z) - Dual-scale Enhanced and Cross-generative Consistency Learning for Semi-supervised Medical Image Segmentation [49.57907601086494]
医用画像のセグメンテーションはコンピュータ支援診断において重要な役割を担っている。
半教師型医用画像(DEC-Seg)のための新しいDual-scale Enhanced and Cross-generative consistency learning frameworkを提案する。
論文 参考訳(メタデータ) (2023-12-26T12:56:31Z) - Improving Multiple Sclerosis Lesion Segmentation Across Clinical Sites:
A Federated Learning Approach with Noise-Resilient Training [75.40980802817349]
深層学習モデルは、自動的にMS病変を分節する約束を示しているが、正確な注釈付きデータの不足は、この分野の進歩を妨げている。
我々は,MS病変の不均衡分布とファジィ境界を考慮したDecoupled Hard Label Correction(DHLC)戦略を導入する。
また,集約型中央モデルを利用したCELC(Centrally Enhanced Label Correction)戦略も導入した。
論文 参考訳(メタデータ) (2023-08-31T00:36:10Z) - 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) - MS Lesion Segmentation: Revisiting Weighting Mechanisms for Federated
Learning [92.91544082745196]
フェデレートラーニング(FL)は医用画像解析に広く用いられている。
FLのパフォーマンスは、多発性硬化症(MS)病変セグメンテーションタスクに制限される。
2つの効果的な再重み付け機構によるFLMS病変分割フレームワークを提案する。
論文 参考訳(メタデータ) (2022-05-03T14:06:03Z) - External Attention Assisted Multi-Phase Splenic Vascular Injury
Segmentation with Limited Data [72.99534552950138]
脾臓は腹部外傷において最も多く損傷を受けた固形臓器の1つである。
脾臓血管損傷の 正確な分節化は 以下の理由から 困難です
論文 参考訳(メタデータ) (2022-01-04T02:35:56Z) - Multiple Sclerosis Lesion Activity Segmentation with Attention-Guided
Two-Path CNNs [49.32653090178743]
畳み込みニューラルネットワーク(CNN)は2つの時点から病変活動のセグメンテーションについて研究されている。
CNNは、異なる方法で2つのポイントからの情報を組み合わせて設計され、評価される。
深層学習に基づく手法が古典的アプローチより優れていることが実証された。
論文 参考訳(メタデータ) (2020-08-05T08:49:20Z) - Weakly-Supervised Lesion Segmentation on CT Scans using Co-Segmentation [18.58056402884405]
CTスキャンにおける病変分割は,病変・腫瘍の進展を正確に観察するための重要なステップである。
現在の慣行は、固形腫瘍の反応評価基準と呼ばれる不正確な代用に依存している。
本稿では,畳み込みニューラルネットワークを用いた弱教師付き病変分割法を提案する。
論文 参考訳(メタデータ) (2020-01-23T15:15:53Z)
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。