論文の概要: SeqSeg: Learning Local Segments for Automatic Vascular Model Construction

• arxiv url: http://arxiv.org/abs/2501.15712v1
• Date: Mon, 27 Jan 2025 00:31:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-28 13:54:12.321560
• Title: SeqSeg: Learning Local Segments for Automatic Vascular Model Construction
• Title（参考訳）: SeqSeg: 自動血管モデル構築のための局所セグメント学習
• Authors: Numi Sveinsson Cepero, Shawn C. Shadden,
• Abstract要約: SeqSegは、画像ベースの血管モデルを構築するための、新しいディープラーニングベースの自動トレースとセグメンテーションアルゴリズムである。 SeqSegはより完全な血管を分断でき、トレーニングデータに注釈を付さない血管構造に一般化できることを示した。
• 参考スコア（独自算出の注目度）: 2.4567747195551175
• License:
• Abstract: Computational modeling of cardiovascular function has become a critical part of diagnosing, treating and understanding cardiovascular disease. Most strategies involve constructing anatomically accurate computer models of cardiovascular structures, which is a multistep, time-consuming process. To improve the model generation process, we herein present SeqSeg (sequential segmentation): a novel deep learning based automatic tracing and segmentation algorithm for constructing image-based vascular models. SeqSeg leverages local U-Net-based inference to sequentially segment vascular structures from medical image volumes. We tested SeqSeg on CT and MR images of aortic and aortofemoral models and compared the predictions to those of benchmark 2D and 3D global nnU-Net models, which have previously shown excellent accuracy for medical image segmentation. We demonstrate that SeqSeg is able to segment more complete vasculature and is able to generalize to vascular structures not annotated in the training data.
• Abstract（参考訳）: 心血管機能のコンピュータモデリングは、心血管疾患の診断、治療、理解において重要な役割を担っている。 ほとんどの戦略は解剖学的に正確な心血管構造のコンピュータモデルを構築することを含み、これは多段階の時間を要するプロセスである。 本稿では,画像に基づく血管モデルを構築するための,新しいディープラーニングに基づく自動トレースとセグメント化アルゴリズムであるSeqSegについて述べる。 SeqSegは、ローカルなU-Netベースの推論を利用して、医療画像ボリュームから血管構造をシーケンシャルに分割する。 大動脈および大腿皮質モデルのCTおよびMR画像上でSeqSegを試験し, 従来医用画像セグメンテーションの精度に優れていたベンチマーク2Dおよび3DグローバルnnU-Netモデルと比較した。 SeqSegはより完全な血管を分断でき、トレーニングデータに注釈を付さない血管構造に一般化できることを示した。

関連論文リスト

• KaLDeX: Kalman Filter based Linear Deformable Cross Attention for Retina Vessel Segmentation [46.57880203321858]
  カルマンフィルタを用いた線形変形型クロスアテンション(LDCA)モジュールを用いた血管セグメンテーションのための新しいネットワーク(KaLDeX)を提案する。 我々のアプローチは、カルマンフィルタ(KF)ベースの線形変形可能な畳み込み(LD)とクロスアテンション(CA)モジュールの2つの重要なコンポーネントに基づいている。 提案手法は,網膜基底画像データセット(DRIVE,CHASE_BD1,STARE)とOCTA-500データセットの3mm,6mmを用いて評価した。
  論文  参考訳（メタデータ） (2024-10-28T16:00:42Z)
• KLDD: Kalman Filter based Linear Deformable Diffusion Model in Retinal Image Segmentation [51.03868117057726]
  本稿では,網膜血管分割のためのKLDDモデルを提案する。 我々のモデルは、変形可能な畳み込みの柔軟な受容場を利用して、分割を反復的に洗練する拡散過程を用いる。 実験は網膜基底画像データセット(DRIVE,CHASE_DB1)とOCTA-500データセットの3mm,6mmで評価された。
  論文  参考訳（メタデータ） (2024-09-19T14:21:38Z)
• Architecture Analysis and Benchmarking of 3D U-shaped Deep Learning Models for Thoracic Anatomical Segmentation [0.8897689150430447]
  3次元U型モデルの変種に対する最初の系統的ベンチマーク研究を行う。 本研究では,異なる注意機構,解像度ステージ数,ネットワーク構成がセグメンテーション精度および計算複雑性に与える影響について検討した。
  論文  参考訳（メタデータ） (2024-02-05T17:43:02Z)
• TotalSegmentator: robust segmentation of 104 anatomical structures in CT images [48.50994220135258]
  身体CT画像の深層学習セグメント化モデルを提案する。 このモデルは、臓器の容積、疾患の特徴、外科的または放射線療法計画などのユースケースに関連する104の解剖学的構造を区分することができる。
  論文  参考訳（メタデータ） (2022-08-11T15:16:40Z)
• IterMiUnet: A lightweight architecture for automatic blood vessel segmentation [10.538564380139483]
  本稿では,新しい軽量畳み込み型セグメンテーションモデルであるIterMiUnetを提案する。 MiUnetモデルのエンコーダ・デコーダ構造を組み込むことで、その非常にパラメトリズドな性質を克服する。 提案モデルは,多くの疾患の早期診断のためのツールとして活用される可能性が大きい。
  論文  参考訳（メタデータ） (2022-08-02T14:33:14Z)
• Unsupervised Domain Adaptation through Shape Modeling for Medical Image Segmentation [23.045760366698634]
  医用画像のセグメンテーションを支援するために, 形状を明示的にモデル化し, 利用することを目的としている。 従来の方法では、特定の臓器の形状の分布を学習するための変分オートエンコーダ(VAE)モデルが提案されていた。 本研究では,教師/学生の学習パラダイムの下で,擬似的損失とVAE再構成損失に基づく教師なしドメイン適応パイプラインを提案する。
  論文  参考訳（メタデータ） (2022-07-06T09:16:42Z)
• Improving Classification Model Performance on Chest X-Rays through Lung Segmentation [63.45024974079371]
  本稿では, セグメンテーションによる異常胸部X線(CXR)識別性能を向上させるための深層学習手法を提案する。 提案手法は,CXR画像中の肺領域を局所化するための深層ニューラルネットワーク(XLSor)と,大規模CXRデータセットで事前学習した自己教師あり運動量コントラスト(MoCo)モデルのバックボーンを用いたCXR分類モデルである。
  論文  参考訳（メタデータ） (2022-02-22T15:24:06Z)
• Generalized Organ Segmentation by Imitating One-shot Reasoning using Anatomical Correlation [55.1248480381153]
  そこで我々は,アノテーション付きオルガンクラスから一般化されたオルガン概念を学習し,その概念を未知のクラスに転送するOrganNetを提案する。 そこで,OrganNetは臓器形態の幅広い変化に効果的に抵抗でき,一発分節タスクで最先端の結果が得られることを示す。
  論文  参考訳（メタデータ） (2021-03-30T13:41:12Z)
• Few-shot Medical Image Segmentation using a Global Correlation Network with Discriminative Embedding [60.89561661441736]
  医療画像分割のための新しい手法を提案する。 深層畳み込みネットワークを用いた数ショット画像セグメンタを構築します。 深層埋め込みの識別性を高め,同一クラスの特徴領域のクラスタリングを促進する。
  論文  参考訳（メタデータ） (2020-12-10T04:01:07Z)
• Contour Transformer Network for One-shot Segmentation of Anatomical Structures [26.599337546171732]
  本稿では,自然に組み込まれたループ機構を備えたワンショット解剖分類手法であるContour Transformer Network(CTN)を提案する。 4つの解剖学のセグメンテーションタスクにおいて、我々のワンショット学習法が非学習的手法を著しく上回っていることを示す。 最小限のHuman-in-the-loop編集フィードバックにより、セグメンテーション性能は、完全に教師されたメソッドを超えるようにさらに改善される。
  論文  参考訳（メタデータ） (2020-12-02T19:42:18Z)
• Learning to Segment Anatomical Structures Accurately from One Exemplar [34.287877547953194]
  大量の注釈付きトレーニング画像を用いることなく、正確な解剖学的構造セグメンテーションを作成できる方法は、非常に望ましい。 本研究では,自然に組み込まれたループ機構を備えたワンショット解剖セグメントであるContour Transformer Network (CTN)を提案する。 筆者らのワンショット学習法は,非学習に基づく手法を著しく上回り,最先端の完全教師付きディープラーニングアプローチと競争的に機能することを示した。
  論文  参考訳（メタデータ） (2020-07-06T20:27:38Z)

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。