論文の概要: Few-Shot Classification and Anatomical Localization of Tissues in SPECT Imaging

• arxiv url: http://arxiv.org/abs/2502.06632v1
• Date: Mon, 10 Feb 2025 16:28:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-11 14:35:54.965669
• Title: Few-Shot Classification and Anatomical Localization of Tissues in SPECT Imaging
• Title（参考訳）: SPECT画像における組織小切片の分類と解剖学的局在
• Authors: Mohammed Abdul Hafeez Khan, Samuel Morries Boddepalli, Siddhartha Bhattacharyya, Debasis Mitra,
• Abstract要約: SPECT画像における少数ショット分類とローカライゼーションに適応したプロトタイプネットワークとPRNet。 ResNet-18バックボーンをトレーニング済みで、心室、心筋、肝組織に96.67%のトレーニングと93.33%の精度で分類されている。 PRNetはエンコーダ・デコーダアーキテクチャで2Dイメージングに適応し、接続をスキップすることで1.395のトレーニング損失を達成し、パッチを正確に再構築し、空間的関係を捉えた。
• 参考スコア（独自算出の注目度）: 3.5586182179046375
• License:
• Abstract: Accurate classification and anatomical localization are essential for effective medical diagnostics and research, which may be efficiently performed using deep learning techniques. However, availability of limited labeled data poses a significant challenge. To address this, we adapted Prototypical Networks and the Propagation-Reconstruction Network (PRNet) for few-shot classification and localization, respectively, in Single Photon Emission Computed Tomography (SPECT) images. For the proof of concept we used a 2D-sliced image cropped around heart. The Prototypical Network, with a pre-trained ResNet-18 backbone, classified ventricles, myocardium, and liver tissues with 96.67% training and 93.33% validation accuracy. PRNet, adapted for 2D imaging with an encoder-decoder architecture and skip connections, achieved a training loss of 1.395, accurately reconstructing patches and capturing spatial relationships. These results highlight the potential of Prototypical Networks for tissue classification with limited labeled data and PRNet for anatomical landmark localization, paving the way for improved performance in deep learning frameworks.
• Abstract（参考訳）: 正確な分類と解剖学的局在は効果的な医学診断と研究に不可欠であり、深層学習技術を用いて効率的に行うことができる。 しかし、ラベル付きデータの限定提供は大きな課題となる。 これを解決するため, 単光子放射CT(SPECT)画像において, プロトタイプネットワークとプロパゲーション・リコンストラクションネットワーク(PRNet)を, 少数ショットの分類とローカライゼーションにそれぞれ適用した。 概念実証のために、私たちは心臓の周りに2Dスライスされた画像を使用しました。 プレトレーニングされたResNet-18バックボーンを持つ原型ネットワークは、心室、心筋、肝組織を96.67%のトレーニングと93.33%の検証精度で分類している。 PRNetはエンコーダ・デコーダアーキテクチャで2Dイメージングに適応し、接続をスキップすることで1.395のトレーニング損失を達成し、パッチを正確に再構築し、空間的関係を捉えた。 これらの結果は, 組織分類のための組織分類のためのプロトタイプネットワークと, 解剖学的ランドマーク化のためのPRNetの可能性を強調し, ディープラーニングフレームワークの性能向上への道を開いた。

関連論文リスト

• HNAS-reg: hierarchical neural architecture search for deformable medical image registration [0.8249180979158817]
  本稿では、変形可能な医用画像登録のための最適なネットワークアーキテクチャを特定するための階層型NASフレームワーク(HNAS-Reg)を提案する。 636T1重み付き磁気共鳴画像(MRI)からなる3つのデータセットに対する実験により,提案手法により,画像登録精度が向上し,モデルサイズが小さくなる深層学習モデルを構築することができることを示した。
  論文  参考訳（メタデータ） (2023-08-23T21:47:28Z)
• Disruptive Autoencoders: Leveraging Low-level features for 3D Medical Image Pre-training [51.16994853817024]
  本研究は、3Dラジオグラフィ画像のための効果的な事前学習フレームワークの設計に焦点をあてる。 ローカルマスキングと低レベルの摂動の組み合わせによって生成された破壊から、オリジナルのイメージを再構築しようとする事前トレーニングフレームワークであるDisruptive Autoencodersを紹介する。 提案する事前トレーニングフレームワークは、複数のダウンストリームタスクでテストされ、最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2023-07-31T17:59:42Z)
• SD-LayerNet: Semi-supervised retinal layer segmentation in OCT using disentangled representation with anatomical priors [4.2663199451998475]
  網膜層セグメンテーションタスクに半教師付きパラダイムを導入する。 特に、表面位置回帰をピクセル単位で構造化されたセグメンテーションに変換するために、新しい完全微分可能なアプローチが用いられる。 並行して,ラベル付きデータの限られた量が利用できる場合に,ネットワークトレーニングを改善するための解剖学的事前セットを提案する。
  論文  参考訳（メタデータ） (2022-07-01T14:30:59Z)
• InDuDoNet+: A Model-Driven Interpretable Dual Domain Network for Metal Artifact Reduction in CT Images [53.4351366246531]
  InDuDoNet+と呼ばれる新しい解釈可能な二重ドメインネットワークを構築し、CT画像の微細な埋め込みを行う。 異なる組織間のCT値を分析し,InDuDoNet+の事前観測ネットワークにマージすることで,その一般化性能を著しく向上させる。
  論文  参考訳（メタデータ） (2021-12-23T15:52:37Z)
• Sharp-GAN: Sharpness Loss Regularized GAN for Histopathology Image Synthesis [65.47507533905188]
  コンディショナル・ジェネレーショナル・ジェネレーティブ・逆境ネットワークは、合成病理像を生成するために応用されている。 そこで我々は,現実的な病理像を合成するために,シャープネスロス正則化生成対向ネットワークを提案する。
  論文  参考訳（メタデータ） (2021-10-27T18:54:25Z)
• Anatomy-Constrained Contrastive Learning for Synthetic Segmentation without Ground-truth [8.513014699605499]
  AccSeg-Net (AccSeg-Net) を用いて, 対象画像の分割ネットワークを訓練した。 CBCT, MRI, PET画像データに適用し, 従来法に比べ, セグメンテーション性能が優れていた。
  論文  参考訳（メタデータ） (2021-07-12T14:54:04Z)
• Learning Fuzzy Clustering for SPECT/CT Segmentation via Convolutional Neural Networks [5.3123694982708365]
  QBSPECT(Quantitative bone single-photon emission Computed Tomography)は、平面骨シンチグラフィよりも骨転移をより定量的に評価する可能性を秘めています。 解剖学的領域-関心(ROI)のセグメント化は、まだ専門家による手動の記述に大きく依存しています。 本研究では,QBSPECT画像を病変,骨,背景に分割するための高速かつ堅牢な自動分割法を提案する。
  論文  参考訳（メタデータ） (2021-04-17T19:03:52Z)
• Towards the Localisation of Lesions in Diabetic Retinopathy [2.3204178451683264]
  本研究は,4つの最先端ディープラーニングモデルの事前学習重量を用いて,糖尿病網膜症(DR)基底画像の局所化マップを作成し,比較する。 inceptionv3は、テスト分類精度96.07%で最高の性能を達成し、病変を他のモデルよりも良く高速にローカライズする。
  論文  参考訳（メタデータ） (2020-12-21T15:39:17Z)
• 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)
• Weakly-supervised Learning For Catheter Segmentation in 3D Frustum Ultrasound [74.22397862400177]
  超音波を用いた新しいカテーテルセグメンテーション法を提案する。 提案手法は,1ボリュームあたり0.25秒の効率で最先端の性能を実現した。
  論文  参考訳（メタデータ） (2020-10-19T13:56:22Z)
• Deep Q-Network-Driven Catheter Segmentation in 3D US by Hybrid Constrained Semi-Supervised Learning and Dual-UNet [74.22397862400177]
  本稿では,教師付き学習手法よりも少ないアノテーションを要求できる新しいカテーテルセグメンテーション手法を提案する。 提案手法では,Voxelレベルのアノテーションを避けるために,深層Q学習を事前局所化ステップとみなす。 検出されたカテーテルでは、パッチベースのDual-UNetを使用してカテーテルを3Dボリュームデータに分割する。
  論文  参考訳（メタデータ） (2020-06-25T21:10:04Z)

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。