論文の概要: Catheter Detection and Segmentation in X-ray Images via Multi-task Learning
- arxiv url: http://arxiv.org/abs/2503.02717v1
- Date: Tue, 04 Mar 2025 15:32:32 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-03-05 19:17:41.903493
- Title: Catheter Detection and Segmentation in X-ray Images via Multi-task Learning
- Title（参考訳）: マルチタスク学習によるX線画像のカテーテル検出とセグメンテーション
- Authors: Lin Xi, Yingliang Ma, Ethan Koland, Sandra Howell, Aldo Rinaldi, Kawal S. Rhode,
- Abstract要約: 複数の予測ヘッドとresnetアーキテクチャを統合した畳み込みニューラルネットワークモデルを提案する。
また,電極検出とカテーテルセグメンテーションを同時に行うためのマルチタスク学習戦略を提案する。
- 参考スコア（独自算出の注目度）: 0.7324614782534692
- License:
- Abstract: Automated detection and segmentation of surgical devices, such as catheters or wires, in X-ray fluoroscopic images have the potential to enhance image guidance in minimally invasive heart surgeries. In this paper, we present a convolutional neural network model that integrates a resnet architecture with multiple prediction heads to achieve real-time, accurate localization of electrodes on catheters and catheter segmentation in an end-to-end deep learning framework. We also propose a multi-task learning strategy in which our model is trained to perform both accurate electrode detection and catheter segmentation simultaneously. A key challenge with this approach is achieving optimal performance for both tasks. To address this, we introduce a novel multi-level dynamic resource prioritization method. This method dynamically adjusts sample and task weights during training to effectively prioritize more challenging tasks, where task difficulty is inversely proportional to performance and evolves throughout the training process. Experiments on both public and private datasets have demonstrated that the accuracy of our method surpasses the existing state-of-the-art methods in both single segmentation task and in the detection and segmentation multi-task. Our approach achieves a good trade-off between accuracy and efficiency, making it well-suited for real-time surgical guidance applications.
- Abstract（参考訳）: X線フルオロスコープ画像におけるカテーテルやワイヤなどの手術器具の自動検出とセグメンテーションは、最小侵襲の心臓手術において画像誘導を強化する可能性がある。
本稿では、複数の予測ヘッドとresnetアーキテクチャを統合した畳み込みニューラルネットワークモデルを提案し、エンドツーエンドのディープラーニングフレームワークにおいて、カテーテル上の電極のリアルタイムかつ正確な位置決めとカテーテルセグメンテーションを実現する。
また,電極検出とカテーテルセグメンテーションを同時に行うためのマルチタスク学習戦略を提案する。
このアプローチの重要な課題は、両方のタスクで最適なパフォーマンスを達成することです。
そこで本研究では,新しいマルチレベル動的リソース優先順位付け手法を提案する。
本手法は, トレーニング中のサンプルとタスクの重みを動的に調整し, タスクの難易度が性能に逆比例する課題を効果的に優先順位付けし, トレーニング過程を通じて進化させる。
提案手法の精度は, 単一セグメント化タスクと検出・セグメント化マルチタスクの両方において, 既存の最先端手法を超越していることが実証された。
提案手法は精度と効率の良好なトレードオフを実現し,リアルタイム手術指導に適している。
関連論文リスト
- Active learning using adaptable task-based prioritisation [7.0002224852386545]
我々は,バッチモードのアクティブ学習のように,バッチ列内の画像の優先度を測定するコントローラニューラルネットワークを開発した。
メタ強化学習アルゴリズムは複数のMDPを用いて提案され、事前学習したコントローラを新しいMDPに適応させることができる。
提案法により, 腎臓の新しい分類のセグメンテーション精度が向上することが示唆された。
論文 参考訳（メタデータ） (2022-12-03T22:37:38Z) - Continual Active Learning Using Pseudo-Domains for Limited Labelling
Resources and Changing Acquisition Characteristics [2.6105699925188257]
臨床ルーチン中の医療画像における機械学習は、スキャナープロトコル、ハードウェア、ポリシーの変更によって損なわれる。
マルチスキャナ環境下で,医療画像のストリーム上で動作する連続的な能動学習手法を提案する。
論文 参考訳（メタデータ） (2021-11-25T13:11:49Z) - Real-time landmark detection for precise endoscopic submucosal
dissection via shape-aware relation network [51.44506007844284]
内視鏡下粘膜下郭清術における高精度かつリアルタイムなランドマーク検出のための形状認識型関係ネットワークを提案する。
まず,ランドマーク間の空間的関係に関する先行知識を直感的に表現する関係キーポイント・ヒートマップを自動生成するアルゴリズムを考案する。
次に、事前知識を学習プロセスに段階的に組み込むために、2つの補完的な正規化手法を開発する。
論文 参考訳（メタデータ） (2021-11-08T07:57:30Z) - Domain Generalization on Medical Imaging Classification using Episodic
Training with Task Augmentation [62.49837463676111]
本稿では,医用画像分類におけるタスク強化によるエピソードトレーニングの新たな手法を提案する。
実際の医療展開において、限られた数のソースドメインによって動機付けられ、ユニークなタスクレベルのオーバーフィッティングを検討します。
論文 参考訳（メタデータ） (2021-06-13T03:56:59Z) - Learn Fine-grained Adaptive Loss for Multiple Anatomical Landmark
Detection in Medical Images [15.7026400415269]
本稿ではランドマーク検出のための新しい学習学習フレームワークを提案する。
提案手法は汎用的であり,解剖学的ランドマーク検出の効率向上の可能性を示す。
論文 参考訳（メタデータ） (2021-05-19T13:39:18Z) - Multi-task Supervised Learning via Cross-learning [102.64082402388192]
我々は,様々なタスクを解くことを目的とした回帰関数の集合を適合させることで,マルチタスク学習と呼ばれる問題を考える。
我々の新しい定式化では、これらの関数のパラメータを2つに分けて、互いに近づきながらタスク固有のドメインで学習する。
これにより、異なるドメインにまたがって収集されたデータが、互いのタスクにおける学習パフォーマンスを改善するのに役立つ、クロス・ファーティライズが促進される。
論文 参考訳（メタデータ） (2020-10-24T21:35:57Z) - Expert Training: Task Hardness Aware Meta-Learning for Few-Shot
Classification [62.10696018098057]
そこで本研究では,訓練課題を適切に整理するためのメタトレーニング戦略を提案する。
タスクの難易度を推定する訓練手順にタスク難易度認識モジュールを設計して統合する。
miniImageNet と tieredImageNetSketch のデータセットによる実験結果から,メタラーナーは専門家のトレーニング戦略によりより良い結果が得られることが示された。
論文 参考訳（メタデータ） (2020-07-13T08:49:00Z) - Unified Representation Learning for Efficient Medical Image Analysis [0.623075162128532]
統一モダリティ特化特徴表現(UMS-Rep)を用いた医用画像解析のためのマルチタスクトレーニング手法を提案する。
提案手法は,計算資源の全体的な需要を減らし,タスクの一般化と性能の向上を図っている。
論文 参考訳（メタデータ） (2020-06-19T16:52:16Z) - Robust Medical Instrument Segmentation Challenge 2019 [56.148440125599905]
腹腔鏡装置の術中追跡は、しばしばコンピュータとロボットによる介入の必要条件である。
本研究の課題は,30の手術症例から取得した10,040枚の注釈画像からなる外科的データセットに基づいていた。
結果は、初期仮説、すなわち、アルゴリズムの性能がドメインギャップの増大とともに低下することを確認する。
論文 参考訳（メタデータ） (2020-03-23T14:35:08Z) - Unpaired Multi-modal Segmentation via Knowledge Distillation [77.39798870702174]
本稿では,不対向画像分割のための新しい学習手法を提案する。
提案手法では,CTおよびMRI間での畳み込みカーネルの共有により,ネットワークパラメータを多用する。
我々は2つの多クラスセグメンテーション問題に対するアプローチを広範囲に検証した。
論文 参考訳（メタデータ） (2020-01-06T20:03:17Z)
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。