論文の概要: Learning from spatially inhomogenous data: resolution-adaptive convolutions for multiple sclerosis lesion segmentation
- arxiv url: http://arxiv.org/abs/2503.21829v1
- Date: Wed, 26 Mar 2025 14:07:52 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-03-31 15:31:53.501719
- Title: Learning from spatially inhomogenous data: resolution-adaptive convolutions for multiple sclerosis lesion segmentation
- Title（参考訳）: 空間的不均質性データから学ぶ:多発性硬化症病変の分節に対する分解能適応的畳み込み
- Authors: Ivan Diaz, Florin Scherer, Yanik Berli, Roland Wiest, Helly Hammer, Robert Hoepner, Alejandro Leon Betancourt, Piotr Radojewski, Richard McKinley,
- Abstract要約: MRIでは、ベンダー、病院、シークエンスの違いにより、非常に均一な画像データが得られる。
臨床応用には、様々なボクセル解像度でデータを扱うようにアルゴリズムを訓練する必要がある。
本研究では,空間的に不均一なデータから直接,再サンプリングせずに学習できるネットワークアーキテクチャを提案する。
- 参考スコア（独自算出の注目度）: 32.93762295714261
- License:
- Abstract: In the setting of clinical imaging, differences in between vendors, hospitals and sequences can yield highly inhomogeneous imaging data. In MRI in particular, voxel dimension, slice spacing and acquisition plane can vary substantially. For clinical applications, therefore, algorithms must be trained to handle data with various voxel resolutions. The usual strategy to deal with heterogeneity of resolution is harmonization: resampling imaging data to a common (usually isovoxel) resolution. This can lead to loss of fidelity arising from interpolation artifacts out-of-plane and downsampling in-plane. We present in this paper a network architecture designed to be able to learn directly from spatially heterogeneous data, without resampling: a segmentation network based on the e3nn framework that leverages a spherical harmonic, rather than voxel-grid, parameterization of convolutional kernels, with a fixed physical radius. Networks based on these kernels can be resampled to their input voxel dimensions. We trained and tested our network on a publicly available dataset assembled from three centres, and on an in-house dataset of Multiple Sclerosis cases with a high degree of spatial inhomogeneity. We compared our approach to a standard U-Net with two strategies for handling inhomogeneous data: training directly on the data without resampling, and resampling to a common resolution of 1mm isovoxels. We show that our network is able to learn from various combinations of voxel sizes and outperforms classical U-Nets on 2D testing cases and most 3D testing cases. This shows an ability to generalize well when tested on image resolutions not seen during training. Our code can be found at: http://github.com/SCAN-NRAD/e3nn\_U-Net.
- Abstract（参考訳）: 臨床画像の設定において、ベンダー、病院、シーケンスの違いは、非常に不均一な画像データをもたらす可能性がある。
特にMRIでは、ボクセル次元、スライス間隔、取得平面が大きく変化する。
したがって、臨床応用においては、アルゴリズムは様々なボクセル解像度でデータを扱うように訓練されなければならない。
解像度の不均一性を扱う一般的な戦略は調和であり、画像データを共通の(通常イソボキセル)解像度に再サンプリングする。
これにより、平面外の補間アーティファクトや、平面内のダウンサンプリングによって生じる忠実さが失われる可能性がある。
本稿では,空間的に不均一なデータから,再サンプリングなしに直接学習可能なネットワークアーキテクチャを提案する。ボクセルグリッドではなく球面調和を利用するe3nnフレームワークに基づくセグメンテーションネットワーク,畳み込みカーネルのパラメータ化,物理半径の固定化。
これらのカーネルに基づくネットワークは、入力されたボクセル次元に再サンプリングすることができる。
我々は3つのセンターから集められた公開データセットと、高い空間的不均一性を有する多発性硬化症の社内データセットを用いて、ネットワークを訓練し、テストした。
非均一なデータを扱うための2つの戦略 - 再サンプリングなしでデータを直接トレーニングし、1mmのイソボキセルの共通解像度に再サンプリングする。
我々のネットワークは、ボクセルサイズの様々な組み合わせから学習でき、2Dテストケースやほとんどの3Dテストケースにおいて、古典的なU-Netよりも優れています。
これは、トレーニング中に見えない画像解像度でテストすると、うまく一般化できることを示している。
私たちのコードは、http://github.com/SCAN-NRAD/e3nn\_U-Net.orgで参照できます。
関連論文リスト
- N-BVH: Neural ray queries with bounding volume hierarchies [51.430495562430565]
3Dコンピュータグラフィックスでは、シーンのメモリ使用量の大部分がポリゴンとテクスチャによるものである。
N-BVHは3次元の任意の光線クエリに応答するように設計されたニューラル圧縮アーキテクチャである。
本手法は, 視認性, 深度, 外観特性を忠実に近似する。
論文 参考訳（メタデータ） (2024-05-25T13:54:34Z) - Leveraging Frequency Domain Learning in 3D Vessel Segmentation [50.54833091336862]
本研究では,Fourier領域学習を3次元階層分割モデルにおけるマルチスケール畳み込みカーネルの代用として活用する。
管状血管分割作業において,新しいネットワークは顕著なサイス性能(ASACA500が84.37%,ImageCASが80.32%)を示した。
論文 参考訳（メタデータ） (2024-01-11T19:07:58Z) - WATUNet: A Deep Neural Network for Segmentation of Volumetric Sweep
Imaging Ultrasound [1.2903292694072621]
ボリューム・スイープ・イメージング(VSI)は、訓練を受けていないオペレーターが高品質な超音波画像をキャプチャできる革新的な手法である。
本稿ではWavelet_Attention_UNet(WATUNet)と呼ばれる新しいセグメンテーションモデルを提案する。
このモデルでは、簡単な接続ではなく、ウェーブレットゲート(WG)とアテンションゲート(AG)をエンコーダとデコーダの間に組み込んで、上記の制限を克服する。
論文 参考訳（メタデータ） (2023-11-17T20:32:37Z) - Generalizing Medical Image Representations via Quaternion Wavelet Networks [9.836302410524842]
医用画像から健全な特徴を抽出できる,新しい,一般化可能な,データに依存しないフレームワークを提案する。
提案する4元ウェーブレットネットワーク(quaVE)は,既存の医用画像解析や合成作業と容易に統合できる。
論文 参考訳（メタデータ） (2023-10-16T09:34:06Z) - Two-Stream Graph Convolutional Network for Intra-oral Scanner Image
Segmentation [133.02190910009384]
本稿では,2ストリームグラフ畳み込みネットワーク(TSGCN)を提案する。
TSGCNは3次元歯(表面)セグメンテーションにおいて最先端の方法よりも優れています。
論文 参考訳（メタデータ） (2022-04-19T10:41:09Z) - VoxelHop: Successive Subspace Learning for ALS Disease Classification
Using Structural MRI [30.469124322749828]
Amyotrophic Lateral Sclerosis (ALS) の正確な分類のためのサブスペース学習モデルである VoxelHop を提案する。
一般的な畳み込みニューラルネットワーク(CNN)アーキテクチャと比較して、VoxelHopはモジュール構造と透過構造を持ち、バックプロパゲーションなしではパラメータが少ない。
我々のフレームワークは、異なる画像モダリティを用いて、他の分類タスクに容易に一般化できる。
論文 参考訳（メタデータ） (2021-01-13T15:25:57Z) - TSGCNet: Discriminative Geometric Feature Learning with Two-Stream
GraphConvolutional Network for 3D Dental Model Segmentation [141.2690520327948]
2流グラフ畳み込みネットワーク(TSGCNet)を提案し、異なる幾何学的特性から多視点情報を学ぶ。
3次元口腔内スキャナーで得られた歯科モデルのリアルタイムデータセットを用いてTSGCNetの評価を行った。
論文 参考訳（メタデータ） (2020-12-26T08:02:56Z) - Fader Networks for domain adaptation on fMRI: ABIDE-II study [68.5481471934606]
我々は3次元畳み込みオートエンコーダを用いて、無関係な空間画像表現を実現するとともに、ABIDEデータ上で既存のアプローチより優れていることを示す。
論文 参考訳（メタデータ） (2020-10-14T16:50:50Z) - Fed-Sim: Federated Simulation for Medical Imaging [131.56325440976207]
本稿では、2つの学習可能なニューラルモジュールからなる物理駆動型生成手法を提案する。
データ合成フレームワークは、複数のデータセットの下流セグメンテーション性能を改善する。
論文 参考訳（メタデータ） (2020-09-01T19:17:46Z) - Enhancing Fiber Orientation Distributions using convolutional Neural
Networks [0.0]
商業的に取得したMRIにおけるFODの改善について学ぶ。
パッチベースの3次元畳み込みニューラルネットワーク(CNN)の評価
本手法により,シングルシェルdMRI取得プロトコル上でのCDDモデル推定が可能となる。
論文 参考訳（メタデータ） (2020-08-12T16:06:25Z)
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。