論文の概要: HarmonySeg: Tubular Structure Segmentation with Deep-Shallow Feature Fusion and Growth-Suppression Balanced Loss
- arxiv url: http://arxiv.org/abs/2504.07827v1
- Date: Thu, 10 Apr 2025 15:04:42 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-04-11 12:24:41.693566
- Title: HarmonySeg: Tubular Structure Segmentation with Deep-Shallow Feature Fusion and Growth-Suppression Balanced Loss
- Title（参考訳）: HarmonySeg:Deep-Shallow Feature FusionとGrowth-Suppression Balanced Lossを併用した管状構造分割
- Authors: Yi Huang, Ke Zhang, Wei Liu, Yuanyuan Wang, Vishal M. Patel, Le Lu, Xu Han, Dakai Jin, Ke Yan,
- Abstract要約: 我々はHarmonySegという新しい管状構造セグメンテーションフレームワークを提案する。
まず、様々な受容場を持つ柔軟な畳み込みブロックを備えたディープ・ツー・シャロー・デコーダネットワークを設計する。
第2に, 解剖学的領域を強調し, 小さな管状構造のリコールを改善するために, 血管性マップを組み込んだ。
第3に, 管状構造物の成長と抑制のバランスをとるために, 文脈と形状の先行性を活用するトポロジー保存損失関数を導入する。
- 参考スコア（独自算出の注目度）: 37.79956077478527
- License:
- Abstract: Accurate segmentation of tubular structures in medical images, such as vessels and airway trees, is crucial for computer-aided diagnosis, radiotherapy, and surgical planning. However, significant challenges exist in algorithm design when faced with diverse sizes, complex topologies, and (often) incomplete data annotation of these structures. We address these difficulties by proposing a new tubular structure segmentation framework named HarmonySeg. First, we design a deep-to-shallow decoder network featuring flexible convolution blocks with varying receptive fields, which enables the model to effectively adapt to tubular structures of different scales. Second, to highlight potential anatomical regions and improve the recall of small tubular structures, we incorporate vesselness maps as auxiliary information. These maps are aligned with image features through a shallow-and-deep fusion module, which simultaneously eliminates unreasonable candidates to maintain high precision. Finally, we introduce a topology-preserving loss function that leverages contextual and shape priors to balance the growth and suppression of tubular structures, which also allows the model to handle low-quality and incomplete annotations. Extensive quantitative experiments are conducted on four public datasets. The results show that our model can accurately segment 2D and 3D tubular structures and outperform existing state-of-the-art methods. External validation on a private dataset also demonstrates good generalizability.
- Abstract（参考訳）: 血管や気道木などの医用画像における管状構造の正確なセグメンテーションは,コンピュータ支援診断,放射線治療,手術計画に不可欠である。
しかし、様々な大きさ、複雑なトポロジ、そして(しばしば)これらの構造の不完全なデータアノテーションに直面する場合、アルゴリズム設計において重大な課題が存在する。
本稿では,ハーモニーセグ(HarmonySeg)という新しい管状構造セグメンテーションフレームワークを提案することで,これらの課題に対処する。
まず,様々な受容場を持つ柔軟な畳み込みブロックを備えたディープ・ツー・シャロー・デコーダネットワークを設計し,モデルが異なるスケールの管状構造に効果的に適応できるようにする。
第2に,潜在的解剖学的領域を強調し,小管構造のリコールを改善するために,補助情報として血管地図を組み込んだ。
これらのマップは、浅い深度融合モジュールを通して画像の特徴と整列し、高い精度を維持するために不合理な候補を同時に排除する。
最後に,構造体の成長と抑制のバランスをとるために,文脈や形状の先行を活かした位相保存損失関数を導入し,低品質かつ不完全なアノテーションを扱えるようにした。
大規模な定量的実験は4つの公開データセットで実施される。
その結果,本モデルでは2次元および3次元管状構造を正確にセグメント化し,既存の最先端手法より優れた性能が得られることがわかった。
プライベートデータセットの外部検証も、優れた一般化性を示している。
関連論文リスト
- Conformable Convolution for Topologically Aware Learning of Complex Anatomical Structures [38.20599800950335]
トポロジ的一貫性を明示するために設計された新しい畳み込み層であるConformable Convolutionを紹介する。
Topological Posterior Generator (TPG)モジュールは、重要なトポロジ的特徴を特定し、畳み込み層をガイドする。
本稿では,構造物の相互接続性維持が重要となるセグメンテーション作業におけるフレームワークの有効性を示す。
論文 参考訳（メタデータ） (2024-12-29T22:41:33Z) - Neural Image Unfolding: Flattening Sparse Anatomical Structures using Neural Fields [6.5082099033254135]
トモグラフィーは3次元物体の内部構造を明らかにし、診断に不可欠である。
臓器特異的な展開技術は、密集した3次元表面を歪み最小化された2次元表現にマッピングするために存在する。
我々は、関心の解剖学的変換を2次元概要画像に適合させるために、ニューラルネットワークをデプロイする。
論文 参考訳（メタデータ） (2024-11-27T14:58:49Z) - 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) - ReshapeIT: Reliable Shape Interaction with Implicit Template for Anatomical Structure Reconstruction [59.971808117043366]
ReShapeITは、同じカテゴリ内で共有される暗黙のテンプレートフィールドを持つ解剖学的構造を表す。
これにより、インスタンス形状とテンプレート形状との対応性の制約を強化することにより、暗黙テンプレートフィールドが有効なテンプレートを生成する。
テンプレートインタラクションモジュールは、有効なテンプレートシェイプとインスタンスワイドの潜在コードとを相互作用することで、目に見えないシェイプを再構築するために導入される。
論文 参考訳（メタデータ） (2023-12-11T07:09:32Z) - Dynamic Snake Convolution based on Topological Geometric Constraints for
Tubular Structure Segmentation [12.081234339680456]
我々はこの知識を用いてDSCNetを誘導し、特徴抽出、特徴融合、損失制約という3つの段階の認識を同時に強化する。
2Dおよび3Dデータセットの実験により、DSCNetは管状構造セグメンテーションタスクにおいて、いくつかの手法と比較して精度と連続性が高いことを示した。
論文 参考訳（メタデータ） (2023-07-17T10:55:58Z) - Abdominal organ segmentation via deep diffeomorphic mesh deformations [5.4173776411667935]
CTとMRIによる腹部臓器の分節は,手術計画とコンピュータ支援ナビゲーションシステムにとって必須の要件である。
肝, 腎, 膵, 脾の分節に対するテンプレートベースのメッシュ再構成法を応用した。
結果として得られたUNetFlowは4つの器官すべてによく当てはまり、新しいデータに基づいて簡単に微調整できる。
論文 参考訳（メタデータ） (2023-06-27T14:41:18Z) - S3M: Scalable Statistical Shape Modeling through Unsupervised
Correspondences [91.48841778012782]
本研究では,集団解剖学における局所的および大域的形状構造を同時に学習するための教師なし手法を提案する。
我々のパイプラインは、ベースライン法と比較して、SSMの教師なし対応推定を大幅に改善する。
我々の手法は、ノイズの多いニューラルネットワーク予測から学ぶのに十分堅牢であり、より大きな患者にSSMを拡張できる可能性がある。
論文 参考訳（メタデータ） (2023-04-15T09:39:52Z) - SQUID: Deep Feature In-Painting for Unsupervised Anomaly Detection [76.01333073259677]
無線画像からの異常検出のための空間認識型メモリキューを提案する(略してSQUID)。
SQUIDは, 微細な解剖学的構造を逐次パターンに分類でき, 推測では画像中の異常(見えない/修正されたパターン)を識別できる。
論文 参考訳（メタデータ） (2021-11-26T13:47:34Z) - Ensembled ResUnet for Anatomical Brain Barriers Segmentation [25.330927334373072]
深いエンコーダと浅いデコーダで残留ブロックベースのU字型ネットワークを構築します。
また、異なるフォアグラウンドとバックグラウンドクラス間のクラス不均衡の問題に対処するために、Tversky損失を導入する。
論文 参考訳（メタデータ） (2020-12-29T02:14:30Z) - clDice -- A Novel Topology-Preserving Loss Function for Tubular
Structure Segmentation [57.20783326661043]
中心線Dice (short clDice) と呼ばれる新しい類似度尺度を導入する。
理論的には、clDiceは2次元および3次元のセグメンテーションにおけるホモトピー同値までのトポロジー保存を保証する。
我々は、船舶、道路、ニューロン(2Dと3D)を含む5つの公開データセットでソフトクライス損失をベンチマークした。
論文 参考訳（メタデータ） (2020-03-16T16:27:49Z)
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。