論文の概要: Attention GhostUNet++: Enhanced Segmentation of Adipose Tissue and Liver in CT Images

• arxiv url: http://arxiv.org/abs/2504.11491v1
• Date: Mon, 14 Apr 2025 18:54:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-17 14:40:20.168896
• Title: Attention GhostUNet++: Enhanced Segmentation of Adipose Tissue and Liver in CT Images
• Title（参考訳）: Atention GhostUNet++:CT画像における脂肪組織と肝のセグメンテーションの増強
• Authors: Mansoor Hayat, Supavadee Aramvith, Subrata Bhattacharjee, Nouman Ahmad,
• Abstract要約: 本研究では,チャネル,空間,奥行きを考慮した新しいディープラーニングモデルであるAttention GhostUNet++を提案する。 提案モデルは,特徴の洗練,文脈理解,計算効率を著しく向上させる。
• 参考スコア（独自算出の注目度）: 0.49998148477760973
• License:
• Abstract: Accurate segmentation of abdominal adipose tissue, including subcutaneous (SAT) and visceral adipose tissue (VAT), along with liver segmentation, is essential for understanding body composition and associated health risks such as type 2 diabetes and cardiovascular disease. This study proposes Attention GhostUNet++, a novel deep learning model incorporating Channel, Spatial, and Depth Attention mechanisms into the Ghost UNet++ bottleneck for automated, precise segmentation. Evaluated on the AATTCT-IDS and LiTS datasets, the model achieved Dice coefficients of 0.9430 for VAT, 0.9639 for SAT, and 0.9652 for liver segmentation, surpassing baseline models. Despite minor limitations in boundary detail segmentation, the proposed model significantly enhances feature refinement, contextual understanding, and computational efficiency, offering a robust solution for body composition analysis. The implementation of the proposed Attention GhostUNet++ model is available at:https://github.com/MansoorHayat777/Attention-GhostUNetPlusPlus.
• Abstract（参考訳）: 皮下脂肪組織(SAT)や内臓脂肪組織(VAT)を含む腹部脂肪組織の正確なセグメンテーションは、肝臓セグメンテーションとともに、2型糖尿病や心血管疾患などの身体構成と関連する健康リスクを理解するのに不可欠である。 本研究では,Channel,Spatial,Depth Attention機構をGhost UNet++ボトルネックに組み込んだ新しいディープラーニングモデルであるAttention GhostUNet++を提案する。 AATTCT-IDSとLiTSのデータセットに基づいて評価し、VATでは0.9430、SATでは0.9639、肝セグメンテーションでは0.9652のDice係数を達成し、ベースラインモデルを上回った。 境界詳細セグメンテーションのわずかな制限にもかかわらず、提案モデルは特徴の洗練、文脈理解、計算効率を大幅に向上させ、ボディコンポジション解析のための堅牢なソリューションを提供する。 Attention GhostUNet++モデルの実装は、https://github.com/MansoorHayat777/Attention-GhostUNetPlusPlusで公開されている。

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)
• 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)
• SCPMan: Shape Context and Prior Constrained Multi-scale Attention Network for Pancreatic Segmentation [39.70422146937986]
  本稿では,頑健な膵分断のための形状コンテキストと事前制約を備えたマルチスケールアテンションネットワークを提案する。 我々のアーキテクチャは、ぼやけた境界に対する堅牢なセグメンテーション性能と、スケールと膵の形状の変化を提供する。
  論文  参考訳（メタデータ） (2023-12-26T03:00:25Z)
• Deep Learning for Vascular Segmentation and Applications in Phase Contrast Tomography Imaging [33.23991248643144]
  本稿では,多様な臓器にまたがる機械学習技術の現状を概説する。 我々のゴールは、このトピックの基礎を提供し、新しい画像モダリティで血管セグメンテーションに適用するための堅牢なベースラインモデルを特定することである。 HiP CTは、1ボクセルあたり20mmという前例のない解像度で、完全な臓器の3Dイメージングを可能にする。
  論文  参考訳（メタデータ） (2023-11-22T11:15:38Z)
• Structure-aware registration network for liver DCE-CT images [50.28546654316009]
  セグメント化誘導深層登録網に関連臓器の構造情報を組み込んだ構造認識型登録手法を提案する。 提案手法は,最新技術よりも高い登録精度を達成し,解剖学的構造を効果的に維持することができる。
  論文  参考訳（メタデータ） (2023-03-08T14:08:56Z)
• Encoding feature supervised UNet++: Redesigning Supervision for liver and tumor segmentation [0.6299766708197883]
  本稿では, UNet++(ES-UNet++)を教師する符号化機能を提案し, 肝臓と腫瘍のセグメンテーションに応用する。 ES-UNet++ はデータセット LiTS で評価され、肝セグメンテーションは95.6%、腫瘍セグメンテーションは67.4%である。
  論文  参考訳（メタデータ） (2022-11-15T13:55:24Z)
• Fuzzy Attention Neural Network to Tackle Discontinuity in Airway Segmentation [67.19443246236048]
  気道セグメンテーションは肺疾患の検査、診断、予後に重要である。 いくつかの小型の気道支線(気管支や終端など)は自動セグメンテーションの難しさを著しく増す。 本稿では,新しいファジィアテンションニューラルネットワークと包括的損失関数を備える,気道セグメンテーションの効率的な手法を提案する。
  論文  参考訳（メタデータ） (2022-09-05T16:38:13Z)
• 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)
• Decoupled Pyramid Correlation Network for Liver Tumor Segmentation from CT images [22.128902125820193]
  Decoupled Pyramid correlation Network (DPC-Net)を提案する。 注意機構を利用して、FCNに埋め込まれた低レベルの特徴と高レベルの特徴をフル活用し、肝腫瘍を分節する。 DSCは96.2%、ASSDは1.636mmで肝臓セグメンテーションが可能である。
  論文  参考訳（メタデータ） (2022-05-26T07:31:29Z)
• RA V-Net: Deep learning network for automated liver segmentation [1.6795461001108098]
  RA V-Netは、U-Netに基づく医療画像の自動セグメンテーションモデルである。 より複雑な畳み込み層とスキップ接続により、より高いレベルの画像特徴抽出能力が得られる。 符号化モジュールのデータ画素と復号モジュールとの間の空間的特徴は、チャネルとLSTM畳み込みを調整することで知覚される。 LSTM畳み込みとCAモジュールによって提供されるアテンションメカニズムは、ニューラルネットワークの性能を強く保証する。
  論文  参考訳（メタデータ） (2021-12-15T16:10:14Z)
• iPhantom: a framework for automated creation of individualized computational phantoms and its application to CT organ dosimetry [58.943644554192936]
  本研究の目的は、患者固有の幻覚やデジタル双眼鏡の自動作成のための新しいフレームワーク、iPhantomを開発し、検証することである。 この枠組みは、個々の患者のCT画像における放射線感受性臓器への放射線線量を評価するために応用される。 iPhantomは、アンカーオルガンのDice similarity Coefficients (DSC) >0.6の精度で全ての臓器の位置を正確に予測し、他のオルガンのDSCは0.3-0.9である。
  論文  参考訳（メタデータ） (2020-08-20T01:50:49Z)

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。