論文の概要: Region of interest detection for efficient aortic segmentation

• arxiv url: http://arxiv.org/abs/2601.08683v1
• Date: Tue, 13 Jan 2026 16:04:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-14 18:27:19.273903
• Title: Region of interest detection for efficient aortic segmentation
• Title（参考訳）: 効率的な大動脈セグメンテーションのための関心領域検出
• Authors: Loris Giordano, Ine Dirks, Tom Lenaerts, Jef Vandemeulebroucke,
• Abstract要約: 胸部大動脈解離と動脈瘤は大動脈で最も致命的な疾患である。 3次元画像の大動脈分割は退屈で困難であることが多い。 ディープラーニングベースのセグメンテーションモデルは理想的なソリューションであるが、難しいケースで使用可能なアウトプットが得られず、その計算コストが臨床応用を制限している。
• 参考スコア（独自算出の注目度）: 2.172261472991099
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Thoracic aortic dissection and aneurysms are the most lethal diseases of the aorta. The major hindrance to treatment lies in the accurate analysis of the medical images. More particularly, aortic segmentation of the 3D image is often tedious and difficult. Deep-learning-based segmentation models are an ideal solution, but their inability to deliver usable outputs in difficult cases and their computational cost cause their clinical adoption to stay limited. This study presents an innovative approach for efficient aortic segmentation using targeted region of interest (ROI) detection. In contrast to classical detection models, we propose a simple and efficient detection model that can be widely applied to detect a single ROI. Our detection model is trained as a multi-task model, using an encoder-decoder architecture for segmentation and a fully connected network attached to the bottleneck for detection. We compare the performance of a one-step segmentation model applied to a complete image, nnU-Net and our cascade model composed of a detection and a segmentation step. We achieve a mean Dice similarity coefficient of 0.944 with over 0.9 for all cases using a third of the computing power. This simple solution achieves state-of-the-art performance while being compact and robust, making it an ideal solution for clinical applications.
• Abstract（参考訳）: 胸部大動脈解離と動脈瘤は大動脈で最も致命的な疾患である。 治療の大きな障害は、医療画像の正確な分析にある。 特に、3D画像の大動脈分割は退屈で難しいことが多い。 ディープラーニングベースのセグメンテーションモデルは理想的なソリューションであるが、難しいケースで使用可能なアウトプットが得られず、その計算コストが臨床応用を制限している。 本研究は, 興味領域検出(ROI)を用いた効率的な大動脈セグメンテーションのための革新的なアプローチを提案する。 従来の検出モデルとは対照的に,単一ROIの検出に広く適用可能な,シンプルかつ効率的な検出モデルを提案する。 検出モデルはマルチタスクモデルとして,セグメント化のためのエンコーダデコーダアーキテクチャと,検出のためのボトルネックに付随する完全に接続されたネットワークを用いて訓練されている。 本研究では, 完全画像, nnU-Net に適用した一段階分割モデルと, 検出ステップとセグメンテーションステップからなるカスケードモデルとを比較した。 計算パワーの3分の1を用いて,平均Dice類似度係数0.944を全ケースで0.9以上とする。 この単純な解法は、コンパクトで堅牢でありながら最先端の性能を実現し、臨床応用に理想的な解である。

関連論文リスト

• Dimensionality Reduction and Nearest Neighbors for Improving Out-of-Distribution Detection in Medical Image Segmentation [1.2873975765521795]
  この研究は、肝臓を分断する4つのSwin UNETRとnnU-netモデルのボトルネック特徴にマハラノビス距離(MD)ポストホックを適用した。 モデルが失敗した画像は、高性能で最小の計算負荷で検出された。
  論文  参考訳（メタデータ） (2024-08-05T18:24:48Z)
• 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)
• Acute ischemic stroke lesion segmentation in non-contrast CT images using 3D convolutional neural networks [0.0]
  非コントラストCT脳画像における急性虚血性脳梗塞の容積分画を目的とした自動アルゴリズムを提案する。 我々のディープラーニングアプローチは、人気のある3D U-Net畳み込みニューラルネットワークアーキテクチャに基づいている。
  論文  参考訳（メタデータ） (2023-01-17T10:39:39Z)
• UNETR++: Delving into Efficient and Accurate 3D Medical Image Segmentation [93.88170217725805]
  本稿では,高画質なセグメンテーションマスクと,パラメータ,計算コスト,推論速度の両面での効率性を提供するUNETR++という3次元医用画像セグメンテーション手法を提案する。 我々の設計の核となるのは、空間的およびチャネル的な識別的特徴を効率的に学習する、新しい効率的な対注意ブロック(EPA)の導入である。 Synapse, BTCV, ACDC, BRaTs, Decathlon-Lungの5つのベンチマークで評価した結果, 効率と精度の両面で, コントリビューションの有効性が示された。
  論文  参考訳（メタデータ） (2022-12-08T18:59:57Z)
• DAAIN: Detection of Anomalous and Adversarial Input using Normalizing Flows [52.31831255787147]
  我々は、アウト・オブ・ディストリビューション(OOD)インプットと敵攻撃(AA)を検出する新しい手法であるDAINを導入する。 本手法は,ニューラルネットワークの内部動作を監視し,活性化分布の密度推定器を学習する。 当社のモデルは,特別なアクセラレータを必要とせずに,効率的な計算とデプロイが可能な単一のGPUでトレーニングすることが可能です。
  論文  参考訳（メタデータ） (2021-05-30T22:07:13Z)
• An Uncertainty-Driven GCN Refinement Strategy for Organ Segmentation [53.425900196763756]
  本研究では,不確実性解析とグラフ畳み込みネットワークに基づくセグメンテーション改善手法を提案する。 半教師付きグラフ学習問題を定式化するために、特定の入力ボリュームにおける畳み込みネットワークの不確実性レベルを用いる。 本手法は膵臓で1%,脾臓で2%向上し,最先端のCRF改善法よりも優れていた。
  論文  参考訳（メタデータ） (2020-12-06T18:55:07Z)
• 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)

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。