CTにおける肺気道および動脈-静脈セグメンテーションのための細管感受性CNNの学習【JST・京大機械翻訳】

Qin Yulei; Zheng Hao; Gu Yun; Huang Xiaolin; Yang Jie; Wang Lihui; Yao Feng; Zhu Yue-Min; Yang Guang-Zhong

プレプリント

J-GLOBAL ID：202202219762454200 整理番号：21P0067283

CTにおける肺気道および動脈-静脈セグメンテーションのための細管感受性CNNの学習【JST・京大機械翻訳】

Learning Tubule-Sensitive CNNs for Pulmonary Airway and Artery-Vein Segmentation in CT

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (9件)： , , , , , , , ,
資料名：
発行年： 2020年12月10日プレプリントサーバーでの情報更新日： 2021年02月25日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

肺気道,動脈,および静脈のセグメンテーションのための訓練畳込みニューラルネットワーク(CNN)は,管状標的と背景の間の重度のクラス不均衡に起因する疎な監視信号のために,挑戦的である。非コントラストコンピュータ断層撮影における正確な気道と動脈静脈セグメンテーションのためのCNNベースの方法を提示する。それは,10の末梢細気管支,細動脈,および細静脈に対して,優れた感度を enjoy受する。この方法は,まず,ニューラルネットワークから学習された特徴の最良の利用を行うために,特徴再キャリブレーションモジュールを使用する。特徴の空間情報は,活性化領域の相対的優先度を保持するために適切に統合され,後続のチャネル毎の再キャリブレーションに利益を与える。次に,注意蒸留モジュールを導入して,管状物体の表現学習を強化した。高分解能注意マップにおける微細粒詳細は,1層からその以前の層まで,文脈を豊かにするために再帰的に通過する。肺前後関係マップと距離変換マップの解剖学を,より良い動脈静脈分化能力のために設計して,取り込んだ。大規模な実験は,これらの成分によってもたらされるかなりの性能利得を示した。最先端の方法と比較して,著者らの方法は,競合全体的セグメンテーション性能を維持しながら,はるかに多くのブランチを抽出した。コードとモデルは,http://www.pami.sjtu.edu.cn/News/56で利用可能である。【JST・京大機械翻訳】

, , , , , , , , , , , ,
, , 【Automatic Indexing@JST】

医用画像処理

, , , , , , , , ,

前のページに戻る