論文の概要: An Optimized PatchMatch for Multi-scale and Multi-feature Label Fusion
- arxiv url: http://arxiv.org/abs/1903.07165v2
- Date: Wed, 24 Sep 2025 12:38:18 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-09-25 20:53:19.412068
- Title: An Optimized PatchMatch for Multi-scale and Multi-feature Label Fusion
- Title（参考訳）: マルチスケール・多機能ラボル核融合のための最適パッチマッチ
- Authors: Rémi Giraud, Vinh-Thong Ta, Nicolas Papadakis, José V. Manjón, D. Louis Collins, Pierrick Coupé, Alzheimer's Disease Neuroimaging Initiative,
- Abstract要約: 我々は,新しいパッチベースのラベル融合フレームワークを導入し,解剖学的構造のセグメンテーションを行う。
OPAL戦略は、類似パッチの検索に必要な計算時間を劇的に削減する。
OPALは、専門家間の変動に類似したセグメンテーション精度を作成した。
- 参考スコア（独自算出の注目度）: 6.282869863866286
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Automatic segmentation methods are important tools for quantitative analysis of Magnetic Resonance Images (MRI). Recently, patch-based label fusion approaches have demonstrated state-of-the-art segmentation accuracy. In this paper, we introduce a new patch-based label fusion framework to perform segmentation of anatomical structures. The proposed approach uses an Optimized PAtchMatch Label fusion (OPAL) strategy that drastically reduces the computation time required for the search of similar patches. The reduced computation time of OPAL opens the way for new strategies and facilitates processing on large databases. In this paper, we investigate new perspectives offered by OPAL, by introducing a new multi-scale and multi-feature framework. During our validation on hippocampus segmentation we use two datasets: young adults in the ICBM cohort and elderly adults in the EADC-ADNI dataset. For both, OPAL is compared to state-of-the-art methods. Results show that OPAL obtained the highest median Dice coefficient (89.9% for ICBM and 90.1% for EADC-ADNI). Moreover, in both cases, OPAL produced a segmentation accuracy similar to inter-expert variability. On the EADC-ADNI dataset, we compare the hippocampal volumes obtained by manual and automatic segmentation. The volumes appear to be highly correlated that enables to perform more accurate separation of pathological populations.
- Abstract（参考訳）: 磁気共鳴画像(MRI)の定量的解析には,自動セグメンテーション法が重要である。
近年、パッチベースのラベル融合手法により、最先端のセグメンテーション精度が証明されている。
本稿では,解剖学的構造のセグメンテーションを行うためのパッチベースの新しいラベル融合フレームワークを提案する。
提案手法では、OPAL(Optimized PAtchMatch Label fusion)戦略を用いて、類似パッチの探索に必要な計算時間を劇的に短縮する。
OPALの計算時間の短縮は、新しい戦略の道を開き、大規模データベースでの処理を容易にする。
本稿では,OPALが提供する新しい視点について検討し,新しいマルチスケール・マルチ機能フレームワークを提案する。
海馬セグメンテーションの検証では、ICBMコホートの若者とEADC-ADNIデータセットの高齢者の2つのデータセットを使用しました。
どちらの場合も、OPALは最先端の手法と比較される。
その結果,OPALはICBMでは89.9%,EADC-ADNIでは90.1%であった。
さらに、どちらの場合もOPALは、専門家間のばらつきと同様のセグメンテーション精度を生み出した。
EADC-ADNIデータセットでは,手動と自動セグメンテーションによって得られた海馬の体積を比較した。
ボリュームは高い相関関係があり、より正確な病理集団の分離を可能にする。
関連論文リスト
- AHDMIL: Asymmetric Hierarchical Distillation Multi-Instance Learning for Fast and Accurate Whole-Slide Image Classification [51.525891360380285]
AHDMILは非対称な階層的蒸留マルチインスタンス学習フレームワークである。
2段階のトレーニングプロセスを通じて、無関係なパッチを排除します。
分類性能と推論速度の両方において、従来の最先端手法を一貫して上回っている。
論文 参考訳（メタデータ） (2025-08-07T07:47:16Z) - ECP-Mamba: An Efficient Multi-scale Self-supervised Contrastive Learning Method with State Space Model for PolSAR Image Classification [42.02105017671516]
本稿では,マルチスケールの自己教師型コントラスト学習と状態空間モデル(SSM)のバックボーンを組み合わせた効率的なフレームワークであるECP-Mambaを提案する。
Flevoland 1989データセットでは、ECP-Mambaは99.70%、平均精度99.64%、Kappa係数99.62e-2で最先端のパフォーマンスを達成した。
論文 参考訳（メタデータ） (2025-06-01T14:52:54Z) - NovoBench: Benchmarking Deep Learning-based De Novo Peptide Sequencing Methods in Proteomics [58.03989832372747]
Emphde novoペプチドシークエンシングのための初となるNovoBenchベンチマークを報告する。
多様な質量スペクトルデータ、統合モデル、総合的な評価指標から構成される。
DeepNovo、PointNovo、Casanovo、InstaNovo、AdaNovo、$pi$-HelixNovoといった最近の手法が私たちのフレームワークに統合されています。
論文 参考訳（メタデータ） (2024-06-16T08:23:21Z) - Domain Adaptive Synapse Detection with Weak Point Annotations [63.97144211520869]
弱点アノテーションを用いたドメイン適応型シナプス検出のためのフレームワークであるAdaSynを提案する。
I SBI 2023のWASPSYNチャレンジでは、我々の手法が第1位にランクインした。
論文 参考訳（メタデータ） (2023-08-31T05:05:53Z) - Hybrid Representation-Enhanced Sampling for Bayesian Active Learning in
Musculoskeletal Segmentation of Lower Extremities [0.9287179270753105]
本研究では,密度と多様性の両基準を統合したハイブリッドな表現強化サンプリング戦略を提案する。
MRIとCT画像の2つの下肢(LE)データセットで実験を行った。
論文 参考訳（メタデータ） (2023-07-26T06:52:29Z) - PCA: Semi-supervised Segmentation with Patch Confidence Adversarial
Training [52.895952593202054]
医用画像セグメンテーションのためのPatch Confidence Adrial Training (PCA) と呼ばれる半教師付き対向法を提案する。
PCAは各パッチの画素構造とコンテキスト情報を学習し、十分な勾配フィードバックを得る。
本手法は, 医用画像のセグメンテーションにおいて, 最先端の半教師付き手法より優れており, その有効性を示している。
論文 参考訳（メタデータ） (2022-07-24T07:45:47Z) - Mining Relations among Cross-Frame Affinities for Video Semantic
Segmentation [87.4854250338374]
関連性間の関係を, 単一スケールの内在的相関と多スケールの関係という2つの側面で検討する。
実験により,提案手法は最先端のVSS法に対して好適に動作することを示した。
論文 参考訳（メタデータ） (2022-07-21T12:12:36Z) - MS Lesion Segmentation: Revisiting Weighting Mechanisms for Federated
Learning [92.91544082745196]
フェデレートラーニング(FL)は医用画像解析に広く用いられている。
FLのパフォーマンスは、多発性硬化症(MS)病変セグメンテーションタスクに制限される。
2つの効果的な再重み付け機構によるFLMS病変分割フレームワークを提案する。
論文 参考訳（メタデータ） (2022-05-03T14:06:03Z) - A Unified Framework for Generalized Low-Shot Medical Image Segmentation
with Scarce Data [24.12765716392381]
距離距離距離距離学習(DML)に基づく医用画像分割の一般化のための統一的枠組みを提案する。
DMLでは,各カテゴリの多モード混合表現を学習し,画素の深層埋め込みとカテゴリ表現との間の余弦距離に基づいて密接な予測を行う。
脳MRIおよび腹部CTデータセットの実験において,提案手法は標準DNN(3D U-Net)法と古典的登録(ANT)法に対して,低ショットセグメンテーションにおいて優れた性能を示す。
論文 参考訳（メタデータ） (2021-10-18T13:01:06Z) - Multi-Layer Pseudo-Supervision for Histopathology Tissue Semantic
Segmentation using Patch-level Classification Labels [26.349051136954195]
本稿では,病理組織像の組織的セグメンテーションを実現するために,パッチレベルの分類ラベルのみを用いる。
画素レベルのアノテーションとパッチレベルのアノテーションの間の情報ギャップを減らすために、いくつかの技術革新が提案されている。
提案手法は, 最先端の2つのWSSS手法より優れている。
論文 参考訳（メタデータ） (2021-10-14T08:02:07Z) - RAR-U-Net: a Residual Encoder to Attention Decoder by Residual
Connections Framework for Spine Segmentation under Noisy Labels [9.81466618834274]
本稿では,ノイズラベルに基づく医用画像分割手法を提案する。
この方法は4つの新しいコントリビューションを取り入れ、ディープラーニングパラダイムの下で機能する。
実験結果は,脊椎CTのベンチマークデータベース上で公開されている。
論文 参考訳（メタデータ） (2020-09-27T15:32:50Z)
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。