論文の概要: A context based deep learning approach for unbalanced medical image segmentation

• arxiv url: http://arxiv.org/abs/2001.02387v1
• Date: Wed, 8 Jan 2020 05:46:02 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-13 12:58:13.741289
• Title: A context based deep learning approach for unbalanced medical image segmentation
• Title（参考訳）: 非バランス医用画像分割のためのコンテキストベース深層学習手法
• Authors: Balamurali Murugesan, Kaushik Sarveswaran, Vijaya Raghavan S, Sharath M Shankaranarayana, Keerthi Ram and Mohanasankar Sivaprakasam
• Abstract要約: 深層学習ネットワークは様々な医用画像セグメンテーションタスクに広く利用されている。 U-Netのための新しいコンテキストベースCE損失関数と,新しいアーキテクチャSeg-GLGANを提案する。 Seg-GLGANでは、画像全体とそのROIが入力として供給される新しい文脈識別器を導入し、局所的なコンテキストを強制する。
• 参考スコア（独自算出の注目度）: 1.6148039130053087
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Automated medical image segmentation is an important step in many medical procedures. Recently, deep learning networks have been widely used for various medical image segmentation tasks, with U-Net and generative adversarial nets (GANs) being some of the commonly used ones. Foreground-background class imbalance is a common occurrence in medical images, and U-Net has difficulty in handling class imbalance because of its cross entropy (CE) objective function. Similarly, GAN also suffers from class imbalance because the discriminator looks at the entire image to classify it as real or fake. Since the discriminator is essentially a deep learning classifier, it is incapable of correctly identifying minor changes in small structures. To address these issues, we propose a novel context based CE loss function for U-Net, and a novel architecture Seg-GLGAN. The context based CE is a linear combination of CE obtained over the entire image and its region of interest (ROI). In Seg-GLGAN, we introduce a novel context discriminator to which the entire image and its ROI are fed as input, thus enforcing local context. We conduct extensive experiments using two challenging unbalanced datasets: PROMISE12 and ACDC. We observe that segmentation results obtained from our methods give better segmentation metrics as compared to various baseline methods.
• Abstract（参考訳）: 医用画像の自動分割は多くの医療処置において重要なステップである。 近年,U-NetやGAN(Generative Adversarial Nets)など,様々な医療画像セグメンテーションタスクにディープラーニングネットワークが広く利用されている。 前景背景階級の不均衡は医用画像でよく見られる現象であり、U-Netは、そのクロスエントロピー(CE)目的関数のためにクラス不均衡を扱うのに困難である。 同様に、GANは画像全体を実物または偽物として分類するため、クラス不均衡に悩まされる。 判別器は本質的に深層学習分類器であるため、小さな構造の小さな変化を正しく識別することはできない。 これらの課題に対処するため、U-Netのための新しいコンテキストベースのCE損失関数と、新しいアーキテクチャSeg-GLGANを提案する。 文脈ベースCEは、画像全体とその関心領域(ROI)で得られたCEの線形結合である。 Seg-GLGANでは、画像全体とそのROIが入力として供給される新しい文脈識別器を導入し、局所的なコンテキストを強制する。 ProMISE12とACDCの2つの挑戦的アンバランスデータセットを用いて広範な実験を行った。 提案手法から得られたセグメンテーション結果は,様々なベースライン手法と比較して,より優れたセグメンテーション指標を与える。

関連論文リスト

• Fine-grained Recognition with Learnable Semantic Data Augmentation [68.48892326854494]
  きめ細かい画像認識は、長年続くコンピュータビジョンの課題である。 本稿では,識別領域損失問題を軽減するため,特徴レベルのトレーニングデータを多様化することを提案する。 本手法は,いくつかの人気分類ネットワーク上での一般化性能を著しく向上させる。
  論文  参考訳（メタデータ） (2023-09-01T11:15:50Z)
• Multi-Level Global Context Cross Consistency Model for Semi-Supervised Ultrasound Image Segmentation with Diffusion Model [0.0]
  本研究では,Latent Diffusion Model (LDM) によって生成された画像を,半教師付き学習のためのラベル付き画像として利用するフレームワークを提案する。 提案手法により,確率分布の知識をセグメント化ネットワークに効果的に伝達することが可能となり,セグメント化精度が向上する。
  論文  参考訳（メタデータ） (2023-05-16T14:08:24Z)
• Self-Supervised Correction Learning for Semi-Supervised Biomedical Image Segmentation [84.58210297703714]
  半教師付きバイオメディカルイメージセグメンテーションのための自己教師付き補正学習パラダイムを提案する。 共有エンコーダと2つの独立デコーダを含むデュアルタスクネットワークを設計する。 異なるタスクのための3つの医用画像分割データセットの実験により,本手法の優れた性能が示された。
  論文  参考訳（メタデータ） (2023-01-12T08:19:46Z)
• GraVIS: Grouping Augmented Views from Independent Sources for Dermatology Analysis [52.04899592688968]
  皮膚科画像から自己教師付き特徴を学習するために特に最適化されたGraVISを提案する。 GraVISは、病変のセグメンテーションと疾患分類のタスクにおいて、転送学習と自己教師型学習を著しく上回っている。
  論文  参考訳（メタデータ） (2023-01-11T11:38:37Z)
• Mine yOur owN Anatomy: Revisiting Medical Image Segmentation with Extremely Limited Labels [54.58539616385138]
  我々は、Mine yOur owN Anatomy (MONA) と呼ばれる、新しい半教師付き2次元医用画像セグメンテーションフレームワークを紹介する。 まず、先行研究では、すべてのピクセルがモデルトレーニングに等しく重要であると論じており、我々はこの1つだけで意味のある解剖学的特徴を定義できないことを経験的に観察している。 第2に,医療画像を解剖学的特徴の集合に分解できるモデルを構築する。
  論文  参考訳（メタデータ） (2022-09-27T15:50:31Z)
• Leveraging Uncertainty for Deep Interpretable Classification and Weakly-Supervised Segmentation of Histology Images [25.429124017422385]
  深い教師付き手法は、解釈可能性のための画像分類とROIセグメンテーションを可能にする。 これらの手法は、偽陽性率を高める非識別領域を明示的にモデル化するメカニズムを欠いている。 本研究では,非識別領域と識別領域の両方を求める新しい正規化項を提案する。
  論文  参考訳（メタデータ） (2022-05-12T02:18:23Z)
• Semi-Supervised Semantic Segmentation of Vessel Images using Leaking Perturbations [1.5791732557395552]
  Leaking GANは、網膜血管セグメンテーションのためのGANベースの半教師付きアーキテクチャである。 私たちのキーとなるアイデアは、ジェネレータから情報を漏らすことで識別器を汚染することです。 これにより、より穏健な世代がGANのトレーニングに役立ちます。
  論文  参考訳（メタデータ） (2021-10-22T18:25:08Z)
• A Spatial Guided Self-supervised Clustering Network for Medical Image Segmentation [16.448375091671004]
  医用画像分割のための空間ガイド型自己監視クラスタリングネットワーク(SGSCN)を提案する。 単一の画像から、各ピクセルの特徴表現とクラスタリングの割り当てをエンドツーエンドで反復的に学習する。 本手法を2つの公開医用画像データセット上で評価し,従来の自己監督型クラスタリング法と比較した。
  論文  参考訳（メタデータ） (2021-07-11T00:40:40Z)
• Contrastive Semi-Supervised Learning for 2D Medical Image Segmentation [16.517086214275654]
  フルイメージではなく,画像パッチにContrastive Learning(CL)を適用した,新しい半教師付き2次元医療セグメンテーションソリューションを提案する。 これらのパッチは、擬似ラベリングによって得られた異なるクラスの意味情報を用いて有意義に構築される。 また,コントラスト学習と相乗効果を持つ新しい整合正規化手法を提案する。
  論文  参考訳（メタデータ） (2021-06-12T15:43:24Z)
• Few-shot Medical Image Segmentation using a Global Correlation Network with Discriminative Embedding [60.89561661441736]
  医療画像分割のための新しい手法を提案する。 深層畳み込みネットワークを用いた数ショット画像セグメンタを構築します。 深層埋め込みの識別性を高め,同一クラスの特徴領域のクラスタリングを促進する。
  論文  参考訳（メタデータ） (2020-12-10T04:01:07Z)
• Domain Generalization for Medical Imaging Classification with Linear-Dependency Regularization [59.5104563755095]
  本稿では,医用画像分類分野におけるディープニューラルネットワークの一般化能力向上のための,シンプルだが効果的なアプローチを提案する。 医用画像の領域変数がある程度コンパクトであることに感銘を受けて,変分符号化による代表的特徴空間の学習を提案する。
  論文  参考訳（メタデータ） (2020-09-27T12:30:30Z)

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。