論文の概要: Breast lesion segmentation in ultrasound images with limited annotated data

• arxiv url: http://arxiv.org/abs/2001.07322v1
• Date: Tue, 21 Jan 2020 03:34:42 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-07 23:16:11.105171
• Title: Breast lesion segmentation in ultrasound images with limited annotated data
• Title（参考訳）: 注記データに制限のある超音波像における乳腺病変の分節化
• Authors: Bahareh Behboodi, Mina Amiri, Rupert Brooks, Hassan Rivaz
• Abstract要約: セグメント化ネットワークを事前学習するために,アメリカのシミュレーション画像と自然画像を補助的データセットとして用いることを提案する。 プレトレーニングネットワークの微調整により,スクラッチによるトレーニングに比べて,ダイススコアが21%向上することを示す。
• 参考スコア（独自算出の注目度）: 2.905751301655124
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Ultrasound (US) is one of the most commonly used imaging modalities in both diagnosis and surgical interventions due to its low-cost, safety, and non-invasive characteristic. US image segmentation is currently a unique challenge because of the presence of speckle noise. As manual segmentation requires considerable efforts and time, the development of automatic segmentation algorithms has attracted researchers attention. Although recent methodologies based on convolutional neural networks have shown promising performances, their success relies on the availability of a large number of training data, which is prohibitively difficult for many applications. Therefore, in this study we propose the use of simulated US images and natural images as auxiliary datasets in order to pre-train our segmentation network, and then to fine-tune with limited in vivo data. We show that with as little as 19 in vivo images, fine-tuning the pre-trained network improves the dice score by 21% compared to training from scratch. We also demonstrate that if the same number of natural and simulation US images is available, pre-training on simulation data is preferable.
• Abstract（参考訳）: 超音波 (US) は, 低コスト, 安全性, 非侵襲的特徴から, 診断および外科的治療において最もよく用いられる画像モダリティの1つである。 米国の画像セグメンテーションは現在、スペックルノイズがあるため、ユニークな課題である。 手動セグメンテーションにはかなりの努力と時間を要するため、自動セグメンテーションアルゴリズムの開発が注目されている。 畳み込みニューラルネットワークに基づく最近の手法は有望な性能を示しているが、その成功は多数のトレーニングデータの可用性に依存しており、多くのアプリケーションにとって明らかに困難である。 そこで本研究では,シミュレーションされたus画像と自然画像を補助データセットとして使用し,セグメンテーションネットワークを事前学習し,限られたin vivoデータを用いて微調整する手法を提案する。 19個のin vivo画像を用いて,事前学習したネットワークの微調整により,diceスコアがスクラッチから21%向上することを示した。 また,同じ数の自然画像とシミュレーション画像が利用可能であれば,シミュレーションデータの事前学習が望ましいことを示す。

関連論文リスト

• Semantic Segmentation Refiner for Ultrasound Applications with Zero-Shot Foundation Models [1.8142288667655782]
  本稿では,抽象的な形状を分割するセグメンテーション基礎モデルの能力を利用した,プロンプトレスセグメンテーション手法を提案する。 本手法の利点は,小型筋骨格超音波画像データセットを用いた実験で明らかにされた。
  論文  参考訳（メタデータ） (2024-04-25T04:21:57Z)
• CathFlow: Self-Supervised Segmentation of Catheters in Interventional Ultrasound Using Optical Flow and Transformers [66.15847237150909]
  縦型超音波画像におけるカテーテルのセグメンテーションのための自己教師型ディープラーニングアーキテクチャを提案する。 ネットワークアーキテクチャは、Attention in Attentionメカニズムで構築されたセグメンテーショントランスフォーマであるAiAReSeg上に構築されている。 我々は,シリコンオルタファントムから収集した合成データと画像からなる実験データセット上で,我々のモデルを検証した。
  論文  参考訳（メタデータ） (2024-03-21T15:13:36Z)
• Cardiac ultrasound simulation for autonomous ultrasound navigation [4.036497185262817]
  本稿では,他のモーダルや任意の位置から大量の超音波画像を生成する手法を提案する。 本稿では,他のモダリティからのセグメンテーション,最適化されたデータ表現,GPUによるモンテカルロ経路のトレースを用いた新しいシミュレーションパイプラインを提案する。 提案手法により,患者固有の超音波画像の高速かつ正確な生成が可能となり,ナビゲーション関連タスクのためのトレーニングネットワークのユーザビリティが実証された。
  論文  参考訳（メタデータ） (2024-02-09T15:14:48Z)
• LOTUS: Learning to Optimize Task-based US representations [39.81131738128329]
  超音波画像における臓器の解剖学的セグメンテーションは多くの臨床応用に不可欠である。 既存のディープニューラルネットワークは、臨床的に許容できるパフォーマンスを達成するために、トレーニングのために大量のラベル付きデータを必要とする。 本稿では,タスクベース超音速画像表現を最適化する学習手法を提案する。
  論文  参考訳（メタデータ） (2023-07-29T16:29:39Z)
• Self-Supervised Endoscopic Image Key-Points Matching [1.3764085113103222]
  本稿では,深層学習技術に基づく内視鏡画像マッチングのための新しい自己教師型アプローチを提案する。 提案手法は,手作りの標準的なローカル特徴記述子よりも精度とリコールの点で優れていた。
  論文  参考訳（メタデータ） (2022-08-24T10:47:21Z)
• Preservation of High Frequency Content for Deep Learning-Based Medical Image Classification [74.84221280249876]
  大量の胸部ラジオグラフィーの効率的な分析は、医師や放射線技師を助けることができる。 本稿では,視覚情報の効率的な識別と符号化のための離散ウェーブレット変換(DWT)を提案する。
  論文  参考訳（メタデータ） (2022-05-08T15:29:54Z)
• Voice-assisted Image Labelling for Endoscopic Ultrasound Classification using Neural Networks [48.732863591145964]
  本稿では,臨床医が提示した生音声からのEUS画像にラベルを付けるマルチモーダル畳み込みニューラルネットワークアーキテクチャを提案する。 その結果,5つのラベルを持つデータセットにおいて,画像レベルでの予測精度は76%であった。
  論文  参考訳（メタデータ） (2021-10-12T21:22:24Z)
• 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)
• Multi-label Thoracic Disease Image Classification with Cross-Attention Networks [65.37531731899837]
  胸部X線画像から胸部疾患を自動分類するためのCAN(Cross-Attention Networks)を提案する。 また,クロスエントロピー損失を超える新たな損失関数を設計し,クラス間の不均衡を克服する。
  論文  参考訳（メタデータ） (2020-07-21T14:37:00Z)
• Towards Unsupervised Learning for Instrument Segmentation in Robotic Surgery with Cycle-Consistent Adversarial Networks [54.00217496410142]
  本稿では、入力された内視鏡画像と対応するアノテーションとのマッピングを学習することを目的として、未ペア画像から画像への変換を提案する。 当社のアプローチでは,高価なアノテーションを取得することなく,イメージセグメンテーションモデルをトレーニングすることが可能です。 提案手法をEndovis 2017チャレンジデータセットで検証し,教師付きセグメンテーション手法と競合することを示す。
  論文  参考訳（メタデータ） (2020-07-09T01:39:39Z)

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。