論文の概要: Image Embedded Segmentation: Uniting Supervised and Unsupervised
Objectives for Segmenting Histopathological Images
- arxiv url: http://arxiv.org/abs/2001.11202v3
- Date: Wed, 25 Nov 2020 11:18:20 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-05 12:02:59.987930
- Title: Image Embedded Segmentation: Uniting Supervised and Unsupervised
Objectives for Segmenting Histopathological Images
- Title（参考訳）: 画像埋め込みセグメンテーション: 組織像のセグメンテーションのための監視対象と教師なし対象
- Authors: C. T. Sari, C. Sokmensuer, and C. Gunduz-Demir
- Abstract要約: 本稿では,意味組織分割のための完全畳み込みネットワークを学習するための新しい正規化手法を提案する。
これは教師なし学習(イメージ再構成)の利点をネットワークトレーニングに頼っている。
我々の実験は、これらのデータセットのセグメンテーション結果が、データセットのセグメンテーション結果よりも優れていることを示した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper presents a new regularization method to train a fully
convolutional network for semantic tissue segmentation in histopathological
images. This method relies on the benefit of unsupervised learning, in the form
of image reconstruction, for network training. To this end, it puts forward an
idea of defining a new embedding that allows uniting the main supervised task
of semantic segmentation and an auxiliary unsupervised task of image
reconstruction into a single one and proposes to learn this united task by a
single generative model. This embedding generates an output image by
superimposing an input image on its segmentation map. Then, the method learns
to translate the input image to this embedded output image using a conditional
generative adversarial network, which is known as quite effective for
image-to-image translations. This proposal is different than the existing
approach that uses image reconstruction for the same regularization purpose.
The existing approach considers segmentation and image reconstruction as two
separate tasks in a multi-task network, defines their losses independently, and
combines them in a joint loss function. However, the definition of such a
function requires externally determining right contributions of the supervised
and unsupervised losses that yield balanced learning between the segmentation
and image reconstruction tasks. The proposed approach provides an easier
solution to this problem by uniting these two tasks into a single one, which
intrinsically combines their losses. We test our approach on three datasets of
histopathological images. Our experiments demonstrate that it leads to better
segmentation results in these datasets, compared to its counterparts.
- Abstract（参考訳）: 本稿では,病理組織像における意味組織分割のための完全な畳み込みネットワークをトレーニングするための新しい正規化手法を提案する。
この手法はネットワークトレーニングのための画像再構成という形で教師なし学習の利点に依存している。
この目的のために、セマンティックセグメンテーションのメイン教師タスクと画像再構成の補助教師なしタスクを1つのタスクに統合できる新しい組込みを定義することを提案し、この統一タスクを1つの生成モデルで学ぶことを提案する。
この埋め込みは、そのセグメンテーションマップに入力画像を重ね合わせて出力画像を生成する。
そして,画像から画像への変換に非常に有効な条件付き生成逆数ネットワークを用いて,入力画像をこの組込み出力画像に変換する方法を学習する。
この提案は、画像再構成を同じ正規化目的に用いた既存手法とは異なる。
既存の手法では、分割と画像再構成をマルチタスクネットワークにおける2つの別々のタスクとみなし、それらの損失を独立に定義し、それらを共同損失関数に結合する。
しかし、そのような関数の定義は、セグメンテーションと画像再構成タスクのバランスのとれた学習をもたらす教師なしおよび教師なしの損失の正しい貢献を外部に決定する必要がある。
提案されたアプローチは、これらの2つのタスクを1つのタスクにまとめることで、この問題に対するより簡単な解決策を提供する。
病理組織像の3つのデータセットを用いてアプローチを検証した。
我々の実験は、これらのデータセットのセグメンテーション結果が、そのデータセットよりも優れていることを示した。
関連論文リスト
- FuseNet: Self-Supervised Dual-Path Network for Medical Image
Segmentation [3.485615723221064]
FuseNetは、自己教師型セマンティックセグメンテーションのためのデュアルストリームフレームワークである。
クロスモーダル融合技術は、テキストデータを拡張画像に置き換えることで、CLIPの原理を拡張している。
皮膚病変と肺分画データセットの実験により, 本手法の有効性が示された。
論文 参考訳（メタデータ） (2023-11-22T00:03:16Z) - A Vessel-Segmentation-Based CycleGAN for Unpaired Multi-modal Retinal
Image Synthesis [11.225641274591101]
網膜画像の非対位画像変換は、ディープラーニングベースの網膜登録方法のトレーニングデータセットを効率的に増加させることができる。
そこで本手法では,CycleGANフレームワークを拡張して,画像から画像への変換作業にコンテナセグメンテーションネットワークを組み込む。
論文 参考訳（メタデータ） (2023-06-05T14:06:43Z) - Revisiting Image Reconstruction for Semi-supervised Semantic
Segmentation [16.27277238968567]
画像再構成を補助課題として利用し、半教師付きセマンティックセグメンテーションフレームワークに組み込むという考え方を再考する。
驚くことに、このような半教師付き学習の古いアイデアは、最先端のセマンティックセグメンテーションアルゴリズムと競合する結果をもたらす。
論文 参考訳（メタデータ） (2023-03-17T06:31:06Z) - 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) - Joint reconstruction-segmentation on graphs [0.7829352305480285]
本稿では,グラフベースセグメンテーション手法を用いた共同再建分割法を提案する。
合併症は、関係する行列の大きいため発生し、これらの合併症がどのように管理されるかを示す。
本手法を従来のグラフベースセグメンテーション文献に精通した2頭の牛の画像の歪曲バージョンに適用する。
論文 参考訳（メタデータ） (2022-08-11T14:01:38Z) - Unsupervised Part Discovery from Contrastive Reconstruction [90.88501867321573]
自己監督型視覚表現学習の目標は、強く伝達可能な画像表現を学習することである。
対象部分の発見とセグメンテーションに対する教師なしアプローチを提案する。
本手法は, 細粒度, 視覚的に異なるカテゴリ間でセマンティックな部分を生成する。
論文 参考訳（メタデータ） (2021-11-11T17:59:42Z) - Self-supervised Segmentation via Background Inpainting [96.10971980098196]
移動可能なカメラで撮影された単一の画像で、自己教師付き検出とセグメンテーションのアプローチを導入する。
我々は、提案に基づくセグメンテーションネットワークのトレーニングに利用する自己教師付き損失関数を利用する。
本手法は,標準ベンチマークから視覚的に切り離された画像の人間の検出とセグメント化に応用し,既存の自己監督手法より優れていることを示す。
論文 参考訳（メタデータ） (2020-11-11T08:34:40Z) - Unsupervised Learning of Image Segmentation Based on Differentiable
Feature Clustering [14.074732867392008]
本研究では、教師なし画像分割における畳み込みニューラルネットワーク(CNN)の利用について検討した。
本稿では、正規化と、微分可能なクラスタリングのためのargmax関数からなる、教師なし画像セグメンテーションのエンドツーエンドネットワークを提案する。
第3に,既存の手法よりも精度がよいユーザ入力として,スクリブルを用いたセグメント化手法の拡張を提案する。
論文 参考訳（メタデータ） (2020-07-20T10:28:36Z) - Mining Cross-Image Semantics for Weakly Supervised Semantic Segmentation [128.03739769844736]
2つのニューラルコアテンションを分類器に組み込んで、画像間のセマンティックな類似点と相違点をキャプチャする。
オブジェクトパターン学習の強化に加えて、コアテンションは他の関連する画像からのコンテキストを活用して、ローカライズマップの推論を改善することができる。
提案アルゴリズムは,これらすべての設定に対して新たな最先端性を設定し,その有効性と一般化性を示す。
論文 参考訳（メタデータ） (2020-07-03T21:53:46Z) - Image-to-image Mapping with Many Domains by Sparse Attribute Transfer [71.28847881318013]
教師なし画像と画像の変換は、2つの領域間の一対のマッピングを、ポイント間の既知のペアワイズ対応なしで学習することで構成される。
現在の慣例は、サイクル一貫性のあるGANでこのタスクにアプローチすることです。
そこで本研究では,ジェネレータを直接,潜在層における単純なスパース変換に制限する代替手法を提案する。
論文 参考訳（メタデータ） (2020-06-23T19:52:23Z) - Weakly-Supervised Semantic Segmentation by Iterative Affinity Learning [86.45526827323954]
弱教師付きセマンティックセグメンテーションは、トレーニングのためにピクセル単位のラベル情報が提供されないため、難しい課題である。
このようなペア関係を学習するための反復アルゴリズムを提案する。
本稿では,提案アルゴリズムが最先端手法に対して好適に動作することを示す。
論文 参考訳（メタデータ） (2020-02-19T10:32:03Z)
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。