論文の概要: Automatic Data Augmentation via Deep Reinforcement Learning for
Effective Kidney Tumor Segmentation
- arxiv url: http://arxiv.org/abs/2002.09703v1
- Date: Sat, 22 Feb 2020 14:10:13 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-29 19:36:13.197645
- Title: Automatic Data Augmentation via Deep Reinforcement Learning for
Effective Kidney Tumor Segmentation
- Title(参考訳): 深部強化学習による腎腫瘍分画の自動データ増補法
- Authors: Tiexin Qin and Ziyuan Wang and Kelei He and Yinghuan Shi and Yang Gao
and Dinggang Shen
- Abstract要約: 医用画像セグメンテーションのための新しい学習ベースデータ拡張法を開発した。
本手法では,データ拡張モジュールと後続のセグメンテーションモジュールをエンドツーエンドのトレーニング方法で一貫した損失と,革新的に組み合わせる。
提案法の有効性を検証したCT腎腫瘍分節法について,本法を広範囲に評価した。
- 参考スコア(独自算出の注目度): 57.78765460295249
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Conventional data augmentation realized by performing simple pre-processing
operations (\eg, rotation, crop, \etc) has been validated for its advantage in
enhancing the performance for medical image segmentation. However, the data
generated by these conventional augmentation methods are random and sometimes
harmful to the subsequent segmentation. In this paper, we developed a novel
automatic learning-based data augmentation method for medical image
segmentation which models the augmentation task as a trial-and-error procedure
using deep reinforcement learning (DRL). In our method, we innovatively combine
the data augmentation module and the subsequent segmentation module in an
end-to-end training manner with a consistent loss. Specifically, the best
sequential combination of different basic operations is automatically learned
by directly maximizing the performance improvement (\ie, Dice ratio) on the
available validation set. We extensively evaluated our method on CT kidney
tumor segmentation which validated the promising results of our method.
- Abstract(参考訳): 医用画像セグメンテーションの性能を高めるために, 単純な前処理操作(前処理, 回転, 作物, 後処理)によって実現された従来のデータ拡張が有効である。
しかし、これらの従来の拡張法によって生成されたデータはランダムであり、後続のセグメンテーションには有害である。
本稿では, 深部強化学習(DRL)を用いた試行錯誤処理をモデル化した, 医用画像分割のための新しい学習ベースデータ拡張手法を開発した。
本手法では,データ拡張モジュールと後続のセグメンテーションモジュールをエンドツーエンドのトレーニング方法で一貫した損失と,革新的に組み合わせる。
具体的には、利用可能な検証セットのパフォーマンス改善(\ie, dice比)を直接最大化することにより、異なる基本操作の最良のシーケンシャルな組み合わせを自動的に学習する。
提案法の有効性を検証したCT腎腫瘍分節法について,本法を広範囲に評価した。
関連論文リスト
- AnatoMix: Anatomy-aware Data Augmentation for Multi-organ Segmentation [6.471203541258319]
本稿では,多臓器セグメンテーションデータセットの一般化性を高めるための新しいデータ拡張戦略を提案する。
オブジェクトレベルのマッチングと操作により,本手法は解剖学的に正しい画像を生成することができる。
拡張法は, ベースライン法74.8と比較して76.1ディスとなる。
論文 参考訳(メタデータ) (2024-03-05T21:07:50Z) - PREM: A Simple Yet Effective Approach for Node-Level Graph Anomaly
Detection [65.24854366973794]
ノードレベルのグラフ異常検出(GAD)は、医学、ソーシャルネットワーク、eコマースなどの分野におけるグラフ構造化データから異常ノードを特定する上で重要な役割を果たす。
本稿では,GADの効率を向上させるために,PREM (preprocessing and Matching) という簡単な手法を提案する。
我々のアプローチは、強力な異常検出機能を維持しながら、GADを合理化し、時間とメモリ消費を削減します。
論文 参考訳(メタデータ) (2023-10-18T02:59:57Z) - Learnable Weight Initialization for Volumetric Medical Image
Segmentation [54.1807206010136]
本稿では,学習可能な重みに基づくハイブリッド医療画像セグメンテーション手法を提案する。
我々のアプローチはどんなハイブリッドモデルにも簡単に統合でき、外部のトレーニングデータを必要としない。
多臓器・肺がんセグメンテーションタスクの実験は、我々のアプローチの有効性を実証している。
論文 参考訳(メタデータ) (2023-06-15T17:55:05Z) - 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) - Segmentation Consistency Training: Out-of-Distribution Generalization
for Medical Image Segmentation [2.0978389798793873]
一般化可能性(Generalizability)は、特に医用画像の領域において、ディープラーニングにおける大きな課題の1つと見なされている。
本稿では,データ拡張の代替として,一貫性トレーニング(Consistency Training)を導入する。
一貫性トレーニングは、いくつかのアウト・オブ・ディストリビューションデータセットにおいて、従来のデータ拡張よりも優れていることを示す。
論文 参考訳(メタデータ) (2022-05-30T20:57:15Z) - Invariance Learning in Deep Neural Networks with Differentiable Laplace
Approximations [76.82124752950148]
我々はデータ拡張を選択するための便利な勾配法を開発した。
我々はKronecker-factored Laplace近似を我々の目的とする限界確率に近似する。
論文 参考訳(メタデータ) (2022-02-22T02:51:11Z) - Contrastive Neural Processes for Self-Supervised Learning [1.8059331230167266]
コントラスト学習とニューラルプロセスを組み合わせた,新たな自己教師型学習フレームワークを提案する。
これは、時系列予測を実行するために、最近のニューラルネットワークプロセスの進歩に依存している。
従来の自己教師型手法とは異なり、拡張パイプラインはタスクに依存しないため、様々なアプリケーションでうまく機能する。
論文 参考訳(メタデータ) (2021-10-24T21:01:27Z) - Automatic Data Augmentation for 3D Medical Image Segmentation [37.262350163905445]
医用画像分割作業において、識別可能な自動データ拡張が採用されたのは、これが初めてである。
我々の数値実験により,提案手法は,最先端モデルの既存のビルトインデータ拡張を著しく上回っていることが示された。
論文 参考訳(メタデータ) (2020-10-07T12:51:17Z) - Towards Cross-modality Medical Image Segmentation with Online Mutual
Knowledge Distillation [71.89867233426597]
本稿では,あるモダリティから学習した事前知識を活用し,別のモダリティにおけるセグメンテーション性能を向上させることを目的とする。
モーダル共有知識を徹底的に活用する新しい相互知識蒸留法を提案する。
MMWHS 2017, MMWHS 2017 を用いた多クラス心筋セグメンテーション実験の結果, CT セグメンテーションに大きな改善が得られた。
論文 参考訳(メタデータ) (2020-10-04T10:25:13Z) - Bayesian Generative Models for Knowledge Transfer in MRI Semantic
Segmentation Problems [15.24006130659201]
本稿では,遺伝ベイズ先行ネットワークを用いた疾患間の知識伝達手法を提案する。
提案手法はトレーニング前のアプローチとランダム初期化と比較し,脳腫瘍-2018データベースの小さな部分集合に対するDice similarity Coefficientの測定値から最良の結果を得る。
論文 参考訳(メタデータ) (2020-05-26T11:42:17Z)
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。