Fugu-MT 論文翻訳(概要): A Learning Strategy for Contrast-agnostic MRI Segmentation

論文の概要: A Learning Strategy for Contrast-agnostic MRI Segmentation

arxiv url: http://arxiv.org/abs/2003.01995v3
Date: Thu, 8 Apr 2021 11:47:24 GMT
ステータス: 処理完了
システム内更新日: 2022-12-26 13:35:07.832221
Title: A Learning Strategy for Contrast-agnostic MRI Segmentation
Title（参考訳）: コントラスト非依存的MRIセグメンテーションのための学習戦略
Authors: Benjamin Billot, Douglas Greve, Koen Van Leemput, Bruce Fischl, Juan Eugenio Iglesias, Adrian V. Dalca
Abstract要約: 我々は、非前処理脳MRIスキャンのコントラスト非依存的セマンティックセマンティックセグメンテーションを可能にするディープラーニング戦略を提案する。提案した学習手法であるSynthSegは,訓練中のハエのコントラストが多種多様である合成サンプル画像を生成する。我々は,1000名以上の被験者と4種類のMRコントラストからなる4種類のデータセットに対するアプローチを評価した。
参考スコア（独自算出の注目度）: 8.264160978159634
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We present a deep learning strategy that enables, for the first time, contrast-agnostic semantic segmentation of completely unpreprocessed brain MRI scans, without requiring additional training or fine-tuning for new modalities. Classical Bayesian methods address this segmentation problem with unsupervised intensity models, but require significant computational resources. In contrast, learning-based methods can be fast at test time, but are sensitive to the data available at training. Our proposed learning method, SynthSeg, leverages a set of training segmentations (no intensity images required) to generate synthetic sample images of widely varying contrasts on the fly during training. These samples are produced using the generative model of the classical Bayesian segmentation framework, with randomly sampled parameters for appearance, deformation, noise, and bias field. Because each mini-batch has a different synthetic contrast, the final network is not biased towards any MRI contrast. We comprehensively evaluate our approach on four datasets comprising over 1,000 subjects and four types of MR contrast. The results show that our approach successfully segments every contrast in the data, performing slightly better than classical Bayesian segmentation, and three orders of magnitude faster. Moreover, even within the same type of MRI contrast, our strategy generalizes significantly better across datasets, compared to training using real images. Finally, we find that synthesizing a broad range of contrasts, even if unrealistic, increases the generalization of the neural network. Our code and model are open source at https://github.com/BBillot/SynthSeg.
Abstract（参考訳）: 我々は,脳mriスキャンのコントラスト非依存的セグメンテーションを,新たなモダリティのための追加のトレーニングや微調整を必要とせずに,初めて可能とする深層学習戦略を提案する。古典的ベイズ法はこのセグメンテーション問題を教師なしの強度モデルで解決するが、かなりの計算資源を必要とする。対照的に、学習ベースの方法はテスト時に高速であるが、トレーニングで得られるデータに敏感である。提案する学習法であるsynthsegは,訓練中に様々なコントラストの合成サンプル画像を生成するために,一連の訓練セグメンテーション(強度画像不要)を利用する。これらのサンプルは古典的ベイズ分断フレームワークの生成モデルを用いて生成され、外見、変形、雑音、バイアス場に対するランダムなサンプルパラメータを持つ。それぞれのミニバッチは異なる合成コントラストを持つため、最終的なネットワークはMRIコントラストに偏らない。我々は,1000名以上の被験者と4種類のMRコントラストからなる4つのデータセットに対するアプローチを総合的に評価した。その結果,データ中のすべてのコントラストを分割し,従来のベイズ区分よりもわずかに優れ,3桁の高速化が得られた。さらに,mriコントラストの同じタイプであっても,実際の画像を用いたトレーニングに比べて,データセット間での戦略の一般化が著しく向上している。最後に、広範囲のコントラストを合成することは、非現実的であっても、ニューラルネットワークの一般化を増加させる。私たちのコードとモデルはhttps://github.com/BBillot/SynthSeg.comでオープンソースです。

関連論文リスト

Maximizing domain generalization in fetal brain tissue segmentation: the role of synthetic data generation, intensity clustering and real image fine-tuning [1.1443262816483672]
SynthSegのような領域ランダム化に基づく最近のアプローチは、単一ソース領域の一般化に大きな可能性を示している。胎児脳MRIにおけるSynthSeg法におけるOPD(out-of- domain)の一般化ポテンシャルを最大化する方法を示す。
論文参考訳（メタデータ） (2024-11-11T10:17:44Z)
Diffusion-based Data Augmentation for Nuclei Image Segmentation [68.28350341833526]
核セグメンテーションのための拡散法を初めて導入する。このアイデアは、多数のラベル付き画像を合成し、セグメンテーションモデルを訓練することを目的としている。実験の結果,10%のラベル付き実データセットを合成サンプルで拡張することにより,同等のセグメンテーション結果が得られることがわかった。
論文参考訳（メタデータ） (2023-10-22T06:16:16Z)
Better Generalization of White Matter Tract Segmentation to Arbitrary Datasets with Scaled Residual Bootstrap [1.30536490219656]
ホワイトマター(WM)トラクションセグメンテーションは、脳接続研究において重要なステップである。本稿では,WMトラクションセグメンテーション手法を提案する。
論文参考訳（メタデータ） (2023-09-25T09:31:34Z)
Rethinking Semi-Supervised Medical Image Segmentation: A Variance-Reduction Perspective [51.70661197256033]
医用画像セグメンテーションのための階層化グループ理論を用いた半教師付きコントラスト学習フレームワークARCOを提案する。まず、分散還元推定の概念を用いてARCOを構築することを提案し、特定の分散還元技術が画素/ボクセルレベルのセグメンテーションタスクにおいて特に有用であることを示す。 5つの2D/3D医療データセットと3つのセマンティックセグメンテーションデータセットのラベル設定が異なる8つのベンチマークで、我々のアプローチを実験的に検証する。
論文参考訳（メタデータ） (2023-02-03T13:50:25Z)
Multi-scale Transformer Network with Edge-aware Pre-training for Cross-Modality MR Image Synthesis [52.41439725865149]
クロスモダリティ磁気共鳴(MR)画像合成は、与えられたモダリティから欠落するモダリティを生成するために用いられる。既存の(教師付き学習)手法は、効果的な合成モデルを訓練するために、多くのペア化されたマルチモーダルデータを必要とすることが多い。マルチスケールトランスフォーマーネットワーク(MT-Net)を提案する。
論文参考訳（メタデータ） (2022-12-02T11:40:40Z)
Intra-class Adaptive Augmentation with Neighbor Correction for Deep Metric Learning [99.14132861655223]
深層学習のためのクラス内適応拡張(IAA)フレームワークを提案する。クラスごとのクラス内変動を合理的に推定し, 適応型合成試料を生成し, 硬質試料の採掘を支援する。本手法は,検索性能の最先端手法を3%～6%向上させる。
論文参考訳（メタデータ） (2022-11-29T14:52:38Z)
SynthStrip: Skull-Stripping for Any Brain Image [7.846209440615028]
我々は,学習に基づく迅速な脳抽出ツールであるSynthStripを紹介した。解剖学的セグメンテーションを活用することで、SynthStripは、解剖学、強度分布、および医療画像の現実的な範囲をはるかに超える人工的なトレーニングデータセットを生成する。一般的な頭蓋骨切断ベースラインよりも精度が大幅に向上した。
論文参考訳（メタデータ） (2022-03-18T14:08:20Z)
Learning with Neighbor Consistency for Noisy Labels [69.83857578836769]
特徴空間におけるトレーニング例間の類似性を利用した雑音ラベルから学習する手法を提案する。合成(CIFAR-10, CIFAR-100)とリアル(mini-WebVision, Clothing1M, mini-ImageNet-Red)の両方のノイズを評価するデータセットの評価を行った。
論文参考訳（メタデータ） (2022-02-04T15:46:27Z)
An Empirical Analysis of Recurrent Learning Algorithms In Neural Lossy Image Compression Systems [73.48927855855219]
近年のディープラーニングの進歩により、JPEGとJPEG 2000を標準のKodakベンチマークで上回る画像圧縮アルゴリズムが実現している。本稿では,最近の最先端ハイブリッドニューラル圧縮アルゴリズムの大規模比較を行う。
論文参考訳（メタデータ） (2022-01-27T19:47:51Z)
SynthSeg: Domain Randomisation for Segmentation of Brain MRI Scans of any Contrast and Resolution [7.070890465817133]
畳み込みニューラルネットワーク(CNN)は、目に見えないターゲットドメインに一般化するのが困難である。コントラストと解像度の脳MRIスキャンに最初のセグメンテーションCNNであるSynthSegを導入する。 6つのモダリティと10の解像度の5,500のスキャンでSynthSegを実証し、非並列な一般化を示す。
論文参考訳（メタデータ） (2021-07-20T15:22:16Z)
SynthMorph: learning contrast-invariant registration without acquired images [8.0963891430422]
画像データを取得せずに画像登録を学習するための戦略を導入する。この戦略は任意のMRIコントラストの堅牢かつ正確な登録を可能にする。
論文参考訳（メタデータ） (2020-04-21T20:29:39Z)

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。