論文の概要: Semantic Segmentation of highly class imbalanced fully labelled 3D
volumetric biomedical images and unsupervised Domain Adaptation of the
pre-trained Segmentation Network to segment another fully unlabelled
Biomedical 3D Image stack
- arxiv url: http://arxiv.org/abs/2004.02748v1
- Date: Fri, 13 Mar 2020 06:01:18 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-24 02:09:03.205937
- Title: Semantic Segmentation of highly class imbalanced fully labelled 3D
volumetric biomedical images and unsupervised Domain Adaptation of the
pre-trained Segmentation Network to segment another fully unlabelled
Biomedical 3D Image stack
- Title（参考訳）: 高度に非バランスな完全ラベル付き3次元バイオメディカルイメージのセマンティックセグメンテーションと教師なしドメイン適応による、未ラベルのバイオメディカル3次元イメージスタックのセマンティックセグメンテーション
- Authors: Shreya Roy and Anirban Chakraborty
- Abstract要約: 1つのデータセットが完全にラベル付けされ、もう1つのデータセットが完全にラベル付けされていないと仮定する2つのケースを考えます。
まず、完全ラベル付き等方的バイオメディカル・ソース・データ(FIBSEM)のセマンティクスを行い、ターゲット未ラベルデータセット(SNEMI3D)のセグメンテーションのためのトレーニングモデルを組み込もうとする。
- 参考スコア（独自算出の注目度）: 16.698880511349493
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The goal of our work is to perform pixel label semantic segmentation on 3D
biomedical volumetric data. Manual annotation is always difficult for a large
bio-medical dataset. So, we consider two cases where one dataset is fully
labeled and the other dataset is assumed to be fully unlabelled. We first
perform Semantic Segmentation on the fully labeled isotropic biomedical source
data (FIBSEM) and try to incorporate the the trained model for segmenting the
target unlabelled dataset(SNEMI3D)which shares some similarities with the
source dataset in the context of different types of cellular bodies and other
cellular components. Although, the cellular components vary in size and shape.
So in this paper, we have proposed a novel approach in the context of
unsupervised domain adaptation while classifying each pixel of the target
volumetric data into cell boundary and cell body. Also, we have proposed a
novel approach to giving non-uniform weights to different pixels in the
training images while performing the pixel-level semantic segmentation in the
presence of the corresponding pixel-wise label map along with the training
original images in the source domain. We have used the Entropy Map or a
Distance Transform matrix retrieved from the given ground truth label map which
has helped to overcome the class imbalance problem in the medical image data
where the cell boundaries are extremely thin and hence, extremely prone to be
misclassified as non-boundary.
- Abstract（参考訳）: 私たちの研究の目標は、3dバイオメディカルボリュームデータでピクセルラベルのセマンティクスセグメンテーションを行うことです。
大規模なバイオメディカルデータセットでは、手動アノテーションは常に難しい。
したがって、1つのデータセットが完全にラベル付けされ、もう1つのデータセットが完全にラベル付けされていないと仮定される2つのケースを考える。
まず、完全にラベル付けされた等方性バイオメディカルソースデータ(fibsem)上で意味セグメンテーションを行い、異なる種類の細胞体や他のセルコンポーネントの文脈でソースデータセットといくつかの類似性を共有するターゲット非ラベルデータセット(snemi3d)をセグメンテーションするための訓練されたモデルを組み込もうとする。
しかし、細胞成分のサイズと形状は様々である。
そこで本稿では,対象の体積データの各ピクセルをセル境界とセル本体に分類しながら,教師なし領域適応の文脈における新しいアプローチを提案する。
また、トレーニング画像内の異なる画素に対して非一様重みを与えるための新しい手法を提案し、ソース領域のトレーニング元の画像とともに対応する画素単位ラベルマップの存在下でピクセルレベルの意味セグメンテーションを行う。
我々は,与えられた基底真理ラベルマップから得られたエントロピーマップや距離変換行列を用いて,細胞境界が非常に薄い医療画像データにおけるクラス不均衡問題を克服した。
関連論文リスト
- Promise:Prompt-driven 3D Medical Image Segmentation Using Pretrained
Image Foundation Models [13.08275555017179]
単点プロンプトのみを用いたプロンプト駆動型3次元医用画像分割モデルProMISeを提案する。
今回,大腸癌と膵腫瘍の2つの領域に分布する2つのパブリックデータセットについて検討した。
論文 参考訳（メタデータ） (2023-10-30T16:49:03Z) - Unsupervised Domain Adaptation for Medical Image Segmentation via
Feature-space Density Matching [0.0]
本稿ではセマンティックセグメンテーションのための教師なしドメイン適応手法を提案する。
対象データ分布を特徴空間のソースとマッチングする。
提案手法の有効性を2つのデータセット,多部位前立腺MRI,病理組織像に示す。
論文 参考訳（メタデータ） (2023-05-09T22:24:46Z) - 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) - Semi-Supervised Domain Generalization for Cardiac Magnetic Resonance
Image Segmentation with High Quality Pseudo Labels [8.283424744148258]
半教師型医療セグメント化のための領域一般化手法を提案する。
本研究の主な目的は,各種領域を用いた極端なMRI解析による擬似ラベルの品質向上である。
本手法は呼吸運動の異なる心臓磁気共鳴画像の正確なセグメンテーション結果を連続的に生成する。
論文 参考訳（メタデータ） (2022-09-30T12:57:41Z) - Two-Stream Graph Convolutional Network for Intra-oral Scanner Image
Segmentation [133.02190910009384]
本稿では,2ストリームグラフ畳み込みネットワーク(TSGCN)を提案する。
TSGCNは3次元歯(表面)セグメンテーションにおいて最先端の方法よりも優れています。
論文 参考訳（メタデータ） (2022-04-19T10:41:09Z) - Unsupervised Domain Adaptation with Contrastive Learning for OCT
Segmentation [49.59567529191423]
本稿では,新しい未ラベル領域からのボリューム画像のセグメンテーションのための,新しい半教師付き学習フレームワークを提案する。
教師付き学習とコントラスト学習を併用し、3次元の近傍スライス間の類似性を利用したコントラストペア方式を導入する。
論文 参考訳（メタデータ） (2022-03-07T19:02:26Z) - Reference-guided Pseudo-Label Generation for Medical Semantic
Segmentation [25.76014072179711]
本稿では,半教師付きセマンティックセグメンテーションのための管理手法を提案する。
少数のラベル付き画像を参照材料として使用し、未ラベル画像中の画素と参照集合内の最適な画素のセマンティクスを一致させる。
我々は,X線解剖学的セグメンテーションにおける標準完全教師付きモデルと同じ性能を達成するが,ラベル付き画像の95%は少ない。
論文 参考訳（メタデータ） (2021-12-01T12:21:24Z) - Semantic Segmentation with Generative Models: Semi-Supervised Learning
and Strong Out-of-Domain Generalization [112.68171734288237]
本論文では,画像とラベルの再生モデルを用いた識別画素レベルのタスクのための新しいフレームワークを提案する。
我々は,共同画像ラベルの分布を捕捉し,未ラベル画像の大規模な集合を用いて効率的に訓練する生成的対向ネットワークを学習する。
ドメイン内性能をいくつかのベースラインと比較し,ドメイン外一般化を極端に示す最初の例である。
論文 参考訳（メタデータ） (2021-04-12T21:41:25Z) - ATSO: Asynchronous Teacher-Student Optimization for Semi-Supervised
Medical Image Segmentation [99.90263375737362]
教師-学生最適化の非同期版であるATSOを提案する。
ATSOはラベルのないデータを2つのサブセットに分割し、モデルの微調整に1つのサブセットを交互に使用し、他のサブセットのラベルを更新する。
医用画像のセグメンテーションデータセットを2つ評価し,様々な半教師付き環境において優れた性能を示す。
論文 参考訳（メタデータ） (2020-06-24T04:05:12Z) - Edge Guided GANs with Contrastive Learning for Semantic Image Synthesis [194.1452124186117]
本稿では,難解なセマンティック画像合成タスクのための新しいECGANを提案する。
我々のECGANは最先端の手法よりもはるかに優れた結果が得られる。
論文 参考訳（メタデータ） (2020-03-31T01:23:21Z)
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。