論文の概要: Capsules for Biomedical Image Segmentation
- arxiv url: http://arxiv.org/abs/2004.04736v2
- Date: Thu, 10 Dec 2020 21:53:16 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-15 02:47:27.786046
- Title: Capsules for Biomedical Image Segmentation
- Title（参考訳）: 生体画像分割のためのカプセル
- Authors: Rodney LaLonde, Ziyue Xu, Ismail Irmakci, Sanjay Jain, Ulas Bagci
- Abstract要約: 我々は,SegCapsと呼ばれるディープエンコーダ・デコーダスタイルのネットワークを構築するために,デコンボリューショナルカプセルの概念を提案する。
提案された畳み込みデコンボリューションカプセルネットワークであるSegCapsは、一般的なセグメンテーションネットワークのパラメータの一部を使用しながら、最先端の結果を示す。
- 参考スコア（独自算出の注目度）: 4.239450660945214
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Our work expands the use of capsule networks to the task of object
segmentation for the first time in the literature. This is made possible via
the introduction of locally-constrained routing and transformation matrix
sharing, which reduces the parameter/memory burden and allows for the
segmentation of objects at large resolutions. To compensate for the loss of
global information in constraining the routing, we propose the concept of
"deconvolutional" capsules to create a deep encoder-decoder style network,
called SegCaps. We extend the masked reconstruction regularization to the task
of segmentation and perform thorough ablation experiments on each component of
our method. The proposed convolutional-deconvolutional capsule network,
SegCaps, shows state-of-the-art results while using a fraction of the
parameters of popular segmentation networks. To validate our proposed method,
we perform experiments segmenting pathological lungs from clinical and
pre-clinical thoracic computed tomography (CT) scans and segmenting muscle and
adipose (fat) tissue from magnetic resonance imaging (MRI) scans of human
subjects' thighs. Notably, our experiments in lung segmentation represent the
largest-scale study in pathological lung segmentation in the literature, where
we conduct experiments across five extremely challenging datasets, containing
both clinical and pre-clinical subjects, and nearly 2000 computed-tomography
scans. Our newly developed segmentation platform outperforms other methods
across all datasets while utilizing less than 5% of the parameters in the
popular U-Net for biomedical image segmentation. Further, we demonstrate
capsules' ability to generalize to unseen rotations/reflections on natural
images.
- Abstract（参考訳）: 私たちの研究は、カプセルネットワークの利用を、文献の中で初めてオブジェクトセグメンテーションのタスクに拡張しています。
これは、パラメータ/メモリの負担を軽減し、大きな解像度でオブジェクトのセグメンテーションを可能にする、ローカル制約付きルーティングと変換マトリックス共有の導入によって実現されている。
ルーティングの制約によるグローバル情報の損失を補うため,SegCapsと呼ばれるディープエンコーダ・デコーダスタイルのネットワークを構築するために,デコンボリューショナルカプセルの概念を提案する。
本手法では,マスキング復元の規則化をセグメント化のタスクに拡張し,各成分について徹底的なアブレーション実験を行う。
提案するconvolutional-deconvolutional capsule network(segcaps)は,一般的なセグメンテーションネットワークのパラメータのごく一部を用いて,最先端の結果を示す。
提案法の有効性を検証するため,臨床および臨床・臨床・臨床・臨床の胸部CTによる病理肺の分画と筋の分画実験を行い,MRIによるヒト大腿部病変の鑑別を行った。
特に, 肺分画実験は, 臨床患者と臨床前患者の両方を含む5つの極めて困難なデータセットおよび2000近いctスキャンを用いて, 病理的肺分画における最大規模の研究である。
新たに開発したセグメンテーションプラットフォームは,一般的なu-netのパラメータの5%未満を生体画像セグメンテーションに利用しながら,全データセットで他の手法を上回っている。
さらに、カプセルが自然画像上で見えない回転/反射を一般化する能力を示す。
関連論文リスト
- MedCLIP-SAMv2: Towards Universal Text-Driven Medical Image Segmentation [2.2585213273821716]
MedCLIP-SAMv2はCLIPとSAMモデルを統合して臨床スキャンのセグメンテーションを行う新しいフレームワークである。
提案手法は,DHN-NCE(Decoupled Hard Negative Noise Contrastive Estimation)によるBiomedCLIPモデルの微調整を含む。
また,ゼロショットセグメンテーションラベルを弱教師付きパラダイム内で使用することにより,セグメンテーション品質をさらに向上する。
論文 参考訳（メタデータ） (2024-09-28T23:10:37Z) - Explanations of Classifiers Enhance Medical Image Segmentation via
End-to-end Pre-training [37.11542605885003]
医用画像セグメンテーションは、ディープニューラルネットワークを用いて、胸部X線写真などの医用画像の異常な構造を特定し、発見することを目的としている。
我々の研究は、よく訓練された分類器から説明を集め、セグメンテーションタスクの擬似ラベルを生成する。
次に、インテグレート・グラディエント(IG)法を用いて、分類器から得られた説明を蒸留し、強化し、大規模診断指向のローカライゼーション・ラベル(DoLL)を生成する。
これらのDLLアノテーション付き画像は、新型コロナウイルス感染症、肺、心臓、鎖骨などの下流のセグメンテーションタスクのために、モデルを微調整する前に事前訓練するために使用される。
論文 参考訳（メタデータ） (2024-01-16T16:18:42Z) - Multi-scale Multi-site Renal Microvascular Structures Segmentation for
Whole Slide Imaging in Renal Pathology [4.743463035587953]
Omni-Segは,マルチサイト,マルチスケールのトレーニングデータを活用する新しい動的ネットワーク手法である。
我々は、HuBMAPとNEPTUNEという2つのデータセットの画像を用いて、特異なディープネットワークを訓練する。
提案手法は,腎微小血管構造の定量的解析のための強力な計算ツールを腎病理医に提供する。
論文 参考訳（メタデータ） (2023-08-10T16:26:03Z) - 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) - Reliable Joint Segmentation of Retinal Edema Lesions in OCT Images [55.83984261827332]
本稿では,信頼性の高いマルチスケールウェーブレットエンハンストランスネットワークを提案する。
本研究では,ウェーブレット型特徴抽出器ネットワークとマルチスケール変圧器モジュールを統合したセグメンテーションバックボーンを開発した。
提案手法は,他の最先端セグメンテーション手法と比較して信頼性の高いセグメンテーション精度を実現する。
論文 参考訳（メタデータ） (2022-12-01T07:32:56Z) - Anatomy-Constrained Contrastive Learning for Synthetic Segmentation
without Ground-truth [8.513014699605499]
AccSeg-Net (AccSeg-Net) を用いて, 対象画像の分割ネットワークを訓練した。
CBCT, MRI, PET画像データに適用し, 従来法に比べ, セグメンテーション性能が優れていた。
論文 参考訳（メタデータ） (2021-07-12T14:54:04Z) - Spatially Dependent U-Nets: Highly Accurate Architectures for Medical
Imaging Segmentation [10.77039660100327]
解剖学的構造に固有の空間的コヒーレンスを利用する新しいディープニューラルネットワークアーキテクチャを紹介します。
提案手法は,分割画素/ボクセル空間における長距離空間依存性を捉えるのに有効である。
本手法は一般的に使用されるU-NetおよびU-Net++アーキテクチャに好適に作用する。
論文 参考訳（メタデータ） (2021-03-22T10:37:20Z) - Few-shot Medical Image Segmentation using a Global Correlation Network
with Discriminative Embedding [60.89561661441736]
医療画像分割のための新しい手法を提案する。
深層畳み込みネットワークを用いた数ショット画像セグメンタを構築します。
深層埋め込みの識別性を高め,同一クラスの特徴領域のクラスタリングを促進する。
論文 参考訳（メタデータ） (2020-12-10T04:01:07Z) - Co-Heterogeneous and Adaptive Segmentation from Multi-Source and
Multi-Phase CT Imaging Data: A Study on Pathological Liver and Lesion
Segmentation [48.504790189796836]
我々は,新しいセグメンテーション戦略,コヘテロジネティック・アダプティブセグメンテーション(CHASe)を提案する。
本稿では,外見に基づく半スーパービジョン,マスクに基づく対向ドメイン適応,擬似ラベルを融合した多目的フレームワークを提案する。
CHASeは4.2% sim 9.4%$の範囲で、病理的な肝臓マスクDice-Sorensen係数をさらに改善することができる。
論文 参考訳（メタデータ） (2020-05-27T06:58:39Z) - A Global Benchmark of Algorithms for Segmenting Late Gadolinium-Enhanced
Cardiac Magnetic Resonance Imaging [90.29017019187282]
現在世界最大の心臓LGE-MRIデータセットである154個の3D LGE-MRIを用いた「2018 left Atrium Challenge」。
技術および生物学的指標を用いた提案アルゴリズムの解析を行った。
その結果, 最上部法は93.2%, 平均表面は0.7mmであった。
論文 参考訳（メタデータ） (2020-04-26T08:49:17Z) - Pathological Retinal Region Segmentation From OCT Images Using Geometric
Relation Based Augmentation [84.7571086566595]
本稿では,幾何学と形状の内在的関係を共同で符号化することで,従来のGANベースの医用画像合成法よりも優れた手法を提案する。
提案手法は,取得手順の異なる画像を有する公開RETOUCHデータセット上で,最先端のセグメンテーション手法より優れている。
論文 参考訳（メタデータ） (2020-03-31T11:50:43Z)
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。