論文の概要: Joint Liver Lesion Segmentation and Classification via Transfer Learning
- arxiv url: http://arxiv.org/abs/2004.12352v2
- Date: Sun, 24 May 2020 16:08:17 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-09 13:44:09.829772
- Title: Joint Liver Lesion Segmentation and Classification via Transfer Learning
- Title（参考訳）: 移行学習による肝病変の分類と分類
- Authors: Michal Heker and Hayit Greenspan
- Abstract要約: 伝達学習と共同学習アプローチは畳み込みニューラルネットワーク(CNN)の性能向上に広く利用されている
ターゲットデータセットが通常非常に小さい医療画像アプリケーションでは、転送学習は特徴学習を改善する一方、共同学習はネットワークの一般化と堅牢性を改善する効果を示す。
単純なジョイント・フレームワークは一般的に使われているマルチタスク・アーキテクチャ(Y-Net)よりも優れており、分類精度が10%向上したのに対し、Y-Netは3%向上した。
- 参考スコア（独自算出の注目度）: 2.055949720959582
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Transfer learning and joint learning approaches are extensively used to
improve the performance of Convolutional Neural Networks (CNNs). In medical
imaging applications in which the target dataset is typically very small,
transfer learning improves feature learning while joint learning has shown
effectiveness in improving the network's generalization and robustness. In this
work, we study the combination of these two approaches for the problem of liver
lesion segmentation and classification. For this purpose, 332 abdominal CT
slices containing lesion segmentation and classification of three lesion types
are evaluated. For feature learning, the dataset of MICCAI 2017 Liver Tumor
Segmentation (LiTS) Challenge is used. Joint learning shows improvement in both
segmentation and classification results. We show that a simple joint framework
outperforms the commonly used multi-task architecture (Y-Net), achieving an
improvement of 10% in classification accuracy, compared to a 3% improvement
with Y-Net.
- Abstract（参考訳）: 伝達学習と共同学習アプローチは、畳み込みニューラルネットワーク(CNN)の性能向上に広く利用されている。
ターゲットデータセットが通常非常に小さい医療画像アプリケーションでは、転送学習は特徴学習を改善する一方、共同学習はネットワークの一般化と堅牢性を改善する効果を示す。
本研究は,肝病変の分節と分類の問題に対する2つのアプローチの組み合わせについて検討する。
本目的のために,病変分割と3種類の病変の分類を含む332個の腹部CTスライスを評価した。
特徴学習には、MICCAI 2017 Liver tumor Segmentation (LiTS) Challengeのデータセットを使用する。
共同学習はセグメンテーションと分類結果の両方の改善を示す。
単純なジョイントフレームワークが一般的なマルチタスクアーキテクチャ(y-net)よりも優れており、y-netでは3%改善されているのに対し、分類精度は10%向上している。
関連論文リスト
- Augmentation is AUtO-Net: Augmentation-Driven Contrastive Multiview
Learning for Medical Image Segmentation [3.1002416427168304]
この論文は網膜血管セグメンテーションの課題に焦点を当てている。
深層学習に基づく医用画像セグメンテーションアプローチの広範な文献レビューを提供する。
効率的でシンプルな多視点学習フレームワークを提案する。
論文 参考訳（メタデータ） (2023-11-02T06:31:08Z) - Multi-Scale Cross Contrastive Learning for Semi-Supervised Medical Image
Segmentation [14.536384387956527]
医用画像の構造を分割するマルチスケールクロススーパービジョンコントラスト学習フレームワークを開発した。
提案手法は,頑健な特徴表現を抽出するために,地上構造と横断予測ラベルに基づくマルチスケール特徴と対比する。
Diceでは最先端の半教師あり手法を3.0%以上上回っている。
論文 参考訳（メタデータ） (2023-06-25T16:55:32Z) - Retinal Vessel Segmentation via a Multi-resolution Contextual Network
and Adversarial Learning [4.776465250559035]
本稿では,意味的に異なる特徴間のコンテキスト依存を学習するためのマルチレゾリューション・コンテクスト・ネットワーク(MRC-Net)を提案する。
本手法は,DRIVE,STARE,CHASEの3つのベンチマークデータセットを用いて評価を行った。
論文 参考訳（メタデータ） (2023-04-25T14:27:34Z) - 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) - Joint localization and classification of breast tumors on ultrasound
images using a novel auxiliary attention-based framework [7.6620616780444974]
本稿では,注意機構と半教師付き半教師付き学習戦略に基づく,新しい共同局所化と分類モデルを提案する。
提案されたモジュール化フレームワークは、様々なアプリケーションに対して柔軟なネットワーク置換を可能にする。
論文 参考訳（メタデータ） (2022-10-11T20:14:13Z) - Medulloblastoma Tumor Classification using Deep Transfer Learning with
Multi-Scale EfficientNets [63.62764375279861]
本稿では,エンド・ツー・エンドのMB腫瘍分類を提案し,様々な入力サイズとネットワーク次元の一致した移動学習を提案する。
161ケースのデータセットを用いて、より大規模な入力解像度を持つ事前学習されたEfficientNetが、大幅な性能改善をもたらすことを実証した。
論文 参考訳（メタデータ） (2021-09-10T13:07:11Z) - Cascaded Robust Learning at Imperfect Labels for Chest X-ray
Segmentation [61.09321488002978]
不完全アノテーションを用いた胸部X線分割のための新しいカスケードロバスト学習フレームワークを提案する。
モデルは3つの独立したネットワークから成り,ピアネットワークから有用な情報を効果的に学習できる。
提案手法は,従来の手法と比較して,セグメント化タスクの精度を大幅に向上させることができる。
論文 参考訳（メタデータ） (2021-04-05T15:50:16Z) - 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) - Learning and Exploiting Interclass Visual Correlations for Medical Image
Classification [30.88175218665726]
本稿では、クラス相関学習ネットワーク(CCL-Net)を提案し、与えられたトレーニングデータからクラス間の視覚的相関を学習する。
ネットワークが望ましい相関関係を直接学習させる代わりに,クラス固有の埋め込みの距離メートル法学習を通じて暗黙的に学習することを提案する。
相関関係の幾何学的説明に基づく直感的損失は、クラス間の相関関係の学習を促進するために設計されている。
論文 参考訳（メタデータ） (2020-07-13T13:31:38Z) - 3D medical image segmentation with labeled and unlabeled data using
autoencoders at the example of liver segmentation in CT images [58.720142291102135]
本研究では、畳み込みニューラルネットワークによるセグメンテーションを改善するために、オートエンコーダ抽出機能の可能性を検討する。
コンボリューション・オートエンコーダを用いてラベルのないデータから特徴を抽出し,CT画像における3次元肝セグメンテーションの目標タスクを実行するために,マルチスケールの完全畳み込みCNNを用いた。
論文 参考訳（メタデータ） (2020-03-17T20:20:43Z) - Unpaired Multi-modal Segmentation via Knowledge Distillation [77.39798870702174]
本稿では,不対向画像分割のための新しい学習手法を提案する。
提案手法では,CTおよびMRI間での畳み込みカーネルの共有により,ネットワークパラメータを多用する。
我々は2つの多クラスセグメンテーション問題に対するアプローチを広範囲に検証した。
論文 参考訳（メタデータ） (2020-01-06T20:03:17Z)
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。