論文の概要: An Auto-Encoder Strategy for Adaptive Image Segmentation

• arxiv url: http://arxiv.org/abs/2004.13903v1
• Date: Wed, 29 Apr 2020 00:53:24 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-08 14:29:54.050399
• Title: An Auto-Encoder Strategy for Adaptive Image Segmentation
• Title（参考訳）: 適応画像分割のためのオートエンコーダ戦略
• Authors: Evan M. Yu, Juan Eugenio Iglesias, Adrian V. Dalca, Mert R. Sabuncu
• Abstract要約: 本稿では,離散表現学習問題としてセグメンテーションの新たな視点を提案する。 フレキシブルで適応的な自動エンコーダセグメンテーション戦略を提案する。 我々はマルコフランダム場先行が空間的に独立な先行よりもはるかに優れた結果が得られることを示した。
• 参考スコア（独自算出の注目度）: 18.333542893112007
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep neural networks are powerful tools for biomedical image segmentation. These models are often trained with heavy supervision, relying on pairs of images and corresponding voxel-level labels. However, obtaining segmentations of anatomical regions on a large number of cases can be prohibitively expensive. Thus there is a strong need for deep learning-based segmentation tools that do not require heavy supervision and can continuously adapt. In this paper, we propose a novel perspective of segmentation as a discrete representation learning problem, and present a variational autoencoder segmentation strategy that is flexible and adaptive. Our method, called Segmentation Auto-Encoder (SAE), leverages all available unlabeled scans and merely requires a segmentation prior, which can be a single unpaired segmentation image. In experiments, we apply SAE to brain MRI scans. Our results show that SAE can produce good quality segmentations, particularly when the prior is good. We demonstrate that a Markov Random Field prior can yield significantly better results than a spatially independent prior. Our code is freely available at https://github.com/evanmy/sae.
• Abstract（参考訳）: ディープニューラルネットワークは、バイオメディカルイメージセグメンテーションの強力なツールである。 これらのモデルは、しばしば、画像のペアと対応するボクセルレベルのラベルに依存して、重い監督で訓練される。 しかし、多くのケースで解剖学的領域のセグメント化を得ることは、非常に高価である。 したがって、深層学習に基づくセグメンテーションツールには、大量の監督を必要としない、継続的に適応できる強いニーズがある。 本稿では,離散表現学習問題としてのセグメンテーションの新しい展望を提案し,柔軟かつ適応的な変分オートエンコーダセグメンテーション戦略を提案する。 我々の手法は、SAE(Segmentation Auto-Encoder)と呼ばれ、利用可能なすべての未ラベルのスキャンを活用し、単に1つの未ペアのセグメンテーションイメージであるセグメンテーション前を必要とするだけである。 実験では、脳MRIスキャンにSAEを適用した。 以上の結果から,SAEは品質のよいセグメンテーションを生成できることが示唆された。 マルコフ確率場前駆は空間的に独立な前駆体よりもはるかに良い結果が得られることを示す。 私たちのコードはhttps://github.com/evanmy/saeで無料で利用できます。

関連論文リスト

• Prompting Segment Anything Model with Domain-Adaptive Prototype for Generalizable Medical Image Segmentation [49.5901368256326]
  医用画像のセグメンテーションにおけるセグメンテーションモデル(DAPSAM)の微調整のための新しいドメイン適応型プロンプトフレームワークを提案する。 DAPSAMは,2つの医療画像分割タスクにおいて,異なるモダリティで最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2024-09-19T07:28:33Z)
• Unsupervised Universal Image Segmentation [59.0383635597103]
  本稿では,Unsupervised Universal Model (U2Seg) を提案する。 U2Segは、自己教師付きモデルを利用して、これらのセグメンテーションタスクの擬似意味ラベルを生成する。 次に、これらの擬似意味ラベル上でモデルを自己学習し、かなりの性能向上をもたらす。
  論文  参考訳（メタデータ） (2023-12-28T18:59:04Z)
• SAMBA: A Trainable Segmentation Web-App with Smart Labelling [0.0]
  SAMBAは、高速で高品質なラベル提案にMetaのSegment Anything Model(SAM)を使用するトレーニング可能なセグメンテーションツールである。 セグメンテーションバックエンドはクラウドで動作するため、ユーザは強力なハードウェアを必要としない。
  論文  参考訳（メタデータ） (2023-12-07T10:31:05Z)
• Unsupervised Segmentation of Fetal Brain MRI using Deep Learning Cascaded Registration [2.494736313545503]
  従来の深層学習に基づく自動セグメンテーションは、グランドトラストラベルによる広範なトレーニングデータを必要とする。 ラベル付きデータに頼らずに複数の組織を正確にセグメンテーションするマルチアトラスセグメンテーションに基づく新しい手法を提案する。 提案手法では,3次元画像登録のためのカスケード深層学習ネットワークを用いて,移動画像への小さなインクリメンタルな変形を計算し,それを固定画像と正確に整合させる。
  論文  参考訳（メタデータ） (2023-07-07T13:17:12Z)
• On-Device Unsupervised Image Segmentation [5.9990534851802915]
  私たちはHDCベースの教師なしセグメンテーションフレームワーク「SegHDC」を構築します。 標準セグメンテーションデータセットでは、SegHDCはIoU(Intersection over Union)スコアを28.0%改善することができる。 SegHDCは3分以内にセグメンテーション結果を得ることができ、0.9587 IoUスコアを達成できる。
  論文  参考訳（メタデータ） (2023-02-24T00:51:17Z)
• 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)
• Learning from partially labeled data for multi-organ and tumor segmentation [102.55303521877933]
  本稿では,トランスフォーマーに基づく動的オンデマンドネットワーク(TransDoDNet)を提案する。 動的ヘッドにより、ネットワークは複数のセグメンテーションタスクを柔軟に達成することができる。 我々はMOTSと呼ばれる大規模にラベル付けされたMulti-Organ and tumorベンチマークを作成し、他の競合相手よりもTransDoDNetの方が優れた性能を示す。
  論文  参考訳（メタデータ） (2022-11-13T13:03:09Z)
• Segmenter: Transformer for Semantic Segmentation [79.9887988699159]
  セマンティックセグメンテーションのためのトランスフォーマーモデルであるSegmenterを紹介します。 最近のViT(Vision Transformer)上に構築し,セマンティックセグメンテーションに拡張する。 これは、挑戦的なADE20Kデータセット上でのアートの状態を上回り、Pascal ContextとCityscapesでオンパーを実行する。
  論文  参考訳（メタデータ） (2021-05-12T13:01:44Z)
• Modeling the Probabilistic Distribution of Unlabeled Data forOne-shot Medical Image Segmentation [40.41161371507547]
  我々は1ショットの脳磁気共鳴画像(MRI)画像分割のためのデータ拡張法を開発した。 提案手法は,MRI画像1枚(atlas)とラベルなし画像数枚のみを利用する。 本手法は最先端のワンショット医療セグメンテーション法より優れている。
  論文  参考訳（メタデータ） (2021-02-03T12:28:04Z)
• 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)

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。