論文の概要: ACCL: Adversarial constrained-CNN loss for weakly supervised medical image segmentation

• arxiv url: http://arxiv.org/abs/2005.00328v1
• Date: Fri, 1 May 2020 12:16:22 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-08 00:03:23.346163
• Title: ACCL: Adversarial constrained-CNN loss for weakly supervised medical image segmentation
• Title（参考訳）: ACCL: 医用画像の低監督化のための対向的制約-CNN損失
• Authors: Pengyi Zhang, Yunxin Zhong, Xiaoqiong Li
• Abstract要約: 本稿では, 医用画像の弱いセグメント化のための新しい制約付きCNN損失法である, 対向的制約付きCNN損失法を提案する。 新しいパラダイムでは、事前知識は参照マスクによって符号化され、表現され、セグメンテーション出力に制約を課すためにさらに使用される。 我々の新しいパラダイムは、ネットワークの出力に対する事前知識の付与を大いに促進するだけでなく、より強固で高次制約も提供します。
• 参考スコア（独自算出の注目度）: 1.6942733472657625
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: We propose adversarial constrained-CNN loss, a new paradigm of constrained-CNN loss methods, for weakly supervised medical image segmentation. In the new paradigm, prior knowledge is encoded and depicted by reference masks, and is further employed to impose constraints on segmentation outputs through adversarial learning with reference masks. Unlike pseudo label methods for weakly supervised segmentation, such reference masks are used to train a discriminator rather than a segmentation network, and thus are not required to be paired with specific images. Our new paradigm not only greatly facilitates imposing prior knowledge on network's outputs, but also provides stronger and higher-order constraints, i.e., distribution approximation, through adversarial learning. Extensive experiments involving different medical modalities, different anatomical structures, different topologies of the object of interest, different levels of prior knowledge and weakly supervised annotations with different annotation ratios is conducted to evaluate our ACCL method. Consistently superior segmentation results over the size constrained-CNN loss method have been achieved, some of which are close to the results of full supervision, thus fully verifying the effectiveness and generalization of our method. Specifically, we report an average Dice score of 75.4% with an average annotation ratio of 0.65%, surpassing the prior art, i.e., the size constrained-CNN loss method, by a large margin of 11.4%. Our codes are made publicly available at https://github.com/PengyiZhang/ACCL.
• Abstract（参考訳）: 本稿では, 医用画像の弱いセグメント化のための新しい制約付きCNN損失法である, 対向的制約付きCNN損失を提案する。 新しいパラダイムでは、事前知識は参照マスクによってエンコードされ、さらに参照マスクによる逆学習を通じてセグメンテーションアウトプットに制約を課すために用いられる。 弱い教師付きセグメンテーションのための擬似ラベル法とは異なり、そのような参照マスクはセグメンテーションネットワークよりも識別器を訓練するために用いられ、そのため特定の画像と組み合わせる必要はない。 我々の新しいパラダイムは、ネットワークの出力に対する事前知識の付与を大いに促進するだけでなく、より強固で高次制約、すなわち分布近似を敵対的学習を通じて提供する。 accl法を評価するために,様々な医学的モダリティ,異なる解剖学的構造,関心対象の異なるトポロジ,異なる事前知識のレベル,異なるアノテーション比率の弱い教師付きアノテーションを含む広範囲な実験を行った。 サイズ制約付きCNN損失法よりも連続的に優れたセグメンテーション結果が得られ,その一部は全監督の結果に近く,本手法の有効性と一般化を十分に検証している。 具体的には、平均diceスコアが75.4%、平均アノテーション比率が0.65%であり、先行技術、すなわちサイズ制約付きcnn損失法を11.4%大きく上回っていることを報告した。 私たちのコードはhttps://github.com/pengyizhang/acclで公開されています。

関連論文リスト

• 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)
• RCPS: Rectified Contrastive Pseudo Supervision for Semi-Supervised Medical Image Segmentation [26.933651788004475]
  我々は、RCPS(Rectified Contrastive Pseudo Supervision)という、新しい半教師付きセグメンテーション手法を提案する。 RCPSは、修正された疑似監督とボクセルレベルのコントラスト学習を組み合わせて、半教師付きセグメンテーションの有効性を向上させる。 実験結果から, 半教師付き医用画像分割における最先端手法と比較して, 高いセグメンテーション性能が得られた。
  論文  参考訳（メタデータ） (2023-01-13T12:03:58Z)
• 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)
• PCA: Semi-supervised Segmentation with Patch Confidence Adversarial Training [52.895952593202054]
  医用画像セグメンテーションのためのPatch Confidence Adrial Training (PCA) と呼ばれる半教師付き対向法を提案する。 PCAは各パッチの画素構造とコンテキスト情報を学習し、十分な勾配フィードバックを得る。 本手法は, 医用画像のセグメンテーションにおいて, 最先端の半教師付き手法より優れており, その有効性を示している。
  論文  参考訳（メタデータ） (2022-07-24T07:45:47Z)
• ECONet: Efficient Convolutional Online Likelihood Network for Scribble-based Interactive Segmentation [6.016521285275371]
  CT画像における COVID-19 関連肺病変の自動分画には, 大量の注記量が必要である。 我々は,アノテータがスクリブルベースインタラクションを提供する間,オンラインで学習できる効率的な畳み込みニューラルネットワーク(CNN)を提案する。 本研究は,新型コロナウイルス関連肺病変のアノテート,Diceスコアの16%,実行時間3$times$,スクリブルスをベースとしたラベル付きボキセル9000,といった課題において,既存の方法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-01-12T17:21:28Z)
• A Unified Framework for Generalized Low-Shot Medical Image Segmentation with Scarce Data [24.12765716392381]
  距離距離距離距離学習(DML)に基づく医用画像分割の一般化のための統一的枠組みを提案する。 DMLでは,各カテゴリの多モード混合表現を学習し,画素の深層埋め込みとカテゴリ表現との間の余弦距離に基づいて密接な予測を行う。 脳MRIおよび腹部CTデータセットの実験において,提案手法は標準DNN(3D U-Net)法と古典的登録(ANT)法に対して,低ショットセグメンテーションにおいて優れた性能を示す。
  論文  参考訳（メタデータ） (2021-10-18T13:01:06Z)
• Inconsistency-aware Uncertainty Estimation for Semi-supervised Medical Image Segmentation [92.9634065964963]
  我々は、不確実性推定と個別の自己学習戦略に基づいて、新しい半教師付きセグメンテーションモデル、すなわち保守的ラディカルネットワーク(CoraNet)を提案する。 現在の技術と比較すると、ColaNetは優れたパフォーマンスを示しています。
  論文  参考訳（メタデータ） (2021-10-17T08:49:33Z)
• An Uncertainty-Driven GCN Refinement Strategy for Organ Segmentation [53.425900196763756]
  本研究では,不確実性解析とグラフ畳み込みネットワークに基づくセグメンテーション改善手法を提案する。 半教師付きグラフ学習問題を定式化するために、特定の入力ボリュームにおける畳み込みネットワークの不確実性レベルを用いる。 本手法は膵臓で1%,脾臓で2%向上し,最先端のCRF改善法よりも優れていた。
  論文  参考訳（メタデータ） (2020-12-06T18:55:07Z)
• Learning, compression, and leakage: Minimising classification error via meta-universal compression principles [87.054014983402]
  学習シナリオのための圧縮技法の有望なグループは、正規化極大(NML)符号化である。 ここでは,教師付き分類問題に対するNMLに基づく意思決定戦略を検討し,多種多様なモデルに適用した場合にPAC学習を実現することを示す。 本手法の誤分類率は,プライバシに敏感なシナリオにおいて,データ漏洩の可能性を定量化するための指標である最大リークによって上限づけられていることを示す。
  論文  参考訳（メタデータ） (2020-10-14T20:03:58Z)
• ARPM-net: A novel CNN-based adversarial method with Markov Random Field enhancement for prostate and organs at risk segmentation in pelvic CT images [10.011212599949541]
  本研究は,CT画像の多臓器セマンティックセマンティックセグメンテーションを改善するために,新しいCNNに基づく対角深層学習法を開発することを目的とする。 MRF(Markov Random Field)拡張ネットワーク (ARPM-net) は, 対向学習方式を実装している。 モデル輪郭の精度はDice similarity coefficient (DSC), Average Hausdorff Distance (AHD), Average Surface Hausdorff Distance (ASHD), relative Volume difference (VD) を用いて測定した。
  論文  参考訳（メタデータ） (2020-08-11T02:40:53Z)

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。