論文の概要: MetricUNet: Synergistic Image- and Voxel-Level Learning for Precise CT
Prostate Segmentation via Online Sampling
- arxiv url: http://arxiv.org/abs/2005.07462v4
- Date: Sat, 23 Jan 2021 17:18:35 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-02 22:51:15.716048
- Title: MetricUNet: Synergistic Image- and Voxel-Level Learning for Precise CT
Prostate Segmentation via Online Sampling
- Title（参考訳）: MetricUNet: オンラインサンプリングによる高精度CT前立腺分割のための合成画像とボクセルレベル学習
- Authors: Kelei He, Chunfeng Lian, Ehsan Adeli, Jing Huo, Yang Gao, Bing Zhang,
Junfeng Zhang, Dinggang Shen
- Abstract要約: 本稿では,前立腺領域を高速に局在させる第1段階と,前立腺領域を正確に区分する第2段階の2段階のフレームワークを提案する。
マルチタスクネットワークにおけるボクセルワイドサンプリングによる新しいオンラインメトリック学習モジュールを提案する。
本手法は,従来のクロスエントロピー学習法やDice損失学習法と比較して,より代表的なボクセルレベルの特徴を効果的に学習することができる。
- 参考スコア（独自算出の注目度）: 66.01558025094333
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Fully convolutional networks (FCNs), including UNet and VNet, are widely-used
network architectures for semantic segmentation in recent studies. However,
conventional FCN is typically trained by the cross-entropy or Dice loss, which
only calculates the error between predictions and ground-truth labels for
pixels individually. This often results in non-smooth neighborhoods in the
predicted segmentation. To address this problem, we propose a two-stage
framework, with the first stage to quickly localize the prostate region and the
second stage to precisely segment the prostate by a multi-task UNet
architecture. We introduce a novel online metric learning module through
voxel-wise sampling in the multi-task network. Therefore, the proposed network
has a dual-branch architecture that tackles two tasks: 1) a segmentation
sub-network aiming to generate the prostate segmentation, and 2) a voxel-metric
learning sub-network aiming to improve the quality of the learned feature space
supervised by a metric loss. Specifically, the voxel-metric learning
sub-network samples tuples (including triplets and pairs) in voxel-level
through the intermediate feature maps. Unlike conventional deep metric learning
methods that generate triplets or pairs in image-level before the training
phase, our proposed voxel-wise tuples are sampled in an online manner and
operated in an end-to-end fashion via multi-task learning. To evaluate the
proposed method, we implement extensive experiments on a real CT image dataset
consisting of 339 patients. The ablation studies show that our method can
effectively learn more representative voxel-level features compared with the
conventional learning methods with cross-entropy or Dice loss. And the
comparisons show that the proposed method outperforms the state-of-the-art
methods by a reasonable margin.
- Abstract（参考訳）: unetやvnetを含む完全畳み込みネットワーク(fcns)は、セマンティックセグメンテーションのための広く使われているネットワークアーキテクチャである。
しかし、従来のfcnはクロスエントロピーやサイスロスによって訓練されており、ピクセルの予測と接地ラベルの誤差を個別に計算するだけである。
これはしばしば予測されたセグメンテーションの非スムース近傍をもたらす。
この問題に対処するために,前立腺領域を高速にローカライズする第1段階と,マルチタスクUNetアーキテクチャにより前立腺領域を正確に分割する第2段階の2段階のフレームワークを提案する。
マルチタスクネットワークにおけるボクセルワイドサンプリングによる新しいオンラインメトリック学習モジュールを提案する。
したがって,提案するネットワークは2つのタスクに対応するデュアルブランチアーキテクチャを有する。
1)前立腺セグメンテーション生成を目的としたセグメンテーションサブネットワーク、及び
2) 計量損失によって教師される学習特徴空間の品質向上を目的としたボクセルメトリック学習サブネットワーク。
具体的には、voxel-metric learningサブネットワークは、中間特徴マップを通じてvoxelレベルにあるタプル(三重項とペアを含む)をサンプリングする。
トレーニング前に画像レベルでトリプレットやペアを生成する従来のディープメトリック学習手法とは異なり,提案するvoxel-wiseタプルをオンライン形式でサンプリングし,マルチタスク学習によるエンドツーエンドで運用する。
提案手法を評価するために,339人の患者からなる実CT画像データセットについて広範な実験を行った。
アブレーション研究は,従来のクロスエントロピー法やダイス損失法に比べて,より代表的なボクセルレベルの特徴を効果的に学習できることを示した。
比較の結果,提案手法は最先端手法よりも合理的なマージンで優れていることがわかった。
関連論文リスト
- IDEAL: Improved DEnse locAL Contrastive Learning for Semi-Supervised
Medical Image Segmentation [3.6748639131154315]
我々は,メートル法学習の概念をセグメンテーションタスクに拡張する。
本稿では,高密度画素レベルの特徴量を得るための単純な畳み込みプロジェクションヘッドを提案する。
下流タスクに対して,2ストリーム正規化トレーニングを含む双方向正規化機構を考案した。
論文 参考訳（メタデータ） (2022-10-26T23:11:02Z) - PA-Seg: Learning from Point Annotations for 3D Medical Image
Segmentation using Contextual Regularization and Cross Knowledge Distillation [14.412073730567137]
本稿では,3次元医用画像の7点のみのセグメンテーションターゲットに注釈を付け,弱教師付き学習フレームワークPA-Segを設計する。
第1段階では、より監督的な信号を提供するために、シードポイントを拡張するために測地距離変換を用いる。
第2段階では、第1段階で事前学習されたモデルから得られた予測を擬似ラベルとして使用する。
論文 参考訳（メタデータ） (2022-08-11T07:00:33Z) - 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) - Multi-scale and Cross-scale Contrastive Learning for Semantic
Segmentation [5.281694565226513]
セグメンテーションネットワークによって抽出されたマルチスケール特徴の識別能力を高めるために,コントラスト学習を適用した。
まず、エンコーダのマルチスケール表現を共通の特徴空間にマッピングすることにより、教師付き局所言語制約の新しい形式をインスタンス化する。
論文 参考訳（メタデータ） (2022-03-25T01:24:24Z) - TSGCNet: Discriminative Geometric Feature Learning with Two-Stream
GraphConvolutional Network for 3D Dental Model Segmentation [141.2690520327948]
2流グラフ畳み込みネットワーク(TSGCNet)を提案し、異なる幾何学的特性から多視点情報を学ぶ。
3次元口腔内スキャナーで得られた歯科モデルのリアルタイムデータセットを用いてTSGCNetの評価を行った。
論文 参考訳（メタデータ） (2020-12-26T08:02:56Z) - Fast accuracy estimation of deep learning based multi-class musical
source separation [79.10962538141445]
本稿では,ニューラルネットワークのトレーニングやチューニングを行うことなく,任意のデータセットにおける楽器の分離性を評価する手法を提案する。
理想的な比マスクを持つオラクルの原理に基づいて、我々の手法は最先端のディープラーニング手法の分離性能を推定するための優れたプロキシである。
論文 参考訳（メタデータ） (2020-10-19T13:05:08Z) - A Transductive Multi-Head Model for Cross-Domain Few-Shot Learning [72.30054522048553]
本稿では,クロスドメインなFew-Shot学習問題に対処するため,TMHFS(Transductive Multi-Head Few-Shot Learning)を提案する。
提案手法は, 4つの異なる対象領域において, 強いベースライン, 微調整を著しく上回っている。
論文 参考訳（メタデータ） (2020-06-08T02:39:59Z) - 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。