論文の概要: HF-UNet: Learning Hierarchically Inter-Task Relevance in Multi-Task
U-Net for Accurate Prostate Segmentation
- arxiv url: http://arxiv.org/abs/2005.10439v2
- Date: Sat, 23 May 2020 13:26:25 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-30 23:11:11.424533
- Title: HF-UNet: Learning Hierarchically Inter-Task Relevance in Multi-Task
U-Net for Accurate Prostate Segmentation
- Title（参考訳）: HF-UNet: 高精度前立腺分割のためのマルチタスクU-Netにおける階層的タスク間関係の学習
- Authors: Kelei He, Chunfeng Lian, Bing Zhang, Xin Zhang, Xiaohuan Cao, Dong
Nie, Yang Gao, Junfeng Zhang, Dinggang Shen
- Abstract要約: 我々は,CT画像における前立腺区分けの課題に取り組み,1)高速な局所化のための第1段階,2)正確に前立腺区分けを行う第2段階の2段階の2段階からなる2段階のネットワークを用いた。
前立腺のセグメンテーションを第2段階に正確に分割するために、前立腺のセグメンテーションを多タスク学習フレームワークに定式化し、前立腺のセグメンテーションをセグメンテーションするメインタスクと、前立腺の境界を規定する補助タスクを含む。
対照的に、従来のマルチタスクディープネットワークは、通常、すべてのタスクのパラメータ(つまり特徴表現)の大部分を共有しており、異なるタスクの特異性としてデータ適合性を制限している可能性がある。
- 参考スコア（独自算出の注目度）: 56.86396352441269
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Accurate segmentation of the prostate is a key step in external beam
radiation therapy treatments. In this paper, we tackle the challenging task of
prostate segmentation in CT images by a two-stage network with 1) the first
stage to fast localize, and 2) the second stage to accurately segment the
prostate. To precisely segment the prostate in the second stage, we formulate
prostate segmentation into a multi-task learning framework, which includes a
main task to segment the prostate, and an auxiliary task to delineate the
prostate boundary. Here, the second task is applied to provide additional
guidance of unclear prostate boundary in CT images. Besides, the conventional
multi-task deep networks typically share most of the parameters (i.e., feature
representations) across all tasks, which may limit their data fitting ability,
as the specificities of different tasks are inevitably ignored. By contrast, we
solve them by a hierarchically-fused U-Net structure, namely HF-UNet. The
HF-UNet has two complementary branches for two tasks, with the novel proposed
attention-based task consistency learning block to communicate at each level
between the two decoding branches. Therefore, HF-UNet endows the ability to
learn hierarchically the shared representations for different tasks, and
preserve the specificities of learned representations for different tasks
simultaneously. We did extensive evaluations of the proposed method on a large
planning CT image dataset, including images acquired from 339 patients. The
experimental results show HF-UNet outperforms the conventional multi-task
network architectures and the state-of-the-art methods.
- Abstract（参考訳）: 前立腺の正確なセグメンテーションは、外照射治療における重要なステップである。
本稿では,2段階ネットワークを用いたCT画像における前立腺分割の課題に取り組む。
1)迅速なローカライズの第1段階,及び
2) 前立腺を正確に区分する第2段階。
第2段階で前立腺を精密に区分するために,前立腺を分割するメインタスクと前立腺境界を区切る補助タスクを含むマルチタスク学習フレームワークに前立腺区分を定式化する。
ここでは,ct画像中の不明瞭な前立腺境界のガイダンスとして,第2の課題を適用した。
さらに、従来のマルチタスクのディープネットワークは、通常、すべてのタスクでほとんどのパラメータ(例えば、特徴表現)を共有し、異なるタスクの特異性は必然的に無視されるため、データ適合性を制限する可能性がある。
対照的に、階層的に融合したU-Net構造、すなわちHF-UNetによってそれらを解く。
HF-UNetは2つのタスクを補完する2つのブランチを持ち、新しいアテンションベースのタスク一貫性学習ブロックは2つのデコードブランチ間で各レベルで通信する。
したがって、HF-UNetは、異なるタスクの共有表現を階層的に学習し、異なるタスクの学習表現の特異性を同時に保持することができる。
339例から得られた画像を含む大規模なCT画像データセットについて,提案手法の広範な評価を行った。
実験の結果,HF-UNetは従来のマルチタスクネットワークアーキテクチャや最先端手法よりも優れていた。
関連論文リスト
- YOLO-MED : Multi-Task Interaction Network for Biomedical Images [18.535117490442953]
YOLO-Medは、オブジェクト検出とセマンティックセグメンテーションを同時に行うことができる効率的なエンドツーエンドマルチタスクネットワークである。
Kvasir-segデータセットとプライベートバイオメディカルイメージデータセットで評価すると,精度と速度のバランスが期待できる結果が得られた。
論文 参考訳（メタデータ） (2024-03-01T03:20:42Z) - Multi-task Learning To Improve Semantic Segmentation Of CBCT Scans Using
Image Reconstruction [0.8739101659113155]
マルチタスク学習によるCBCTの自動セグメンテーションの改善を目指す。
まず,形態素に基づく正規化を加えるためにマルチタスク学習を行う。
第2に、この再構築タスクを使用して、最高のCBCTを再構築する。
論文 参考訳（メタデータ） (2023-12-20T12:48:18Z) - M$^{2}$SNet: Multi-scale in Multi-scale Subtraction Network for Medical
Image Segmentation [73.10707675345253]
医用画像から多様なセグメンテーションを仕上げるマルチスケールサブトラクションネットワーク(M$2$SNet)を提案する。
本手法は,4つの異なる医用画像セグメンテーションタスクの11つのデータセットに対して,異なる評価基準の下で,ほとんどの最先端手法に対して好意的に機能する。
論文 参考訳（メタデータ） (2023-03-20T06:26:49Z) - Histogram of Oriented Gradients Meet Deep Learning: A Novel Multi-task
Deep Network for Medical Image Semantic Segmentation [18.066680957993494]
医用画像セグメンテーションのための深層マルチタスク学習法を提案する。
教師なしの方法で補助作業の擬似ラベルを生成する。
本手法は, 対数部法と比較して連続的に性能を向上する。
論文 参考訳（メタデータ） (2022-04-02T23:50:29Z) - InDuDoNet+: A Model-Driven Interpretable Dual Domain Network for Metal
Artifact Reduction in CT Images [53.4351366246531]
InDuDoNet+と呼ばれる新しい解釈可能な二重ドメインネットワークを構築し、CT画像の微細な埋め込みを行う。
異なる組織間のCT値を分析し,InDuDoNet+の事前観測ネットワークにマージすることで,その一般化性能を著しく向上させる。
論文 参考訳（メタデータ） (2021-12-23T15:52:37Z) - Semi-supervised Medical Image Segmentation through Dual-task Consistency [18.18484640332254]
本稿では,画素単位のセグメンテーションマップと,ターゲットの幾何認識レベルセット表現を共同で予測する,新しいデュアルタスクディープネットワークを提案する。
本手法はラベルなしデータを組み込むことで性能を大幅に向上させることができる。
当フレームワークは,最先端の半教師付き医用画像分割法より優れている。
論文 参考訳（メタデータ） (2020-09-09T17:49:21Z) - MetricUNet: Synergistic Image- and Voxel-Level Learning for Precise CT
Prostate Segmentation via Online Sampling [66.01558025094333]
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。
論文 参考訳（メタデータ） (2020-05-15T10:37:02Z) - Robust Medical Instrument Segmentation Challenge 2019 [56.148440125599905]
腹腔鏡装置の術中追跡は、しばしばコンピュータとロボットによる介入の必要条件である。
本研究の課題は,30の手術症例から取得した10,040枚の注釈画像からなる外科的データセットに基づいていた。
結果は、初期仮説、すなわち、アルゴリズムの性能がドメインギャップの増大とともに低下することを確認する。
論文 参考訳（メタデータ） (2020-03-23T14:35:08Z) - 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。