論文の概要: Bayesian Generative Models for Knowledge Transfer in MRI Semantic
Segmentation Problems
- arxiv url: http://arxiv.org/abs/2005.12639v2
- Date: Wed, 27 May 2020 19:54:19 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-29 00:32:14.956129
- Title: Bayesian Generative Models for Knowledge Transfer in MRI Semantic
Segmentation Problems
- Title(参考訳): MRIセマンティックセグメンテーション問題における知識伝達のためのベイズ生成モデル
- Authors: Anna Kuzina, Evgenii Egorov, Evgeny Burnaev
- Abstract要約: 本稿では,遺伝ベイズ先行ネットワークを用いた疾患間の知識伝達手法を提案する。
提案手法はトレーニング前のアプローチとランダム初期化と比較し,脳腫瘍-2018データベースの小さな部分集合に対するDice similarity Coefficientの測定値から最良の結果を得る。
- 参考スコア(独自算出の注目度): 15.24006130659201
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Automatic segmentation methods based on deep learning have recently
demonstrated state-of-the-art performance, outperforming the ordinary methods.
Nevertheless, these methods are inapplicable for small datasets, which are very
common in medical problems. To this end, we propose a knowledge transfer method
between diseases via the Generative Bayesian Prior network. Our approach is
compared to a pre-train approach and random initialization and obtains the best
results in terms of Dice Similarity Coefficient metric for the small subsets of
the Brain Tumor Segmentation 2018 database (BRATS2018).
- Abstract(参考訳): ディープラーニングに基づく自動セグメンテーション手法は,近頃,通常の手法を上回って,最先端のパフォーマンスを実証している。
しかしながら、これらの手法は医学的な問題に非常によく見られる小さなデータセットには適用できない。
そこで本研究では,生成ベイズ前駆ネットワークを介する疾患間の知識伝達手法を提案する。
本手法は,前訓練法とランダム初期化法を比較し,脳腫瘍分割2018データベース(brats2018)の小さな部分集合に対するdice類似度係数測定値から最良の結果を得た。
関連論文リスト
- AnatoMix: Anatomy-aware Data Augmentation for Multi-organ Segmentation [6.471203541258319]
本稿では,多臓器セグメンテーションデータセットの一般化性を高めるための新しいデータ拡張戦略を提案する。
オブジェクトレベルのマッチングと操作により,本手法は解剖学的に正しい画像を生成することができる。
拡張法は, ベースライン法74.8と比較して76.1ディスとなる。
論文 参考訳(メタデータ) (2024-03-05T21:07:50Z) - Adaptive Semi-Supervised Segmentation of Brain Vessels with Ambiguous
Labels [63.415444378608214]
提案手法は, 進歩的半教師付き学習, 適応的学習戦略, 境界拡張など, 革新的な手法を取り入れたものである。
3DRAデータセットによる実験結果から,メッシュベースのセグメンテーション指標を用いて,本手法の優位性を示す。
論文 参考訳(メタデータ) (2023-08-07T14:16:52Z) - Learnable Weight Initialization for Volumetric Medical Image Segmentation [66.3030435676252]
本稿では,学習可能な重みに基づくハイブリッド医療画像セグメンテーション手法を提案する。
我々のアプローチはどんなハイブリッドモデルにも簡単に統合でき、外部のトレーニングデータを必要としない。
多臓器・肺がんセグメンテーションタスクの実験は、我々のアプローチの有効性を実証している。
論文 参考訳(メタデータ) (2023-06-15T17:55:05Z) - Simple and Scalable Algorithms for Cluster-Aware Precision Medicine [0.0]
共同クラスタリングと埋め込みに対するシンプルでスケーラブルなアプローチを提案する。
この新しいクラスタ対応の埋め込みアプローチは、現在の共同埋め込みとクラスタリング法の複雑さと限界を克服する。
当社のアプローチでは,ユーザが希望するクラスタ数を選択する必要はなく,階層的にクラスタ化された埋め込みの解釈可能なデンドログラムを生成する。
論文 参考訳(メタデータ) (2022-11-29T19:27:26Z) - 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) - An Embarrassingly Simple Consistency Regularization Method for
Semi-Supervised Medical Image Segmentation [0.0]
医用画像のセグメンテーションタスクでは,ピクセルレベルのアノテーションの不足が問題となっている。
半教師付き医用画像セグメンテーションのための計算ベースミキシングを含む新しい正規化戦略を導入する。
論文 参考訳(メタデータ) (2022-02-01T16:21:14Z) - Cross-Modality Deep Feature Learning for Brain Tumor Segmentation [158.8192041981564]
本稿では, マルチモーダルMRIデータから脳腫瘍を抽出するクロスモーダルディープ・フィーチャーラーニング・フレームワークを提案する。
中心となる考え方は、不十分なデータスケールを補うために、マルチモダリティデータにまたがる豊富なパターンをマイニングすることだ。
on the BraTS benchmarks, this proposed cross-modality deep feature learning framework could effective improve the brain tumor segmentation performance。
論文 参考訳(メタデータ) (2022-01-07T07:46:01Z) - Co-Generation and Segmentation for Generalized Surgical Instrument
Segmentation on Unlabelled Data [49.419268399590045]
正確な機器追跡と拡張現実オーバーレイには、ロボット支援手術のための外科用機器セグメンテーションが必要です。
深層学習法では手術器具のセグメンテーションに最先端のパフォーマンスが示されたが,結果はラベル付きデータに依存する。
本稿では,ロボットによる手術を含むさまざまなデータセット上で,これらの手法の限定的な一般化性を実証する。
論文 参考訳(メタデータ) (2021-03-16T18:41:18Z) - Siloed Federated Learning for Multi-Centric Histopathology Datasets [0.17842332554022694]
本稿では,医学領域における深層学習アーキテクチャのための新しいフェデレーション学習手法を提案する。
局所統計バッチ正規化(BN)層が導入され、協調的に訓練されるが中心に固有のモデルが作られる。
本研究では,Camelyon16およびCamelyon17データセットから抽出した腫瘍組織像の分類法についてベンチマークを行った。
論文 参考訳(メタデータ) (2020-08-17T15:49:30Z) - Automatic Data Augmentation via Deep Reinforcement Learning for
Effective Kidney Tumor Segmentation [57.78765460295249]
医用画像セグメンテーションのための新しい学習ベースデータ拡張法を開発した。
本手法では,データ拡張モジュールと後続のセグメンテーションモジュールをエンドツーエンドのトレーニング方法で一貫した損失と,革新的に組み合わせる。
提案法の有効性を検証したCT腎腫瘍分節法について,本法を広範囲に評価した。
論文 参考訳(メタデータ) (2020-02-22T14:10:13Z)
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。