論文の概要: Revisiting Rubik's Cube: Self-supervised Learning with Volume-wise
Transformation for 3D Medical Image Segmentation
- arxiv url: http://arxiv.org/abs/2007.08826v1
- Date: Fri, 17 Jul 2020 08:53:53 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-09 13:40:46.751244
- Title: Revisiting Rubik's Cube: Self-supervised Learning with Volume-wise
Transformation for 3D Medical Image Segmentation
- Title（参考訳）: rubikのキューブの再検討:3次元医用画像分割のためのボリューム変換による自己教師あり学習
- Authors: Xing Tao, Yuexiang Li, Wenhui Zhou, Kai Ma, Yefeng Zheng
- Abstract要約: 本稿では,ボリューム医療画像のための新しい自己教師型学習フレームワークを提案する。
具体的には,Rubikの立方体++を事前学習した3Dニューラルネットワークに対して,コンテキスト復元タスクを提案する。
ゼロからトレーニングする戦略と比較すると、Rubikの立方体++の事前トレーニングによる微調整により、パフォーマンスが向上する。
- 参考スコア（独自算出の注目度）: 27.84323872782403
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Deep learning highly relies on the quantity of annotated data. However, the
annotations for 3D volumetric medical data require experienced physicians to
spend hours or even days for investigation. Self-supervised learning is a
potential solution to get rid of the strong requirement of training data by
deeply exploiting raw data information. In this paper, we propose a novel
self-supervised learning framework for volumetric medical images. Specifically,
we propose a context restoration task, i.e., Rubik's cube++, to pre-train 3D
neural networks. Different from the existing context-restoration-based
approaches, we adopt a volume-wise transformation for context permutation,
which encourages network to better exploit the inherent 3D anatomical
information of organs. Compared to the strategy of training from scratch,
fine-tuning from the Rubik's cube++ pre-trained weight can achieve better
performance in various tasks such as pancreas segmentation and brain tissue
segmentation. The experimental results show that our self-supervised learning
method can significantly improve the accuracy of 3D deep learning networks on
volumetric medical datasets without the use of extra data.
- Abstract（参考訳）: 深層学習は注釈付きデータの量に大きく依存する。
しかし、3dボリューム医療データの注釈は、経験豊富な医師が調査に何時間、あるいは何日も費やす必要がある。
自己教師付き学習は、生のデータ情報を深く活用することで、データトレーニングの強い要件を取り除く潜在的な解決策である。
本稿では,ボリューム医療画像のための自己教師型学習フレームワークを提案する。
具体的には、3dニューラルネットワークを事前学習するためのコンテキスト復元タスク、すなわちrubikのcube++を提案する。
既存の文脈復元に基づくアプローチとは異なり、我々は文脈置換にボリュームワイドな変換を導入し、臓器の固有の3D解剖学的情報をよりよく活用するようネットワークに促す。
スクラッチからトレーニングする戦略と比較して、Rubikの立方体++の事前訓練重量の微調整は膵の分節や脳組織分節といった様々なタスクでより良いパフォーマンスを達成することができる。
実験結果から,本手法は,余分なデータを用いずにボリューム型医療データセット上での3次元深層学習ネットワークの精度を大幅に向上できることがわかった。
関連論文リスト
- Enhancing Weakly Supervised 3D Medical Image Segmentation through
Probabilistic-aware Learning [52.249748801637196]
3次元医用画像のセグメンテーションは、疾患の診断と治療計画に重要な意味を持つ課題である。
近年の深層学習の進歩は、完全に教師付き医療画像のセグメンテーションを著しく強化している。
本稿では,3次元医用画像に特化して設計された,確率的適応型弱教師付き学習パイプラインを提案する。
論文 参考訳（メタデータ） (2024-03-05T00:46:53Z) - Transfer learning from a sparsely annotated dataset of 3D medical images [4.477071833136902]
本研究では,医療画像における臓器分割のための深部畳み込みニューラルネットワークの性能向上のための伝達学習の活用について検討する。
ベースセグメンテーションモデルは、大小の注釈付きデータセットに基づいてトレーニングされ、その重みは4つの新しい下流セグメンテーションタスクのトランスファー学習に使用された。
その結果,小規模なデータセットが利用可能になった場合には,ベースモデルからの移動学習が有用であることが示唆された。
論文 参考訳（メタデータ） (2023-11-08T21:31:02Z) - BYOLMed3D: Self-Supervised Representation Learning of Medical Videos
using Gradient Accumulation Assisted 3D BYOL Framework [0.0]
教師付き学習アルゴリズムは、堅牢な表現を学習するために、大量のバランスのとれたデータを必要とする。
自己教師付き学習アルゴリズムはデータの不均衡に対して堅牢であり、堅牢な表現を学習することができる。
我々は、勾配累積法を用いて3D BYOL自己教師モデルを構築し、通常、自己教師アルゴリズムで必要とされるバッチ内の多数のサンプルを扱う。
論文 参考訳（メタデータ） (2022-07-31T14:48:06Z) - Self Context and Shape Prior for Sensorless Freehand 3D Ultrasound
Reconstruction [61.62191904755521]
3DフリーハンドUSは、幅広い範囲とフリーフォームスキャンを提供することで、この問題に対処することを約束している。
既存のディープラーニングベースの手法は、スキルシーケンスの基本ケースのみに焦点を当てている。
複雑なスキルシーケンスを考慮したセンサレスフリーハンドUS再構成手法を提案する。
論文 参考訳（メタデータ） (2021-07-31T16:06:50Z) - Reasoning-Modulated Representations [85.08205744191078]
タスクが純粋に不透明でないような共通的な環境について研究する。
我々のアプローチは、新しいデータ効率表現学習の道を開く。
論文 参考訳（メタデータ） (2021-07-19T13:57:13Z) - Contrastive Learning with Continuous Proxy Meta-Data for 3D MRI
Classification [1.714108629548376]
我々は、y-Aware InfoNCE Losという新たな損失を導入することで、対照的な学習フレームワークにおいて、継続的なプロキシメタデータを活用することを提案する。
104ドルの健康脳MRIスキャンで事前訓練された3D CNNモデルは、3つの分類タスクに関連する特徴を抽出することができる。
微調整された場合、これらのタスクをスクラッチからトレーニングした3D CNNと、最先端の自己管理手法を上回ります。
論文 参考訳（メタデータ） (2021-06-16T14:17:04Z) - Adjoint Rigid Transform Network: Task-conditioned Alignment of 3D Shapes [86.2129580231191]
Adjoint Rigid Transform (ART) Networkは、さまざまな3Dネットワークと統合可能なニューラルネットワークモジュールである。
ARTは入力の形状を学習した標準方向に回転させることを学び、多くのタスクに欠かせない。
さらなる研究のために、コードと事前訓練されたモデルをリリースします。
論文 参考訳（メタデータ） (2021-02-01T20:58:45Z) - PointContrast: Unsupervised Pre-training for 3D Point Cloud
Understanding [107.02479689909164]
本研究では,3次元表現学習の研究を支援することを目的とする。
教師なし事前学習が3Dシーンの大規模なソースセットに与える影響を計測する。
論文 参考訳（メタデータ） (2020-07-21T17:59:22Z) - Embedding Task Knowledge into 3D Neural Networks via Self-supervised
Learning [21.902313057142905]
自己教師付き学習(SSL)は、アノテーション付きデータの潜在的な解決策である。
我々は,3次元医用画像分類,すなわちタスク関連コントラスト予測符号化(TCPC)のための新しいSSL手法を提案する。
TCPCは、タスク知識を3Dニューラルネットワークのトレーニングに組み込む。
論文 参考訳（メタデータ） (2020-06-10T12:37:39Z) - 3D Self-Supervised Methods for Medical Imaging [7.65168530693281]
本稿では,プロキシタスクの形式で,5種類の自己教師型手法の3次元バージョンを提案する。
提案手法は,未ラベルの3次元画像からニューラルネットワークの特徴学習を容易にし,専門家のアノテーションに必要なコストを削減することを目的としている。
開発したアルゴリズムは、3D Contrastive Predictive Coding, 3D Rotation Prediction, 3D Jigsaw puzzles, Relative 3D patch location, 3D Exemplar Networkである。
論文 参考訳（メタデータ） (2020-06-06T09:56:58Z) - 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。