論文の概要: Superpixel-Guided Label Softening for Medical Image Segmentation
- arxiv url: http://arxiv.org/abs/2007.08897v1
- Date: Fri, 17 Jul 2020 10:55:59 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-09 14:05:10.257133
- Title: Superpixel-Guided Label Softening for Medical Image Segmentation
- Title（参考訳）: 医用画像分割のためのスーパーピクセル誘導ラベル軟化
- Authors: Hang Li, Dong Wei, Shilei Cao, Kai Ma, Liansheng Wang, and Yefeng
Zheng
- Abstract要約: 医用画像分割のためのスーパーピクセルベースのラベルソフト化を提案する。
本手法は, 3次元および2次元の医用画像に対して, ベースラインと比較法に対して総合的に優れたセグメンテーション性能が得られることを示す。
- 参考スコア（独自算出の注目度）: 31.989873877526424
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Segmentation of objects of interest is one of the central tasks in medical
image analysis, which is indispensable for quantitative analysis. When
developing machine-learning based methods for automated segmentation, manual
annotations are usually used as the ground truth toward which the models learn
to mimic. While the bulky parts of the segmentation targets are relatively easy
to label, the peripheral areas are often difficult to handle due to ambiguous
boundaries and the partial volume effect, etc., and are likely to be labeled
with uncertainty. This uncertainty in labeling may, in turn, result in
unsatisfactory performance of the trained models. In this paper, we propose
superpixel-based label softening to tackle the above issue. Generated by
unsupervised over-segmentation, each superpixel is expected to represent a
locally homogeneous area. If a superpixel intersects with the annotation
boundary, we consider a high probability of uncertain labeling within this
area. Driven by this intuition, we soften labels in this area based on signed
distances to the annotation boundary and assign probability values within [0,
1] to them, in comparison with the original "hard", binary labels of either 0
or 1. The softened labels are then used to train the segmentation models
together with the hard labels. Experimental results on a brain MRI dataset and
an optical coherence tomography dataset demonstrate that this conceptually
simple and implementation-wise easy method achieves overall superior
segmentation performances to baseline and comparison methods for both 3D and 2D
medical images.
- Abstract（参考訳）: 興味の対象のセグメンテーションは、定量的分析に欠かせない医療画像解析における中心的な課題の1つである。
自動セグメンテーションのための機械学習ベースの手法を開発する場合、手動アノテーションは通常モデルが模倣することを学ぶ基礎的真実として使用される。
セグメンテーションターゲットのバルク部分のラベル付けは比較的容易であるが、周辺領域は曖昧な境界や部分体積効果などのために扱いにくいことが多く、不確実性でラベル付けされる可能性がある。
このラベル付けの不確実性は、訓練されたモデルの不満足な性能をもたらす可能性がある。
本稿では,上述の問題に対処するために,スーパーピクセルベースのラベル軟化を提案する。
教師なしのオーバーセグメンテーションによって生成される、各スーパーピクセルは局所的に均質な領域を表すことが期待される。
超画素がアノテーション境界と交わる場合、この領域における不確定なラベル付けの確率が高いと考えられる。
この直感によって、この領域のラベルはアノテーション境界への符号付き距離に基づいて軟化され、[0, 1] 内の確率値は 0 または 1 の元の「ハード」バイナリラベルと比較される。
軟化ラベルは、ハードラベルと共にセグメンテーションモデルを訓練するために使用される。
脳MRIデータセットと光コヒーレンストモグラフィーデータセットの実験結果から、この概念的にシンプルで実装的にも容易な手法は、ベースラインと2次元の医用画像の総合的に優れたセグメンテーション性能を実現する。
関連論文リスト
- Semantic Connectivity-Driven Pseudo-labeling for Cross-domain
Segmentation [89.41179071022121]
自己学習はドメイン間セマンティックセグメンテーションにおいて一般的なアプローチである。
本稿ではセマンティック・コネクティビティ駆動の擬似ラベル方式を提案する。
このアプローチは、接続レベルにおいて擬似ラベルを定式化し、構造的および低雑音のセマンティクスの学習を容易にする。
論文 参考訳（メタデータ） (2023-12-11T12:29:51Z) - Self-Supervised Correction Learning for Semi-Supervised Biomedical Image
Segmentation [84.58210297703714]
半教師付きバイオメディカルイメージセグメンテーションのための自己教師付き補正学習パラダイムを提案する。
共有エンコーダと2つの独立デコーダを含むデュアルタスクネットワークを設計する。
異なるタスクのための3つの医用画像分割データセットの実験により,本手法の優れた性能が示された。
論文 参考訳（メタデータ） (2023-01-12T08:19:46Z) - Pseudo-label Guided Cross-video Pixel Contrast for Robotic Surgical
Scene Segmentation with Limited Annotations [72.15956198507281]
シーンセグメンテーションを促進するために,新しい擬似ラベル付きクロスビデオコントラスト学習法であるPGV-CLを提案する。
本研究では,ロボット外科手術データセットEndoVis18と白内障手術データセットCaDISについて検討した。
論文 参考訳（メタデータ） (2022-07-20T05:42:19Z) - Deep Spectral Methods: A Surprisingly Strong Baseline for Unsupervised
Semantic Segmentation and Localization [98.46318529630109]
画像分解をグラフ分割問題として再フレーミングすることで,従来のスペクトル分割法から着想を得た。
これらの固有ベクトルはすでにイメージを意味のあるセグメントに分解しており、シーン内のオブジェクトのローカライズに容易に利用できる。
データセットにまたがるこれらのセグメントに関連する機能をクラスタ化することで、明確に定義された、名前付き可能なリージョンを得ることができる。
論文 参考訳（メタデータ） (2022-05-16T17:47:44Z) - Local contrastive loss with pseudo-label based self-training for
semi-supervised medical image segmentation [13.996217500923413]
セミ/セルフ教師付き学習ベースのアプローチは、注釈付きデータとともにラベル付きデータを悪用する。
近年の自己教師付き学習法では, コントラッシブ・ロスを用いて, ラベルのない画像から優れたグローバルレベル表現を学習している。
セグメンテーションに有用な画素レベルの特徴を,セマンティックラベル情報を利用して学習するために,局所的なコントラスト損失を提案する。
論文 参考訳（メタデータ） (2021-12-17T17:38:56Z) - Reference-guided Pseudo-Label Generation for Medical Semantic
Segmentation [25.76014072179711]
本稿では,半教師付きセマンティックセグメンテーションのための管理手法を提案する。
少数のラベル付き画像を参照材料として使用し、未ラベル画像中の画素と参照集合内の最適な画素のセマンティクスを一致させる。
我々は,X線解剖学的セグメンテーションにおける標準完全教師付きモデルと同じ性能を達成するが,ラベル付き画像の95%は少ない。
論文 参考訳（メタデータ） (2021-12-01T12:21:24Z) - Semi-supervised Semantic Segmentation with Directional Context-aware
Consistency [66.49995436833667]
我々は、ラベル付きデータの小さなセットに、全くラベル付けされていない画像のより大きなコレクションを提供する半教師付きセグメンテーション問題に焦点をあてる。
好ましいハイレベル表現は、自己認識を失わずにコンテキスト情報をキャプチャするべきである。
我々は,DCロス(Directional Contrastive Loss)を画素対ピクセルの整合性を達成するために提示する。
論文 参考訳（メタデータ） (2021-06-27T03:42:40Z) - Semantic Segmentation with Generative Models: Semi-Supervised Learning
and Strong Out-of-Domain Generalization [112.68171734288237]
本論文では,画像とラベルの再生モデルを用いた識別画素レベルのタスクのための新しいフレームワークを提案する。
我々は,共同画像ラベルの分布を捕捉し,未ラベル画像の大規模な集合を用いて効率的に訓練する生成的対向ネットワークを学習する。
ドメイン内性能をいくつかのベースラインと比較し,ドメイン外一般化を極端に示す最初の例である。
論文 参考訳（メタデータ） (2021-04-12T21:41:25Z) - Modeling the Probabilistic Distribution of Unlabeled Data forOne-shot
Medical Image Segmentation [40.41161371507547]
我々は1ショットの脳磁気共鳴画像(MRI)画像分割のためのデータ拡張法を開発した。
提案手法は,MRI画像1枚(atlas)とラベルなし画像数枚のみを利用する。
本手法は最先端のワンショット医療セグメンテーション法より優れている。
論文 参考訳（メタデータ） (2021-02-03T12:28:04Z) - Weakly-Supervised Segmentation for Disease Localization in Chest X-Ray
Images [0.0]
医用胸部X線画像のセマンティックセグメンテーションに対する新しいアプローチを提案する。
本手法は肺と胸壁の間の異常な空気量を検出するための胸部X線検査に適用可能である。
論文 参考訳（メタデータ） (2020-07-01T20:48:35Z) - Manifold-driven Attention Maps for Weakly Supervised Segmentation [9.289524646688244]
本稿では,視覚的に有意な領域を強化するために,多様体駆動型注意ネットワークを提案する。
提案手法は,余分な計算を必要とせずに,推論中により優れた注意マップを生成できる。
論文 参考訳（メタデータ） (2020-04-07T00:03:28Z)
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。