論文の概要: Shape-aware Semi-supervised 3D Semantic Segmentation for Medical Images

• arxiv url: http://arxiv.org/abs/2007.10732v1
• Date: Tue, 21 Jul 2020 11:44:52 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-08 04:56:08.762455
• Title: Shape-aware Semi-supervised 3D Semantic Segmentation for Medical Images
• Title（参考訳）: 医用画像のための形状認識半教師付き3次元意味セグメンテーション
• Authors: Shuailin Li, Chuyu Zhang, and Xuming He
• Abstract要約: 本稿では,豊富なラベルのないデータを活用し,セグメント化出力に幾何学的形状制約を課す,形状認識型半教師付きセグメンテーション戦略を提案する。 物体表面のセマンティックセグメンテーションと符号付き距離マップDMを共同で予測するマルチタスクディープネットワークを開発した。 実験の結果,提案手法は形状推定を改良し,最先端の手法よりも優れていることがわかった。
• 参考スコア（独自算出の注目度）: 24.216869988183092
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Semi-supervised learning has attracted much attention in medical image segmentation due to challenges in acquiring pixel-wise image annotations, which is a crucial step for building high-performance deep learning methods. Most existing semi-supervised segmentation approaches either tend to neglect geometric constraint in object segments, leading to incomplete object coverage, or impose strong shape prior that requires extra alignment. In this work, we propose a novel shapeaware semi-supervised segmentation strategy to leverage abundant unlabeled data and to enforce a geometric shape constraint on the segmentation output. To achieve this, we develop a multi-task deep network that jointly predicts semantic segmentation and signed distance map(SDM) of object surfaces. During training, we introduce an adversarial loss between the predicted SDMs of labeled and unlabeled data so that our network is able to capture shape-aware features more effectively. Experiments on the Atrial Segmentation Challenge dataset show that our method outperforms current state-of-the-art approaches with improved shape estimation, which validates its efficacy. Code is available at https://github.com/kleinzcy/SASSnet.
• Abstract（参考訳）: 半教師付き学習は、高性能な深層学習手法を構築するための重要なステップであるピクセルワイドな画像アノテーションの獲得という課題により、医用画像セグメンテーションにおいて多くの注目を集めている。 既存の半教師付きセグメンテーションアプローチは、オブジェクトセグメントの幾何学的制約を無視し、不完全なオブジェクトカバレッジをもたらすか、余分なアライメントを必要とする前に強い形を課す傾向にある。 本研究では,豊富なラベル付きデータを活用し,セグメンテーション出力に幾何学的形状制約を課す,新しい形状対応半教師付きセグメンテーション戦略を提案する。 そこで我々は,物体表面のセマンティックセグメンテーションと符号付き距離マップ(SDM)を共同で予測するマルチタスクディープネットワークを開発した。 トレーニング中,ラベル付きデータとラベル付きデータの予測sdm間の敵意損失を導入することにより,形状認識機能をより効果的に捉えることができる。 Atrial Segmentation Challengeデータセットの実験により,本手法は形状推定の改善により最先端の手法よりも優れた性能を示し,その有効性を検証した。 コードはhttps://github.com/kleinzcy/SASSnet.comで入手できる。

関連論文リスト

• Bayesian Self-Training for Semi-Supervised 3D Segmentation [59.544558398992386]
  3Dセグメンテーションはコンピュータビジョンの中核的な問題である。 完全に教師されたトレーニングを採用するために、3Dポイントクラウドを密にラベル付けすることは、労働集約的で高価です。 半教師付きトレーニングは、ラベル付きデータの小さなセットのみを付与し、より大きなラベル付きデータセットを伴って、より実用的な代替手段を提供する。
  論文  参考訳（メタデータ） (2024-09-12T14:54:31Z)
• Dual-scale Enhanced and Cross-generative Consistency Learning for Semi-supervised Medical Image Segmentation [49.57907601086494]
  医用画像のセグメンテーションはコンピュータ支援診断において重要な役割を担っている。 半教師型医用画像(DEC-Seg)のための新しいDual-scale Enhanced and Cross-generative consistency learning frameworkを提案する。
  論文  参考訳（メタデータ） (2023-12-26T12:56:31Z)
• Volumetric Medical Image Segmentation via Scribble Annotations and Shape Priors [3.774643767869751]
  本稿では,3次元異方性画像セグメント化に取り組むスクリブルベースボリューム画像セグメント化Scribble2D5を提案する。 これを実現するために,提案するラベル伝搬モジュールを用いて2.5D注目UNetを拡張し,スクリブルからのセマンティック情報を拡張する。 また,未ペアセグメント化マスクの形状事前情報を組み込んだオプションアドオンコンポーネントを提案し,モデル精度をさらに向上する。
  論文  参考訳（メタデータ） (2023-10-12T07:17:14Z)
• Self-supervised Semantic Segmentation: Consistency over Transformation [3.485615723221064]
  Inception Large Kernel Attention (I-LKA) モジュールをベースとしたロバストなフレームワークを統合した新しい自己教師型アルゴリズム textbfS$3$-Net を提案する。 我々は、変形可能な畳み込みを積分成分として利用し、優れた物体境界定義のための歪み変形を効果的に捕捉し、デライン化する。 皮膚病変および肺臓器の分節タスクに関する実験結果から,SOTA法と比較して,本手法の優れた性能を示した。
  論文  参考訳（メタデータ） (2023-08-31T21:28:46Z)
• 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)
• Semi-supervised Medical Image Segmentation via Geometry-aware Consistency Training [26.128597729527208]
  本稿では,医用画像セグメンテーションのための新しい幾何学的半教師付き学習フレームワークを提案する。 我々のフレームワークは、最先端の6つの半教師付き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） (2022-02-12T17:07:17Z)
• Improving Semi-Supervised and Domain-Adaptive Semantic Segmentation with Self-Supervised Depth Estimation [94.16816278191477]
  本稿では,セミアダプティブなセマンティックセマンティックセマンティックセグメンテーションのためのフレームワークを提案する。 ラベルのない画像シーケンスでのみ訓練された自己教師付き単眼深度推定によって強化される。 提案したモデルをCityscapesデータセット上で検証する。
  論文  参考訳（メタデータ） (2021-08-28T01:33:38Z)
• Unsupervised Image Segmentation by Mutual Information Maximization and Adversarial Regularization [7.165364364478119]
  InMARS(Information Maximization and Adrial Regularization)と呼ばれる新しい教師なしセマンティックセマンティックセマンティクス手法を提案する。 シーンを知覚群に解析する人間の知覚に触発され、提案手法はまず、入力画像を意味のある領域(スーパーピクセルとも呼ばれる)に分割する。 次に、相互情報最大化(Multual-Information-Maximization)と、それらの領域を意味論的に意味のあるクラスにクラスタ化するための敵対的トレーニング戦略を利用する。 提案手法は2つの非教師付きセマンティックセグメンテーションデータセット上での最先端性能を実現することを実証した。
  論文  参考訳（メタデータ） (2021-07-01T18:36:27Z)
• Weakly Supervised Volumetric Segmentation via Self-taught Shape Denoising Model [27.013224147257198]
  モデル予測と学習の両方において、3D形状をより良く捉えることのできる、弱監督型セグメント化戦略を提案する。 本研究の目的は,弱いラベルを利用して自己学習型形状表現を抽出し,その表現をセグメント化予測に組み込むことである。
  論文  参考訳（メタデータ） (2021-04-27T10:03:45Z)
• SOSD-Net: Joint Semantic Object Segmentation and Depth Estimation from Monocular images [94.36401543589523]
  これら2つのタスクの幾何学的関係を利用するための意味的対象性の概念を紹介します。 次に, 対象性仮定に基づくセマンティックオブジェクト・深さ推定ネットワーク(SOSD-Net)を提案する。 私たちの知識を最大限に活用するために、SOSD-Netは同時単眼深度推定とセマンティックセグメンテーションのためのジオメトリ制約を利用する最初のネットワークです。
  論文  参考訳（メタデータ） (2021-01-19T02:41:03Z)
• Three Ways to Improve Semantic Segmentation with Self-Supervised Depth Estimation [90.87105131054419]
  ラベルなし画像列からの自己教師付き単眼深度推定により強化された半教師付きセマンティックセマンティックセマンティックセマンティクスのフレームワークを提案する。 提案されたモデルをCityscapesデータセット上で検証する。
  論文  参考訳（メタデータ） (2020-12-19T21:18:03Z)

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。