論文の概要: Deep Complementary Joint Model for Complex Scene Registration and Few-shot Segmentation on Medical Images

• arxiv url: http://arxiv.org/abs/2008.00710v1
• Date: Mon, 3 Aug 2020 08:25:59 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-03 06:33:33.320008
• Title: Deep Complementary Joint Model for Complex Scene Registration and Few-shot Segmentation on Medical Images
• Title（参考訳）: 医用画像における複雑なシーン登録とマイナショットセグメンテーションのための深部補足関節モデル
• Authors: Yuting He, Tiantian Li, Guanyu Yang, Youyong Kong, Yang Chen, Huazhong Shu, Jean-Louis Coatrieux, Jean-Louis Dillenseger, Shuo Li
• Abstract要約: 本稿では,複雑なシーン登録と少数ショットセグメンテーションのための新しいDeep Complementary Joint Model (DeepRS)を提案する。 登録に摂動係数を埋め込んで変形の活性を増大させ、増大データの多様性を維持する。 セグメンテーションモデルからの出力は、ディープベース領域制約を実装するために利用され、ラベル要求を緩和し、詳細な登録をもたらす。
• 参考スコア（独自算出の注目度）: 15.958078577731815
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep learning-based medical image registration and segmentation joint models utilize the complementarity (augmentation data or weakly supervised data from registration, region constraints from segmentation) to bring mutual improvement in complex scene and few-shot situation. However, further adoption of the joint models are hindered: 1) the diversity of augmentation data is reduced limiting the further enhancement of segmentation, 2) misaligned regions in weakly supervised data disturb the training process, 3) lack of label-based region constraints in few-shot situation limits the registration performance. We propose a novel Deep Complementary Joint Model (DeepRS) for complex scene registration and few-shot segmentation. We embed a perturbation factor in the registration to increase the activity of deformation thus maintaining the augmentation data diversity. We take a pixel-wise discriminator to extract alignment confidence maps which highlight aligned regions in weakly supervised data so the misaligned regions' disturbance will be suppressed via weighting. The outputs from segmentation model are utilized to implement deep-based region constraints thus relieving the label requirements and bringing fine registration. Extensive experiments on the CT dataset of MM-WHS 2017 Challenge show great advantages of our DeepRS that outperforms the existing state-of-the-art models.
• Abstract（参考訳）: 深層学習に基づく医用画像登録とセグメンテーションジョイントモデルは、相補性(登録からの強化データまたは弱教師付きデータ、セグメンテーションからの領域制約)を利用して、複雑なシーンと少数の状況において相互改善をもたらす。 しかし、ジョイントモデルのさらなる採用は妨げられている。 1)増補データの多様性が低下し、さらなる分節化が抑制される。 2 弱監督データにおける不整合領域が訓練過程を妨害する。 3) ラベルベースの領域制約の欠如により登録性能が制限される。 本稿では,複雑なシーン登録とシーン分割のための新しいDeep Complementary Joint Model (DeepRS)を提案する。 登録に摂動係数を埋め込んで変形の活性を増大させ、増大データの多様性を維持する。 弱教師データ中のアライメント領域を強調するアライメント信頼度マップを抽出するために,画素単位の判別器を用いて,重み付けによりアライメント領域の乱れを抑制する。 セグメンテーションモデルからの出力は、深い領域制約を実装するために利用され、ラベル要求を緩和し、詳細な登録をもたらす。 MM-WHS 2017 ChallengeのCTデータセットに関する大規模な実験は、既存の最先端モデルよりも優れたDeepRSの大きな利点を示している。

関連論文リスト

• Dist Loss: Enhancing Regression in Few-Shot Region through Distribution Distance Constraint [12.757563335570865]
  Dist Lossは、モデルとターゲットラベルの間の分布距離を最小限に抑えるために設計された損失関数である。 コンピュータビジョンとヘルスケアにまたがる3つのデータセットを対象に実験を行った。
  論文  参考訳（メタデータ） (2024-11-20T16:17:40Z)
• Adaptively Augmented Consistency Learning: A Semi-supervised Segmentation Framework for Remote Sensing [9.867670296534103]
  AACLは、限られたラベル付きデータの下でRSセグメンテーションの精度を高めるために設計された半教師付きセグメンテーションフレームワークである。 AACLは、半教師付きセグメンテーションにおける競争性能を達成し、特定のカテゴリで20%改善し、最先端のフレームワークと比較して全体のパフォーマンスが2%向上した。
  論文  参考訳（メタデータ） (2024-11-14T10:47:01Z)
• SegHeD: Segmentation of Heterogeneous Data for Multiple Sclerosis Lesions with Anatomical Constraints [1.498084483844508]
  機械学習モデルは、自動MS病変セグメンテーションの大きな可能性を実証している。 SegHeDは、異種データを入力として組み込むことができる、新しいマルチデータセットマルチタスクセグメンテーションモデルである。 SegHeDは5つのMSデータセットで評価され、すべての、新しい、消滅するセグメンテーションで高いパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2024-10-02T17:21:43Z)
• 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)
• Rotated Multi-Scale Interaction Network for Referring Remote Sensing Image Segmentation [63.15257949821558]
  Referring Remote Sensing Image (RRSIS)は、コンピュータビジョンと自然言語処理を組み合わせた新しい課題である。 従来の参照画像(RIS)アプローチは、空中画像に見られる複雑な空間スケールと向きによって妨げられている。 本稿ではRMSIN(Rotated Multi-Scale Interaction Network)を紹介する。
  論文  参考訳（メタデータ） (2023-12-19T08:14:14Z)
• AdLER: Adversarial Training with Label Error Rectification for One-Shot Medical Image Segmentation [24.902447478719303]
  逆トレーニングとラベル誤り訂正(AdLER)を併用した新しいワンショット医用画像分割法を提案する。 具体的には、新しい二重整合性制約を実装し、解剖学的整合性を保証し、登録エラーを低減する。 また,アトラス画像を増大させるための対角的トレーニング戦略も開発し,世代多様性とセグメンテーションの堅牢性を両立させる。
  論文  参考訳（メタデータ） (2023-09-02T16:06:50Z)
• Enforcing Mutual Consistency of Hard Regions for Semi-supervised Medical Image Segmentation [68.9233942579956]
  半教師型医用画像セグメンテーションにおいて,ラベルのないハード領域を活用するための新しい相互整合性ネットワーク(MC-Net+)を提案する。 MC-Net+モデルは、限られたアノテーションで訓練された深いモデルは、非常に不確実で容易に分類された予測を出力する傾向があるという観察に動機づけられている。 MC-Net+のセグメンテーション結果と、最先端の5つの半教師付きアプローチを3つの公開医療データセットで比較した。
  論文  参考訳（メタデータ） (2021-09-21T04:47:42Z)
• Semi-supervised Left Atrium Segmentation with Mutual Consistency Training [60.59108570938163]
  3次元MR画像からの半教師付き左房分割のための新しいMultual Consistency Network(MC-Net)を提案する。 我々のMC-Netは1つのエンコーダと2つのわずかに異なるデコーダから構成されており、2つのデコーダの予測誤差は教師なしの損失として変換される。 我々は,公開左心房(la)データベース上でmc-netを評価し,ラベルなしデータを効果的に活用することで印象的な性能向上を実現する。
  論文  参考訳（メタデータ） (2021-03-04T09:34:32Z)
• Towards Robust Partially Supervised Multi-Structure Medical Image Segmentation on Small-Scale Data [123.03252888189546]
  データ不足下における部分教師付き学習(PSL)における方法論的ギャップを埋めるために,不確実性下でのビシナルラベル(VLUU)を提案する。 マルチタスク学習とヴィジナルリスク最小化によって動機づけられたVLUUは、ビジナルラベルを生成することによって、部分的に教師付き問題を完全な教師付き問題に変換する。 本研究は,ラベル効率の高い深層学習における新たな研究の方向性を示唆するものである。
  論文  参考訳（メタデータ） (2020-11-28T16:31:00Z)
• Transferring and Regularizing Prediction for Semantic Segmentation [115.88957139226966]
  本稿では,セマンティックセグメンテーションの本質的特性を利用して,モデル伝達におけるそのような問題を緩和する。 本稿では,モデル転送を教師なし方式で正規化するための制約として固有特性を課す予測伝達の正規化器(RPT)を提案する。 GTA5とSynTHIA(synthetic data)で訓練されたモデルの都市景観データセット(アーバンストリートシーン)への転送に関するRTPの提案を検証するため、大規模な実験を行った。
  論文  参考訳（メタデータ） (2020-06-11T16:19:41Z)

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。