論文の概要: Pairwise Relation Learning for Semi-supervised Gland Segmentation

• arxiv url: http://arxiv.org/abs/2008.02699v1
• Date: Thu, 6 Aug 2020 15:02:38 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-02 07:02:05.893599
• Title: Pairwise Relation Learning for Semi-supervised Gland Segmentation
• Title（参考訳）: 半教師付き腺分画に対する対関係学習
• Authors: Yutong Xie, Jianpeng Zhang, Zhibin Liao, Chunhua Shen, Johan Verjans, Yong Xia
• Abstract要約: 病理組織像における腺分節に対するPRS2モデルを提案する。 このモデルはセグメンテーションネットワーク(S-Net)とペア関係ネットワーク(PR-Net)から構成される。 我々は,GlaSデータセットの最近の5つの手法とCRAGデータセットの最近の3つの手法を比較した。
• 参考スコア（独自算出の注目度）: 90.45303394358493
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Accurate and automated gland segmentation on histology tissue images is an essential but challenging task in the computer-aided diagnosis of adenocarcinoma. Despite their prevalence, deep learning models always require a myriad number of densely annotated training images, which are difficult to obtain due to extensive labor and associated expert costs related to histology image annotations. In this paper, we propose the pairwise relation-based semi-supervised (PRS^2) model for gland segmentation on histology images. This model consists of a segmentation network (S-Net) and a pairwise relation network (PR-Net). The S-Net is trained on labeled data for segmentation, and PR-Net is trained on both labeled and unlabeled data in an unsupervised way to enhance its image representation ability via exploiting the semantic consistency between each pair of images in the feature space. Since both networks share their encoders, the image representation ability learned by PR-Net can be transferred to S-Net to improve its segmentation performance. We also design the object-level Dice loss to address the issues caused by touching glands and combine it with other two loss functions for S-Net. We evaluated our model against five recent methods on the GlaS dataset and three recent methods on the CRAG dataset. Our results not only demonstrate the effectiveness of the proposed PR-Net and object-level Dice loss, but also indicate that our PRS^2 model achieves the state-of-the-art gland segmentation performance on both benchmarks.
• Abstract（参考訳）: Adenocarcinoma の診断には, 組織像の正確な腺分画, 自動的に行うことが不可欠であるが, 課題である。 その普及にもかかわらず、深層学習モデルは、常に無数の密集した注釈付き訓練画像を必要とするが、膨大な労力と、ヒストロジー画像アノテーションに関連する専門家コストのために得るのが困難である。 本稿では,組織像上の腺分割のための対関係に基づく半教師付き(prs^2)モデルを提案する。 このモデルはセグメントネットワーク(S-Net)とペア関係ネットワーク(PR-Net)で構成される。 S-Netはセグメンテーションのためのラベル付きデータに基づいて訓練され、PR-Netはラベル付きデータとラベルなしデータの両方で訓練され、特徴空間内の各画像間のセマンティック一貫性を利用して画像表現能力を向上する。 どちらのネットワークもエンコーダを共有するため、PR-Netで学習した画像表現能力をS-Netに転送してセグメンテーション性能を向上させることができる。 また, オブジェクトレベルのDice損失を設計し, 腺に触れることによる問題に対処し, S-Netの他の2つの損失関数と組み合わせる。 glasデータセットの最近の5つの手法とcragデータセットの3つの手法について評価した。 提案したPR-NetとオブジェクトレベルのDice損失の有効性を示すだけでなく,PRS^2モデルが両ベンチマークで最先端の腺セグメンテーション性能を達成することを示す。

関連論文リスト

• Pseudo Label-Guided Data Fusion and Output Consistency for Semi-Supervised Medical Image Segmentation [9.93871075239635]
  より少ないアノテーションで医用画像のセグメンテーションを行うための平均教師ネットワーク上に構築されたPLGDFフレームワークを提案する。 本稿では,ラベル付きデータとラベルなしデータを組み合わせてデータセットを効果的に拡張する,新しい擬似ラベル利用方式を提案する。 本フレームワークは,最先端の6つの半教師あり学習手法と比較して,優れた性能が得られる。
  論文  参考訳（メタデータ） (2023-11-17T06:36:43Z)
• 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)
• Two-Stream Graph Convolutional Network for Intra-oral Scanner Image Segmentation [133.02190910009384]
  本稿では,2ストリームグラフ畳み込みネットワーク(TSGCN)を提案する。 TSGCNは3次元歯(表面)セグメンテーションにおいて最先端の方法よりも優れています。
  論文  参考訳（メタデータ） (2022-04-19T10:41:09Z)
• TA-Net: Topology-Aware Network for Gland Segmentation [71.52681611057271]
  本研究では, 密集した腺と高度に変形した腺を正確に分離する新しいトポロジ・アウェア・ネットワーク(TA-Net)を提案する。 TA-Netはマルチタスク学習アーキテクチャを持ち、腺セグメンテーションの一般化を強化する。 2つのデータセットで最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2021-10-27T17:10:58Z)
• Group-Wise Semantic Mining for Weakly Supervised Semantic Segmentation [49.90178055521207]
  この研究は、画像レベルのアノテーションとピクセルレベルのセグメンテーションのギャップを埋めることを目標に、弱い監督されたセマンティックセグメンテーション(WSSS)に対処する。 画像群における意味的依存関係を明示的にモデル化し,より信頼性の高い擬似的基盤構造を推定する,新たなグループ学習タスクとしてWSSSを定式化する。 特に、入力画像がグラフノードとして表現されるグループ単位のセマンティックマイニングのためのグラフニューラルネットワーク(GNN)を考案する。
  論文  参考訳（メタデータ） (2020-12-09T12:40:13Z)
• Bidirectional RNN-based Few Shot Learning for 3D Medical Image Segmentation [11.873435088539459]
  対象臓器アノテーションの限られたトレーニングサンプルを用いて, 正確な臓器分類を行うための3次元ショットセグメンテーションフレームワークを提案する。 U-Netのようなネットワークは、サポートデータの2次元スライスとクエリイメージの関係を学習することでセグメンテーションを予測するように設計されている。 異なる臓器のアノテーションを付加した3つの3次元CTデータセットを用いて,提案モデルの評価を行った。
  論文  参考訳（メタデータ） (2020-11-19T01:44:55Z)
• CRNet: Cross-Reference Networks for Few-Shot Segmentation [59.85183776573642]
  少ないショットセグメンテーションは、少数のトレーニングイメージを持つ新しいクラスに一般化できるセグメンテーションモデルを学ぶことを目的としている。 相互参照機構により、我々のネットワークは2つの画像に共起する物体をよりよく見つけることができる。 PASCAL VOC 2012データセットの実験は、我々のネットワークが最先端のパフォーマンスを達成することを示す。
  論文  参考訳（メタデータ） (2020-03-24T04:55:43Z)

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。