論文の概要: Multi-organ Segmentation via Co-training Weight-averaged Models from Few-organ Datasets

• arxiv url: http://arxiv.org/abs/2008.07149v1
• Date: Mon, 17 Aug 2020 08:39:16 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-28 04:02:10.771854
• Title: Multi-organ Segmentation via Co-training Weight-averaged Models from Few-organ Datasets
• Title（参考訳）: 重み付きデータセットからの重み付きモデルによる多臓器分離
• Authors: Rui Huang, Yuanjie Zheng, Zhiqiang Hu, Shaoting Zhang, Hongsheng Li
• Abstract要約: そこで本研究では,少数のデータセットから統一的なマルチ組織セグメンテーションネットワークを学習するための平均重み付きモデルを提案する。 ネットワーク間のノイズの多い指導を緩和するため、より信頼性の高いソフトラベルを作成するために、平均的な重み付けモデルを採用する。
• 参考スコア（独自算出の注目度）: 45.14004510709325
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multi-organ segmentation has extensive applications in many clinical applications. To segment multiple organs of interest, it is generally quite difficult to collect full annotations of all the organs on the same images, as some medical centers might only annotate a portion of the organs due to their own clinical practice. In most scenarios, one might obtain annotations of a single or a few organs from one training set, and obtain annotations of the the other organs from another set of training images. Existing approaches mostly train and deploy a single model for each subset of organs, which are memory intensive and also time inefficient. In this paper, we propose to co-train weight-averaged models for learning a unified multi-organ segmentation network from few-organ datasets. We collaboratively train two networks and let the coupled networks teach each other on un-annotated organs. To alleviate the noisy teaching supervisions between the networks, the weighted-averaged models are adopted to produce more reliable soft labels. In addition, a novel region mask is utilized to selectively apply the consistent constraint on the un-annotated organ regions that require collaborative teaching, which further boosts the performance. Extensive experiments on three public available single-organ datasets LiTS, KiTS, Pancreas and manually-constructed single-organ datasets from MOBA show that our method can better utilize the few-organ datasets and achieves superior performance with less inference computational cost.
• Abstract（参考訳）: 多臓器セグメンテーションは多くの臨床応用に広く応用されている。 複数の臓器を分割することは、一般的に同じ画像上のすべての臓器の完全なアノテーションを集めることは困難であり、一部の医療センターは、自身の臨床実践のために臓器の一部に注釈を付けるだけである。 ほとんどのシナリオでは、あるトレーニングセットから1つまたは数個の臓器のアノテーションを取得し、別のトレーニングイメージから他の臓器のアノテーションを取得することができる。 既存のアプローチは主に、メモリ集約的で時間非効率な、臓器のサブセット毎に単一のモデルをトレーニングし、デプロイする。 本稿では,少数のデータセットから統一的なマルチ組織セグメンテーションネットワークを学習するための平均重み付きモデルを提案する。 共同で2つのネットワークをトレーニングし、結合されたネットワークが無注釈の臓器で互いに教え合うようにしました。 ネットワーク間の騒がしい指導監督を緩和するために、より信頼性の高いソフトラベルを生成するために、重み付け平均モデルを採用する。 さらに、新しい領域マスクを用いて、共同教育を必要とする無注釈臓器領域に一貫性のある制約を選択的に適用することにより、パフォーマンスをさらに向上させる。 公開されているLiTS,KiTS,Pancreas,およびMOBAによる手作業で構築した3つの単一臓器データセットに対する大規模な実験により,本手法は少数臓器データセットをより有効に活用でき,推論計算コストを低減して優れた性能が得られることが示された。

関連論文リスト

• Learnable Weight Initialization for Volumetric Medical Image Segmentation [66.3030435676252]
  本稿では,学習可能な重みに基づくハイブリッド医療画像セグメンテーション手法を提案する。 我々のアプローチはどんなハイブリッドモデルにも簡単に統合でき、外部のトレーニングデータを必要としない。 多臓器・肺がんセグメンテーションタスクの実験は、我々のアプローチの有効性を実証している。
  論文  参考訳（メタデータ） (2023-06-15T17:55:05Z)
• Tailored Multi-Organ Segmentation with Model Adaptation and Ensemble [22.82094545786408]
  マルチ組織セグメンテーションは、医用画像解析の基本的な課題である。 高価な労働コストと専門知識のため、多臓器アノテーションの入手は通常制限される。 本稿では,モデル適応段とモデルアンサンブル段からなる新しい2段法を提案する。
  論文  参考訳（メタデータ） (2023-04-14T13:39:39Z)
• Multi-site Organ Segmentation with Federated Partial Supervision and Site Adaptation [14.039141830423182]
  本稿は,2相アグリゲーション・then-adaptationアプローチを用いて,これらの課題に対処することを目的とする。 集約の第1フェーズは、"大きなデータ"の強みを活用して単一のマルチオーガナイズドセグメンテーションモデルを学ぶ サイト適応の第2段階は、各サイトの臓器セグメント化タスクの性能をさらに向上させるために、フェデレートされた多臓器セグメント化モデルをサイト固有の臓器セグメント化モデル(サイトごとの1つのモデル)に転送することである。
  論文  参考訳（メタデータ） (2023-02-08T07:07:43Z)
• Learning from partially labeled data for multi-organ and tumor segmentation [102.55303521877933]
  本稿では,トランスフォーマーに基づく動的オンデマンドネットワーク(TransDoDNet)を提案する。 動的ヘッドにより、ネットワークは複数のセグメンテーションタスクを柔軟に達成することができる。 我々はMOTSと呼ばれる大規模にラベル付けされたMulti-Organ and tumorベンチマークを作成し、他の競合相手よりもTransDoDNetの方が優れた性能を示す。
  論文  参考訳（メタデータ） (2022-11-13T13:03:09Z)
• MS-KD: Multi-Organ Segmentation with Multiple Binary-Labeled Datasets [20.60290563940572]
  本稿では,バイナリラベル付きデータセットの集合を利用したマルチ組織セグメンテーションモデルの学習方法について検討する。 また,MS-KD(Multi-Teacher Single-Student Knowledge Distillation)フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-08-05T12:29:26Z)
• Generalized Organ Segmentation by Imitating One-shot Reasoning using Anatomical Correlation [55.1248480381153]
  そこで我々は,アノテーション付きオルガンクラスから一般化されたオルガン概念を学習し,その概念を未知のクラスに転送するOrganNetを提案する。 そこで,OrganNetは臓器形態の幅広い変化に効果的に抵抗でき,一発分節タスクで最先端の結果が得られることを示す。
  論文  参考訳（メタデータ） (2021-03-30T13:41:12Z)
• Incremental Learning for Multi-organ Segmentation with Partially Labeled Datasets [8.370590211748087]
  インクリメンタル学習(il)を通じて,マルチオーガンセグメンテーションモデルを学ぶ 各IL段階では、以前のアノテーションにアクセスできなくなり、その知識は現在のモデルによって推定される。 新しい臓器を含む臓器分割モデルを更新することを学びました。
  論文  参考訳（メタデータ） (2021-03-08T03:15:59Z)
• Few-shot Medical Image Segmentation using a Global Correlation Network with Discriminative Embedding [60.89561661441736]
  医療画像分割のための新しい手法を提案する。 深層畳み込みネットワークを用いた数ショット画像セグメンタを構築します。 深層埋め込みの識別性を高め,同一クラスの特徴領域のクラスタリングを促進する。
  論文  参考訳（メタデータ） (2020-12-10T04:01:07Z)
• 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)

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。