論文の概要: Brain Stroke Lesion Segmentation Using Consistent Perception Generative Adversarial Network

• arxiv url: http://arxiv.org/abs/2008.13109v2
• Date: Fri, 3 Dec 2021 12:24:00 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-23 12:37:31.873235
• Title: Brain Stroke Lesion Segmentation Using Consistent Perception Generative Adversarial Network
• Title（参考訳）: Consistent Perception Generative Adversarial Network を用いた脳卒中病変分類
• Authors: Shuqiang Wang, Zhuo Chen, Wen Yu, Baiying Lei
• Abstract要約: 半教師型脳卒中病変分類において, CPGAN(Consistent Perception Generative Adversarial Network)を提案する。 類似接続モジュール (SCM) は、マルチスケール機能の情報をキャプチャするように設計されている。 識別者が有意義な特徴表現を学習するように促すために、補助ネットワークを構築する。
• 参考スコア（独自算出の注目度）: 22.444373004248217
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The state-of-the-art deep learning methods have demonstrated impressive performance in segmentation tasks. However, the success of these methods depends on a large amount of manually labeled masks, which are expensive and time-consuming to be collected. In this work, a novel Consistent PerceptionGenerative Adversarial Network (CPGAN) is proposed for semi-supervised stroke lesion segmentation. The proposed CPGAN can reduce the reliance on fully labeled samples. Specifically, A similarity connection module (SCM) is designed to capture the information of multi-scale features. The proposed SCM can selectively aggregate the features at each position by a weighted sum. Moreover, a consistent perception strategy is introduced into the proposed model to enhance the effect of brain stroke lesion prediction for the unlabeled data. Furthermore, an assistant network is constructed to encourage the discriminator to learn meaningful feature representations which are often forgotten during training stage. The assistant network and the discriminator are employed to jointly decide whether the segmentation results are real or fake. The CPGAN was evaluated on the Anatomical Tracings of Lesions After Stroke (ATLAS). The experimental results demonstrate that the proposed network achieves superior segmentation performance. In semi-supervised segmentation task, the proposed CPGAN using only two-fifths of labeled samples outperforms some approaches using full labeled samples.
• Abstract（参考訳）: 最先端のディープラーニング手法は、セグメンテーションタスクにおいて印象的なパフォーマンスを示した。 しかし、これらの手法の成功は、大量の手動でラベル付けされたマスクに依存しており、それは高価で、収集に時間がかかる。 本研究では, 半教師付き脳卒中病変の分節に対して, CPGAN(Consistent Perception Generative Adversarial Network)を提案する。 提案したCPGANは、完全なラベル付きサンプルへの依存を減らすことができる。 特に、類似性接続モジュール(scm)は、マルチスケール機能の情報をキャプチャするために設計されている。 提案したSCMは重み付け和により各位置の特徴を選択的に集約することができる。 さらに,提案モデルに一貫した知覚戦略を導入し,ラベルなしデータに対する脳卒中病変予測の効果を高める。 さらに、訓練段階でしばしば忘れられる有意義な特徴表現を識別者が学習するように促すために、補助ネットワークを構築する。 アシスタントネットワークと判別器とを用いて、セグメント化結果が本物か偽かを共同で判定する。 CPGANはATLAS(Anatomical Tracings of Lesions After Stroke)で評価された。 実験の結果,提案するネットワークはセグメンテーション性能に優れていた。 半教師付きセグメンテーションタスクでは、ラベル付きサンプルの5分の2だけを使用したcpganは、完全なラベル付きサンプルを用いたアプローチよりも優れている。

関連論文リスト

• Cross Prompting Consistency with Segment Anything Model for Semi-supervised Medical Image Segmentation [44.54301473673582]
  半教師付き学習(SSL)は,医用画像のセグメンテーションにおいて顕著な進歩を遂げている。 SAM(Segment Anything Model)のような視覚基盤モデルの最近の発展は、顕著な適応性を示している。 半教師型医用画像分割のためのセグメンテーションモデル(CPC-SAM)を用いたクロスプロンプト整合性手法を提案する。
  論文  参考訳（メタデータ） (2024-07-07T15:43:20Z)
• Multi-task Explainable Skin Lesion Classification [54.76511683427566]
  少ないラベル付きデータでよく一般化する皮膚病変に対する数発のショットベースアプローチを提案する。 提案手法は,アテンションモジュールや分類ネットワークとして機能するセグメンテーションネットワークの融合を含む。
  論文  参考訳（メタデータ） (2023-10-11T05:49:47Z)
• Scribble-supervised Cell Segmentation Using Multiscale Contrastive Regularization [9.849498498869258]
  Scribble2Label (S2L) は、一握りのスクリブルと自己教師付き学習を使用することで、完全なアノテーションなしで正確なセグメンテーション結果を生成することを示した。 本研究では,S2Lに対して,新しいマルチスケールコントラスト正規化項を用いる。 主なアイデアは、ニューラルネットワークの中間層から特徴を抽出して、さまざまなスケールの構造を効果的に分離できるようにすることである。
  論文  参考訳（メタデータ） (2023-06-25T06:00:33Z)
• Cross-supervised Dual Classifiers for Semi-supervised Medical Image Segmentation [10.18427897663732]
  半教師付き医用画像分割は、大規模医用画像解析に有望な解決策を提供する。 本稿では、二重分類器(DC-Net)に基づくクロス教師あり学習フレームワークを提案する。 LAとPancreas-CTデータセットの実験は、DC-Netが半教師付きセグメンテーションの他の最先端手法よりも優れていることを示している。
  論文  参考訳（メタデータ） (2023-05-25T16:23:39Z)
• Rethinking Semi-Supervised Medical Image Segmentation: A Variance-Reduction Perspective [51.70661197256033]
  医用画像セグメンテーションのための階層化グループ理論を用いた半教師付きコントラスト学習フレームワークARCOを提案する。 まず、分散還元推定の概念を用いてARCOを構築することを提案し、特定の分散還元技術が画素/ボクセルレベルのセグメンテーションタスクにおいて特に有用であることを示す。 5つの2D/3D医療データセットと3つのセマンティックセグメンテーションデータセットのラベル設定が異なる8つのベンチマークで、我々のアプローチを実験的に検証する。
  論文  参考訳（メタデータ） (2023-02-03T13:50:25Z)
• PCA: Semi-supervised Segmentation with Patch Confidence Adversarial Training [52.895952593202054]
  医用画像セグメンテーションのためのPatch Confidence Adrial Training (PCA) と呼ばれる半教師付き対向法を提案する。 PCAは各パッチの画素構造とコンテキスト情報を学習し、十分な勾配フィードバックを得る。 本手法は, 医用画像のセグメンテーションにおいて, 最先端の半教師付き手法より優れており, その有効性を示している。
  論文  参考訳（メタデータ） (2022-07-24T07:45:47Z)
• MS Lesion Segmentation: Revisiting Weighting Mechanisms for Federated Learning [92.91544082745196]
  フェデレートラーニング(FL)は医用画像解析に広く用いられている。 FLのパフォーマンスは、多発性硬化症(MS)病変セグメンテーションタスクに制限される。 2つの効果的な再重み付け機構によるFLMS病変分割フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-05-03T14:06:03Z)
• Self-Ensembling GAN for Cross-Domain Semantic Segmentation [107.27377745720243]
  本稿では,セマンティックセグメンテーションのためのクロスドメインデータを利用した自己理解型生成逆数ネットワーク(SE-GAN)を提案する。 SE-GANでは、教師ネットワークと学生ネットワークは、意味分節マップを生成するための自己組織化モデルを構成する。 その単純さにもかかわらず、SE-GANは敵の訓練性能を大幅に向上させ、モデルの安定性を高めることができる。
  論文  参考訳（メタデータ） (2021-12-15T09:50:25Z)
• Semi-Supervised Semantic Segmentation of Vessel Images using Leaking Perturbations [1.5791732557395552]
  Leaking GANは、網膜血管セグメンテーションのためのGANベースの半教師付きアーキテクチャである。 私たちのキーとなるアイデアは、ジェネレータから情報を漏らすことで識別器を汚染することです。 これにより、より穏健な世代がGANのトレーニングに役立ちます。
  論文  参考訳（メタデータ） (2021-10-22T18:25:08Z)
• Deep Semi-supervised Knowledge Distillation for Overlapping Cervical Cell Instance Segmentation [54.49894381464853]
  本稿では, ラベル付きデータとラベルなしデータの両方を, 知識蒸留による精度向上に活用することを提案する。 摂動に敏感なサンプルマイニングを用いたマスク誘導型平均教師フレームワークを提案する。 実験の結果,ラベル付きデータのみから学習した教師付き手法と比較して,提案手法は性能を著しく向上することがわかった。
  論文  参考訳（メタデータ） (2020-07-21T13:27:09Z)

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。