論文の概要: RAR-U-Net: a Residual Encoder to Attention Decoder by Residual Connections Framework for Spine Segmentation under Noisy Labels

• arxiv url: http://arxiv.org/abs/2009.12873v4
• Date: Wed, 16 Jun 2021 21:53:28 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-14 03:52:02.950738
• Title: RAR-U-Net: a Residual Encoder to Attention Decoder by Residual Connections Framework for Spine Segmentation under Noisy Labels
• Title（参考訳）: RAR-U-Net: ノイズラベル下での陰極セグメンテーションのための残差接続フレームワークによるアテンションデコーダの残差エンコーダ
• Authors: Ziyang Wang, Zhengdong Zhang, Irina Voiculescu
• Abstract要約: 本稿では,ノイズラベルに基づく医用画像分割手法を提案する。 この方法は4つの新しいコントリビューションを取り入れ、ディープラーニングパラダイムの下で機能する。 実験結果は,脊椎CTのベンチマークデータベース上で公開されている。
• 参考スコア（独自算出の注目度）: 9.81466618834274
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Segmentation algorithms for medical images are widely studied for various clinical and research purposes. In this paper, we propose a new and efficient method for medical image segmentation under noisy labels. The method operates under a deep learning paradigm, incorporating four novel contributions. Firstly, a residual interconnection is explored in different scale encoders to transfer gradient information efficiently. Secondly, four copy-and-crop connections are replaced by residual-block-based concatenation to alleviate the disparity between encoders and decoders. Thirdly, convolutional attention modules for feature refinement are studied on all scale decoders. Finally, an adaptive denoising learning strategy (ADL) is introduced into the training process to avoid too much influence from the noisy labels. Experimental results are illustrated on a publicly available benchmark database of spine CTs. Our proposed method achieves competitive performance against other state-of-the-art methods over a variety of different evaluation measures.
• Abstract（参考訳）: 医療画像のセグメンテーションアルゴリズムは様々な臨床・研究目的で広く研究されている。 本稿では,ノイズラベル下の医用画像分割のための新しい効率的手法を提案する。 この方法は4つの新しい貢献を取り入れた深層学習パラダイムの下で機能する。 まず、異なるスケールエンコーダで残差相互接続を探究し、勾配情報を効率的に転送する。 第二に、4つのコピー・アンド・クロップ接続は、エンコーダとデコーダの格差を軽減するために残差ブロックベースの結合に置き換えられる。 第3に、機能改善のための畳み込みアテンションモジュールを、すべてのスケールデコーダで研究する。 最後に、ノイズラベルの影響が多すぎるのを避けるために、学習プロセスに適応的弁別学習戦略(adl)を導入する。 実験結果は脊椎CTのベンチマークデータベース上で公開されている。 提案手法は, 各種評価尺度に対する他の最先端手法との競合性能を実現する。

関連論文リスト

• Learning Semi-Supervised Medical Image Segmentation from Spatial Registration [20.08775594086033]
  CCT-Rは、登録情報を組み込んだ対照的なクロスティーチングフレームワークである。 ボリュームペア間の登録で利用可能な意味情報を活用するために、CCT-Rは2つの提案されたモジュールを組み込んでいる。 各種半教師付き環境におけるCCT-Rの有効性と優位性について実験的に検証した。
  論文  参考訳（メタデータ） (2024-09-16T15:52:41Z)
• 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)
• Improving Multiple Sclerosis Lesion Segmentation Across Clinical Sites: A Federated Learning Approach with Noise-Resilient Training [75.40980802817349]
  深層学習モデルは、自動的にMS病変を分節する約束を示しているが、正確な注釈付きデータの不足は、この分野の進歩を妨げている。 我々は,MS病変の不均衡分布とファジィ境界を考慮したDecoupled Hard Label Correction(DHLC)戦略を導入する。 また,集約型中央モデルを利用したCELC(Centrally Enhanced Label Correction)戦略も導入した。
  論文  参考訳（メタデータ） (2023-08-31T00:36:10Z)
• Semi-supervised Pathological Image Segmentation via Cross Distillation of Multiple Attentions [19.236045479697797]
  我々は,CDMA(Cross Distillation of Multiple Attentions)に基づく新しい半教師付き学習(SSL)手法を提案する。 提案したCDMAは,公開DigestPathデータセット上の8つの最先端SSL手法と比較した。
  論文  参考訳（メタデータ） (2023-05-30T08:23:07Z)
• Reliable Joint Segmentation of Retinal Edema Lesions in OCT Images [55.83984261827332]
  本稿では,信頼性の高いマルチスケールウェーブレットエンハンストランスネットワークを提案する。 本研究では,ウェーブレット型特徴抽出器ネットワークとマルチスケール変圧器モジュールを統合したセグメンテーションバックボーンを開発した。 提案手法は,他の最先端セグメンテーション手法と比較して信頼性の高いセグメンテーション精度を実現する。
  論文  参考訳（メタデータ） (2022-12-01T07:32:56Z)
• 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)
• Mixed-UNet: Refined Class Activation Mapping for Weakly-Supervised Semantic Segmentation with Multi-scale Inference [28.409679398886304]
  我々は、デコードフェーズに2つの並列分岐を持つMixed-UNetという新しいモデルを開発する。 地域病院や公開データセットから収集したデータセットに対して,いくつかの一般的なディープラーニングに基づくセグメンテーションアプローチに対して,設計したMixed-UNetを評価した。
  論文  参考訳（メタデータ） (2022-05-06T08:37:02Z)
• Active Restoration of Lost Audio Signals Using Machine Learning and Latent Information [0.7252027234425334]
  本稿では, ステガノグラフィー, ハーフトニング(ディザリング), 最先端の浅層・深層学習法の組み合わせを提案する。 本研究では,信号対雑音比(SNR),目標差次数(ODG),およびハンセンの音質測定値を用いて,塗装性能の向上を示す。
  論文  参考訳（メタデータ） (2021-11-21T20:11:33Z)
• Cross-Modality Brain Tumor Segmentation via Bidirectional Global-to-Local Unsupervised Domain Adaptation [61.01704175938995]
  本論文では,UDAスキームに基づくBiGL(Bidirectional Global-to-Local)適応フレームワークを提案する。 具体的には、脳腫瘍をセグメント化するために、双方向画像合成およびセグメンテーションモジュールを提案する。 提案手法は, 最先端の非教師なし領域適応法を大きなマージンで上回っている。
  論文  参考訳（メタデータ） (2021-05-17T10:11:45Z)
• A Meta-embedding-based Ensemble Approach for ICD Coding Prediction [64.42386426730695]
  国際疾病分類 (icd) は、世界中で臨床コーディングに使われているデファクトコードである。 これらのコードにより、医療提供者は償還を請求し、診断情報の効率的な保管と検索を容易にします。 提案手法は,日常的な医学データと科学論文の外部知識を用いて,効果的に単語ベクトルを訓練することにより,神経モデルの性能を高める。
  論文  参考訳（メタデータ） (2021-02-26T17:49:58Z)
• Cross-denoising Network against Corrupted Labels in Medical Image Segmentation with Domain Shift [28.940670115918728]
  ドメインシフトとラベルの破損に対処するために2つのピアネットワークを用いた新しいクロスデノベーションフレームワークを提案する。 具体的には、各ネットワークはメンターとして機能し、相互に監督され、ピアネットワークが選択した信頼性の高いサンプルから学習し、破損したラベルと戦う。 さらに, 各種ノイズ汚染ラベルの下で, キー位置を捕捉し, 差分をフィルタリングするようネットワークに促すため, 耐雑音損失が提案されている。
  論文  参考訳（メタデータ） (2020-06-19T07:35:25Z)

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。