論文の概要: Contrastive Rendering for Ultrasound Image Segmentation

• arxiv url: http://arxiv.org/abs/2010.04928v1
• Date: Sat, 10 Oct 2020 07:14:03 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-08 23:03:43.689813
• Title: Contrastive Rendering for Ultrasound Image Segmentation
• Title（参考訳）: 超音波画像分割のためのコントラストレンダリング
• Authors: Haoming Li, Xin Yang, Jiamin Liang, Wenlong Shi, Chaoyu Chen, Haoran Dou, Rui Li, Rui Gao, Guangquan Zhou, Jinghui Fang, Xiaowen Liang, Ruobing Huang, Alejandro Frangi, Zhiyi Chen, Dong Ni
• Abstract要約: 米国の画像にシャープな境界がないことは、セグメンテーションに固有の課題である。 我々は,US画像における境界推定を改善するための,新しい,効果的なフレームワークを提案する。 提案手法は最先端の手法より優れており,臨床応用の可能性も高い。
• 参考スコア（独自算出の注目度）: 59.23915581079123
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Ultrasound (US) image segmentation embraced its significant improvement in deep learning era. However, the lack of sharp boundaries in US images still remains an inherent challenge for segmentation. Previous methods often resort to global context, multi-scale cues or auxiliary guidance to estimate the boundaries. It is hard for these methods to approach pixel-level learning for fine-grained boundary generating. In this paper, we propose a novel and effective framework to improve boundary estimation in US images. Our work has three highlights. First, we propose to formulate the boundary estimation as a rendering task, which can recognize ambiguous points (pixels/voxels) and calibrate the boundary prediction via enriched feature representation learning. Second, we introduce point-wise contrastive learning to enhance the similarity of points from the same class and contrastively decrease the similarity of points from different classes. Boundary ambiguities are therefore further addressed. Third, both rendering and contrastive learning tasks contribute to consistent improvement while reducing network parameters. As a proof-of-concept, we performed validation experiments on a challenging dataset of 86 ovarian US volumes. Results show that our proposed method outperforms state-of-the-art methods and has the potential to be used in clinical practice.
• Abstract（参考訳）: 超音波(US)画像分割は深層学習時代において顕著に改善された。 しかし、アメリカの画像にシャープな境界がないことは、セグメンテーションに固有の課題である。 従来の手法では、境界を推定するために、グローバルコンテキストや、マルチスケールの手がかり、補助的なガイダンスに頼ることが多い。 これらの方法が細粒度境界生成のためのピクセルレベル学習にアプローチすることは困難である。 本稿では,us画像における境界推定を改善するための新しい有効な枠組みを提案する。 私たちの作品には3つのハイライトがある。 まず,境界推定をレンダリングタスクとして定式化し,曖昧な点(画素/ボクセル)を認識し,特徴表現学習により境界予測を校正する手法を提案する。 第2に,同じクラスからの点の類似度を高め,異なるクラスからの点の類似度を対照的に減少させるために,ポイントワイズコントラスト学習を導入する。 したがって境界の曖昧さはさらに解決される。 第3に、レンダリングとコントラスト学習のタスクは、ネットワークパラメータを削減しながら一貫した改善に寄与する。 概念実証として,86の卵巣usボリュームの課題データセット上で検証実験を行った。 以上の結果から,本手法は最先端の手法よりも優れており,臨床に応用できる可能性が示唆された。

関連論文リスト

• Classification of Breast Cancer Histopathology Images using a Modified Supervised Contrastive Learning Method [4.303291247305105]
  モデルロバスト性を高めるために、画像レベルラベルとドメイン固有の拡張の両方を活用することで教師付きコントラスト学習法を改善する。 乳癌の病理組織像から得られたBreakHisデータセットについて検討した。 この改良は93.63%の絶対精度に対応し、データの特性を利用してより適切な表現空間を学習するアプローチの有効性を強調した。
  論文  参考訳（メタデータ） (2024-05-06T17:06:11Z)
• SwIPE: Efficient and Robust Medical Image Segmentation with Implicit Patch Embeddings [12.79344668998054]
  正確な局所境界線とグローバルな形状コヒーレンスを実現するために,SwIPE(Segmentation with Implicit Patch Embeddings)を提案する。 その結果,最近の暗黙的アプローチよりもSwIPEは大幅に改善され,パラメータが10倍以上の最先端の離散手法よりも優れていた。
  論文  参考訳（メタデータ） (2023-07-23T20:55:11Z)
• Localized Region Contrast for Enhancing Self-Supervised Learning in Medical Image Segmentation [27.82940072548603]
  本稿では,地域コントラスト(LRC)を統合した新しいコントラスト学習フレームワークを提案する。 提案手法では,Felzenszwalbのアルゴリズムによるスーパーピクセルの同定と,新しいコントラッシブサンプリング損失を用いた局所コントラスト学習を行う。
  論文  参考訳（メタデータ） (2023-04-06T22:43:13Z)
• Noisy Boundaries: Lemon or Lemonade for Semi-supervised Instance Segmentation? [59.25833574373718]
  ピクセルレベルの擬似ラベルを割り当てることで、半教師付きインスタンスセグメンテーションのためのフレームワークを構築する。 この枠組みでは、擬似ラベルに関連付けられたノイズ境界が二重辺になっていることを指摘した。 我々はそれらを同時に活用し、抵抗することを提案する。
  論文  参考訳（メタデータ） (2022-03-25T03:06:24Z)
• Contrastive Boundary Learning for Point Cloud Segmentation [81.7289734276872]
  本稿では,ポイントクラウドセグメンテーションのための新しい対照的な境界学習フレームワークを提案する。 実験により、CBLは、異なるベースラインを一貫して改善し、バウンダリにおける魅力的なパフォーマンスを達成するのに役立ちます。
  論文  参考訳（メタデータ） (2022-03-10T10:08:09Z)
• Exploring Feature Representation Learning for Semi-supervised Medical Image Segmentation [30.608293915653558]
  半教師型医用画像分割のための2段階フレームワークを提案する。 重要な洞察は、ラベル付きおよびラベルなし(擬似ラベル付き)画像による特徴表現学習を探索することである。 段階適応型コントラスト学習法を提案し, 境界対応型コントラスト学習法を提案する。 本稿では,高品質な擬似ラベルを生成するためのアレータリック不確実性認識手法,すなわちAUAを提案する。
  論文  参考訳（メタデータ） (2021-11-22T05:06:12Z)
• Mixed Supervision Learning for Whole Slide Image Classification [88.31842052998319]
  超高解像度画像のための混合監視学習フレームワークを提案する。 パッチトレーニングの段階では、このフレームワークは、粗いイメージレベルのラベルを使用して、自己教師付き学習を洗練することができる。 画素レベルの偽陽性と偽陰性を抑制するための包括的な戦略が提案されている。
  論文  参考訳（メタデータ） (2021-07-02T09:46:06Z)
• BoundarySqueeze: Image Segmentation as Boundary Squeezing [104.43159799559464]
  本研究では,オブジェクトとシーンの微細な高画質画像分割のための新しい手法を提案する。 形態素画像処理技術による拡張と浸食に着想を得て,画素レベルのセグメンテーション問題をスクイーズ対象境界として扱う。 提案手法は,COCO,Cityscapesのインスタンス・セグメンテーション・セグメンテーション・セグメンテーションにおいて大きく向上し,同一条件下での精度・速度ともに従来のPointRendよりも優れていた。
  論文  参考訳（メタデータ） (2021-05-25T04:58:51Z)
• Distilling Localization for Self-Supervised Representation Learning [82.79808902674282]
  コントラスト学習は教師なし表現学習に革命をもたらした。 現在のコントラストモデルでは、前景オブジェクトのローカライズには効果がない。 本稿では,背景変化を学習するためのデータ駆動型手法を提案する。
  論文  参考訳（メタデータ） (2020-04-14T16:29:42Z)

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。