論文の概要: Ensembling Low Precision Models for Binary Biomedical Image Segmentation
- arxiv url: http://arxiv.org/abs/2010.08648v1
- Date: Fri, 16 Oct 2020 22:12:20 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-06 21:49:25.523963
- Title: Ensembling Low Precision Models for Binary Biomedical Image Segmentation
- Title(参考訳): バイオメディカル画像分割のための低精度モデルの構築
- Authors: Tianyu Ma, Hang Zhang, Hanley Ong, Amar Vora, Thanh D. Nguyen, Ajay
Gupta, Yi Wang, Mert Sabuncu
- Abstract要約: 多くの自動セグメンテーションアルゴリズムは非対称な誤りを示す傾向があり、一般に偽陰性よりも偽陽性を生成する。
本稿では,この非対称性を活用することを目的として,精度を犠牲にしながら,非常に高いリコールを持つモデル集合を訓練する。
低い精度と高いリコールモデルの多様なアンサンブルは、異なる偽陽性エラーを発生させる可能性があるが、真の陽性は一貫性がある傾向にある。
- 参考スコア(独自算出の注目度): 8.284903551443156
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Segmentation of anatomical regions of interest such as vessels or small
lesions in medical images is still a difficult problem that is often tackled
with manual input by an expert. One of the major challenges for this task is
that the appearance of foreground (positive) regions can be similar to
background (negative) regions. As a result, many automatic segmentation
algorithms tend to exhibit asymmetric errors, typically producing more false
positives than false negatives. In this paper, we aim to leverage this
asymmetry and train a diverse ensemble of models with very high recall, while
sacrificing their precision. Our core idea is straightforward: A diverse
ensemble of low precision and high recall models are likely to make different
false positive errors (classifying background as foreground in different parts
of the image), but the true positives will tend to be consistent. Thus, in
aggregate the false positive errors will cancel out, yielding high performance
for the ensemble. Our strategy is general and can be applied with any
segmentation model. In three different applications (carotid artery
segmentation in a neck CT angiography, myocardium segmentation in a
cardiovascular MRI and multiple sclerosis lesion segmentation in a brain MRI),
we show how the proposed approach can significantly boost the performance of a
baseline segmentation method.
- Abstract(参考訳): 血管や医療画像の小さな病変などの興味のある解剖学的領域の分割は、専門家による手動入力によってしばしば取り組まれる難しい問題である。
この課題の主な課題の1つは、前景(陽性)領域の出現が背景(陰性)領域と類似していることである。
その結果、多くの自動セグメンテーションアルゴリズムは非対称な誤りを示し、一般に偽陰性よりも偽陽性を生じる。
本稿では,この非対称性を活用することを目的として,精度を犠牲にしながら,非常に高いリコールで多様なモデルのアンサンブルを訓練する。
低い精度と高いリコールモデルの多様なアンサンブルは、異なる偽陽性エラー(画像のさまざまな部分で背景を前景として分類する)を発生させる可能性があるが、真の正は一貫性がある傾向にある。
したがって、偽陽性エラーを集約するとキャンセルされ、アンサンブルのパフォーマンスが向上する。
我々の戦略は一般的であり、どんなセグメンテーションモデルでも適用できる。
3つの異なる応用(頸部CT血管造影における頸動脈セグメンテーション,心臓血管MRIにおける心筋セグメンテーション,脳MRIにおける多発性硬化病変セグメンテーション)において,提案手法がベースラインセグメンテーション法の性能を大幅に向上させることを示す。
関連論文リスト
- Counterfactuals and Uncertainty-Based Explainable Paradigm for the Automated Detection and Segmentation of Renal Cysts in Computed Tomography Images: A Multi-Center Study [1.83277723272657]
Routine Computed Tomography (CT)スキャンは、しばしば広範囲の腎嚢胞を検知するが、そのうちのいくつかは悪性である可能性がある。
しかし、現在のセグメンテーション法では、特徴レベルとピクセルレベルで十分な解釈性を提供していない。
我々は、解釈可能なセグメンテーションフレームワークを開発し、多中心データセット上で検証した。
論文 参考訳(メタデータ) (2024-08-07T14:14:05Z) - Dimensionality Reduction and Nearest Neighbors for Improving Out-of-Distribution Detection in Medical Image Segmentation [1.2873975765521795]
この研究は、肝臓を分断する4つのSwin UNETRとnnU-netモデルのボトルネック特徴にマハラノビス距離(MD)ポストホックを適用した。
モデルが失敗した画像は、高性能で最小の計算負荷で検出された。
論文 参考訳(メタデータ) (2024-08-05T18:24:48Z) - 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) - Ambiguous Medical Image Segmentation using Diffusion Models [60.378180265885945]
我々は,グループ洞察の分布を学習することで,複数の可算出力を生成する単一拡散モデルに基づくアプローチを提案する。
提案モデルでは,拡散の固有のサンプリングプロセスを利用してセグメンテーションマスクの分布を生成する。
その結果,提案手法は既存の最先端曖昧なセグメンテーションネットワークよりも優れていることがわかった。
論文 参考訳(メタデータ) (2023-04-10T17:58:22Z) - 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) - 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) - Generative Adversarial Networks for Weakly Supervised Generation and Evaluation of Brain Tumor Segmentations on MR Images [0.0]
本研究は2次元磁気共鳴画像におけるセグメント異常に対する弱教師付きアプローチを示す。
我々は,癌画像を健全な変種に変換するGAN(Generative Adversarial Network)を訓練する。
非共役な変種は、弱監督的な方法で分割を評価するためにも用いられる。
論文 参考訳(メタデータ) (2022-11-10T00:04:46Z) - 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) - Anomaly Detection-Inspired Few-Shot Medical Image Segmentation Through
Self-Supervision With Supervoxels [23.021720656733088]
そこで本研究では, 異常検出に着想を得た新規な医用画像分割手法を提案する。
我々は1つの前景のプロトタイプを使用して、全てのクエリピクセルの異常スコアを計算する。
セグメンテーションは、学習しきい値を用いてこれらの異常スコアをしきい値にすることで実行される。
論文 参考訳(メタデータ) (2022-03-03T22:36:39Z) - Modality Completion via Gaussian Process Prior Variational Autoencoders
for Multi-Modal Glioma Segmentation [75.58395328700821]
本稿では,患者スキャンに欠落するサブモダリティを1つ以上のインプットするために,MGP-VAE(Multi-modal Gaussian Process Prior Variational Autoencoder)を提案する。
MGP-VAEは、変分オートエンコーダ(VAE)に先立ってガウス過程(GP)を利用して、被験者/患者およびサブモダリティ相関を利用することができる。
4つのサブモダリティのうち2つ、または3つが欠落している脳腫瘍に対するMGP-VAEの適用性を示す。
論文 参考訳(メタデータ) (2021-07-07T19:06:34Z) - 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)
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。