論文の概要: CaCL: Class-aware Codebook Learning for Weakly Supervised Segmentation
on Diffuse Image Patterns
- arxiv url: http://arxiv.org/abs/2011.00794v2
- Date: Wed, 13 Apr 2022 14:52:03 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-30 12:15:11.380187
- Title: CaCL: Class-aware Codebook Learning for Weakly Supervised Segmentation
on Diffuse Image Patterns
- Title（参考訳）: CaCL:Diffuse画像パターンの弱教師付きセグメンテーションのためのクラス認識型コードブック学習
- Authors: Ruining Deng, Quan Liu, Shunxing Bao, Aadarsh Jha, Catie Chang, Bryan
A. Millis, Matthew J. Tyska, Yuankai Huo
- Abstract要約: 拡散画像パターンに対する弱教師付き学習を行うために,新しいクラス認識型コードブック学習(CaCL)アルゴリズムを提案する。
具体的には、ヒト十二指腸の組織像からブラシ境界領域に発現するタンパク質にCaCLアルゴリズムを配置する。
- 参考スコア（独自算出の注目度）: 9.22349617343802
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Weakly supervised learning has been rapidly advanced in biomedical image
analysis to achieve pixel-wise labels (segmentation) from image-wise
annotations (classification), as biomedical images naturally contain image-wise
labels in many scenarios. The current weakly supervised learning algorithms
from the computer vision community are largely designed for focal objects
(e.g., dogs and cats). However, such algorithms are not optimized for diffuse
patterns in biomedical imaging (e.g., stains and fluorescence in microscopy
imaging). In this paper, we propose a novel class-aware codebook learning
(CaCL) algorithm to perform weakly supervised learning for diffuse image
patterns. Specifically, the CaCL algorithm is deployed to segment protein
expressed brush border regions from histological images of human duodenum. Our
contribution is three-fold: (1) we approach the weakly supervised segmentation
from a novel codebook learning perspective; (2) the CaCL algorithm segments
diffuse image patterns rather than focal objects; and (3) the proposed
algorithm is implemented in a multi-task framework based on Vector
Quantised-Variational AutoEncoder (VQ-VAE) via joint image reconstruction,
classification, feature embedding, and segmentation. The experimental results
show that our method achieved superior performance compared with baseline
weakly supervised algorithms. The code is available at
https://github.com/ddrrnn123/CaCL.
- Abstract（参考訳）: バイオメディカル・イメージ分析において、バイオメディカル・ラーニングは、画像のアノテーション(分類)からピクセルワイド・ラベル(セグメンテーション)を実現するために急速に進歩してきた。
現在のコンピュータビジョンコミュニティの弱い教師付き学習アルゴリズムは、主に焦点オブジェクト(例えば犬や猫)向けに設計されている。
しかし、そのようなアルゴリズムは生体医用画像(例えば顕微鏡画像の染色や蛍光など)の拡散パターンに最適化されていない。
本稿では,拡散画像パターンに対する弱教師付き学習を実現するために,クラス認識型コードブック学習(CaCL)アルゴリズムを提案する。
具体的には、ヒト十二指腸の組織像からブラシ境界領域に発現するタンパク質にCaCLアルゴリズムを配置する。
我々は,(1)新しいコードブック学習の観点から,弱教師付きセグメンテーションにアプローチする,(2)caclアルゴリズムは焦点オブジェクトではなく拡散画像パターンを分割する,(3)提案手法は,ベクトル量子化変分オートエンコーダ(vq-vae)に基づくマルチタスクフレームワークに,共同画像再構成,分類,特徴埋め込み,セグメンテーションによって実装する,という3つの特徴がある。
実験の結果,本手法はベースラインの弱教師付きアルゴリズムと比較して優れた性能を示した。
コードはhttps://github.com/ddrrnn123/caclで入手できる。
関連論文リスト
- Patch-Based Deep Unsupervised Image Segmentation using Graph Cuts [0.0]
本稿では,従来のグラフ手法のアルゴリズム的助けを借りて,教師なし特徴抽出の進歩を橋渡しするパッチベースの教師なし画像分割戦略を提案する。
画像パッチを分類するために訓練された単純な畳み込みニューラルネットワークは、自然に最先端の完全畳み込み非教師付きピクセルレベルのセグメンタに繋がることを示す。
論文 参考訳（メタデータ） (2023-11-01T19:59:25Z) - Disruptive Autoencoders: Leveraging Low-level features for 3D Medical
Image Pre-training [51.16994853817024]
本研究は、3Dラジオグラフィ画像のための効果的な事前学習フレームワークの設計に焦点をあてる。
ローカルマスキングと低レベルの摂動の組み合わせによって生成された破壊から、オリジナルのイメージを再構築しようとする事前トレーニングフレームワークであるDisruptive Autoencodersを紹介する。
提案する事前トレーニングフレームワークは、複数のダウンストリームタスクでテストされ、最先端のパフォーマンスを実現する。
論文 参考訳（メタデータ） (2023-07-31T17:59:42Z) - 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) - Self-Supervised Correction Learning for Semi-Supervised Biomedical Image
Segmentation [84.58210297703714]
半教師付きバイオメディカルイメージセグメンテーションのための自己教師付き補正学習パラダイムを提案する。
共有エンコーダと2つの独立デコーダを含むデュアルタスクネットワークを設計する。
異なるタスクのための3つの医用画像分割データセットの実験により,本手法の優れた性能が示された。
論文 参考訳（メタデータ） (2023-01-12T08:19:46Z) - Learning to Annotate Part Segmentation with Gradient Matching [58.100715754135685]
本稿では,事前学習したGANを用いて,高品質な画像を生成することで,半教師付き部分分割タスクに対処することに焦点を当てる。
特に、アノテータ学習を学習から学習までの問題として定式化する。
提案手法は,実画像,生成された画像,さらには解析的に描画された画像を含む,幅広いラベル付き画像からアノテータを学習可能であることを示す。
論文 参考訳（メタデータ） (2022-11-06T01:29:22Z) - Two-Stream Graph Convolutional Network for Intra-oral Scanner Image
Segmentation [133.02190910009384]
本稿では,2ストリームグラフ畳み込みネットワーク(TSGCN)を提案する。
TSGCNは3次元歯(表面)セグメンテーションにおいて最先端の方法よりも優れています。
論文 参考訳（メタデータ） (2022-04-19T10:41:09Z) - Intelligent Masking: Deep Q-Learning for Context Encoding in Medical
Image Analysis [48.02011627390706]
我々は,対象地域を排除し,事前訓練の手順を改善する,新たな自己指導型アプローチを開発した。
予測モデルに対してエージェントを訓練することで、下流の分類タスクで抽出した意味的特徴を大幅に改善できることを示す。
論文 参考訳（メタデータ） (2022-03-25T19:05:06Z) - One-shot Weakly-Supervised Segmentation in Medical Images [12.184590794655517]
ワンショットおよび弱教師付き設定による3次元医用画像セグメンテーションの革新的枠組みを提案する。
注釈付きボリュームからラベルなしの3D画像へスクリブルを投影するために,伝搬再構成ネットワークを提案する。
デュアルレベルの特徴記述モジュールは、解剖学的およびピクセルレベルの特徴に基づいて、スクリブルを洗練させるように設計されている。
論文 参考訳（メタデータ） (2021-11-21T09:14:13Z) - Self-Ensembling Contrastive Learning for Semi-Supervised Medical Image
Segmentation [6.889911520730388]
限られたラベルを持つ医用画像セグメンテーションにおける半教師あり学習の性能向上を目指す。
我々は、ラベルのない画像に対照的な損失を与えることによって、特徴レベルで潜在表現を直接学習する。
我々はMRIとCTのセグメンテーションデータセットの実験を行い、提案手法が最先端の性能を実現することを示す。
論文 参考訳（メタデータ） (2021-05-27T03:27:58Z) - Semantic Segmentation with Generative Models: Semi-Supervised Learning
and Strong Out-of-Domain Generalization [112.68171734288237]
本論文では,画像とラベルの再生モデルを用いた識別画素レベルのタスクのための新しいフレームワークを提案する。
我々は,共同画像ラベルの分布を捕捉し,未ラベル画像の大規模な集合を用いて効率的に訓練する生成的対向ネットワークを学習する。
ドメイン内性能をいくつかのベースラインと比較し,ドメイン外一般化を極端に示す最初の例である。
論文 参考訳（メタデータ） (2021-04-12T21:41:25Z) - Uncertainty guided semi-supervised segmentation of retinal layers in OCT
images [4.046207281399144]
セグメンテーションネットワークを訓練する学生・教師のアプローチに基づく,新しい不確実性誘導半教師学習を提案する。
提案するフレームワークは,様々な画像モダリティにまたがるバイオメディカルイメージセグメンテーションに有効である。
論文 参考訳（メタデータ） (2021-03-02T23:14:25Z)
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。