論文の概要: A comparative study of semi- and self-supervised semantic segmentation
of biomedical microscopy data
- arxiv url: http://arxiv.org/abs/2011.08076v2
- Date: Mon, 23 Nov 2020 13:03:10 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-26 23:30:56.997063
- Title: A comparative study of semi- and self-supervised semantic segmentation
of biomedical microscopy data
- Title(参考訳): 生体顕微鏡データの半・自己教師型セマンティックセグメンテーションの比較研究
- Authors: Nastassya Horlava, Alisa Mironenko, Sebastian Niehaus, Sebastian
Wagner, Ingo Roeder, Nico Scherf
- Abstract要約: 畳み込みニューラルネットワーク(CNN)は、バイオメディカル画像解析の最先端の手法となっている。
これらのネットワークは通常、教師付き方法でトレーニングされ、大量のラベル付きトレーニングデータを必要とする。
本研究では,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ラベルの少ないCNNの訓練方法を検証する。
- 参考スコア(独自算出の注目度): 0.13701366534590495
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In recent years, Convolutional Neural Networks (CNNs) have become the
state-of-the-art method for biomedical image analysis. However, these networks
are usually trained in a supervised manner, requiring large amounts of labelled
training data. These labelled data sets are often difficult to acquire in the
biomedical domain. In this work, we validate alternative ways to train CNNs
with fewer labels for biomedical image segmentation using. We adapt two semi-
and self-supervised image classification methods and analyse their performance
for semantic segmentation of biomedical microscopy images.
- Abstract(参考訳): 近年,CNN(Convolutional Neural Networks)がバイオメディカル画像解析の最先端技術となっている。
しかしながら、これらのネットワークは通常、大量のラベル付きトレーニングデータを必要とする教師付き方法で訓練される。
これらのラベル付きデータセットは、しばしば生物医学領域で取得することが困難である。
本研究では,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ラベルの少ないCNNの訓練方法を検証する。
バイオメディカル・顕微鏡画像のセマンティックセグメンテーションのために,2つの半自監督画像分類法を適用し,その性能解析を行った。
関連論文リスト
- Semi-Supervised Semantic Segmentation Based on Pseudo-Labels: A Survey [49.47197748663787]
本総説は, 半教師付きセマンティックセグメンテーション分野における擬似ラベル手法に関する最新の研究成果について, 包括的かつ組織的に概観することを目的としている。
さらに,医用およびリモートセンシング画像のセグメンテーションにおける擬似ラベル技術の適用について検討する。
論文 参考訳(メタデータ) (2024-03-04T10:18:38Z) - Explanations of Classifiers Enhance Medical Image Segmentation via
End-to-end Pre-training [37.11542605885003]
医用画像セグメンテーションは、ディープニューラルネットワークを用いて、胸部X線写真などの医用画像の異常な構造を特定し、発見することを目的としている。
我々の研究は、よく訓練された分類器から説明を集め、セグメンテーションタスクの擬似ラベルを生成する。
次に、インテグレート・グラディエント(IG)法を用いて、分類器から得られた説明を蒸留し、強化し、大規模診断指向のローカライゼーション・ラベル(DoLL)を生成する。
これらのDLLアノテーション付き画像は、新型コロナウイルス感染症、肺、心臓、鎖骨などの下流のセグメンテーションタスクのために、モデルを微調整する前に事前訓練するために使用される。
論文 参考訳(メタデータ) (2024-01-16T16:18:42Z) - Affine-Consistent Transformer for Multi-Class Cell Nuclei Detection [76.11864242047074]
本稿では, 原子核位置を直接生成する新しいアフィン一貫性変換器 (AC-Former) を提案する。
本稿では,AAT (Adaptive Affine Transformer) モジュールを導入し,ローカルネットワークトレーニングのためのオリジナル画像をワープするための重要な空間変換を自動学習する。
実験結果から,提案手法は様々なベンチマークにおいて既存の最先端アルゴリズムを著しく上回ることがわかった。
論文 参考訳(メタデータ) (2023-10-22T02:27:02Z) - Meta-Learners for Few-Shot Weakly-Supervised Medical Image Segmentation [2.781492199939609]
医用画像領域における弱教師付きセグメンテーションのための汎用メタラーニングフレームワークを提案する。
画像分割に適応したメタラーナーの比較分析を行った。
論文 参考訳(メタデータ) (2023-05-11T15:57:45Z) - A Knowledge Distillation framework for Multi-Organ Segmentation of
Medaka Fish in Tomographic Image [5.881800919492064]
メダカ魚のトモグラフィー画像における多臓器セグメンテーションのための自己学習フレームワークを提案する。
本研究では,事前訓練されたモデルから得られた擬似ラベルデータを利用して,擬似ラベルデータを洗練するために品質教師を採用する。
実験結果から,本手法は全データセット上で平均IoU(Intersection over Union)を5.9%改善することが示された。
論文 参考訳(メタデータ) (2023-02-24T10:31:29Z) - 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) - Segmentation in large-scale cellular electron microscopy with deep
learning: A literature survey [6.144134660210243]
ディープラーニングアルゴリズムは、ピクセルレベルのラベル付けと、同じクラスの別々のインスタンスのラベル付けの両方において、印象的な結果を得た。
本稿では,これらのアルゴリズムが,EM画像中の細胞構造とサブセル構造を分割する作業にどのように適応したかを検討する。
論文 参考訳(メタデータ) (2022-06-14T20:57:49Z) - Weakly Supervised Few-Shot Segmentation Via Meta-Learning [2.0962464943252934]
WeaSeL と ProtoSeg という2つの新しいメタ学習手法を提案する。
医療画像と農業リモートセンシングの異なる分野で,提案手法の広範な評価を行った。
論文 参考訳(メタデータ) (2021-09-03T18:20:26Z) - 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) - Domain Generalization for Medical Imaging Classification with
Linear-Dependency Regularization [59.5104563755095]
本稿では,医用画像分類分野におけるディープニューラルネットワークの一般化能力向上のための,シンプルだが効果的なアプローチを提案する。
医用画像の領域変数がある程度コンパクトであることに感銘を受けて,変分符号化による代表的特徴空間の学習を提案する。
論文 参考訳(メタデータ) (2020-09-27T12:30:30Z) - 3D medical image segmentation with labeled and unlabeled data using
autoencoders at the example of liver segmentation in CT images [58.720142291102135]
本研究では、畳み込みニューラルネットワークによるセグメンテーションを改善するために、オートエンコーダ抽出機能の可能性を検討する。
コンボリューション・オートエンコーダを用いてラベルのないデータから特徴を抽出し,CT画像における3次元肝セグメンテーションの目標タスクを実行するために,マルチスケールの完全畳み込みCNNを用いた。
論文 参考訳(メタデータ) (2020-03-17T20:20:43Z)
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。