Fugu-MT 論文翻訳(概要): A comparative study of semi- and self-supervised semantic segmentation of biomedical microscopy data

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

BiomedParse: a biomedical foundation model for image parsing of everything everywhere all at once [58.41069132627823]
全体像解析は、セグメンテーション、検出、関連するオブジェクトの認識などのサブタスクを含む。そこで本研究では,9つの画像モダリティにまたがる82種類のオブジェクトの分割,検出,認識を共同で行うことができる,画像解析のためのバイオメディカル基礎モデルであるBiomedParseを提案する。共同学習により、個々のタスクの精度を向上し、テキストプロンプトを通じてノイズの多い画像中のすべての関連オブジェクトを分割するといった新しいアプリケーションを可能にする。
論文参考訳（メタデータ） (2024-05-21T17:54:06Z)
SM2C: Boost the Semi-supervised Segmentation for Medical Image by using Meta Pseudo Labels and Mixed Images [13.971120210536995]
医用画像のセマンティックな特徴を学習する能力を向上させるために,SM2C(Scaling-up Mix with Multi-Class)を導入した。セグメンテーションオブジェクトの形状を多様化し、各サンプル内の意味情報を豊かにすることにより、SM2Cはそのポテンシャルを示す。提案したフレームワークは、最先端のフレームワークよりも大幅に改善されている。
論文参考訳（メタデータ） (2024-03-24T04:39:40Z)
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)
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)
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。