論文の概要: Contrastive Registration for Unsupervised Medical Image Segmentation
- arxiv url: http://arxiv.org/abs/2011.08894v3
- Date: Wed, 20 Jul 2022 23:39:17 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-24 17:05:58.954679
- Title: Contrastive Registration for Unsupervised Medical Image Segmentation
- Title（参考訳）: 教師なし医用画像セグメンテーションのためのコントラスト登録
- Authors: Lihao Liu, Angelica I Aviles-Rivero, Carola-Bibiane Sch\"onlieb
- Abstract要約: 非教師型医用画像分割のための新しいコントラスト型登録アーキテクチャを提案する。
まず、教師なしの医用画像セグメントの登録により、画像から画像への変換パターンをキャプチャするアーキテクチャを提案する。
第2に,特徴レベルのネットワークの識別能力を高めるために,コントラスト学習機構を登録アーキテクチャに組み込む。
- 参考スコア（独自算出の注目度）: 1.5125686694430571
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Medical image segmentation is a relevant task as it serves as the first step
for several diagnosis processes, thus it is indispensable in clinical usage.
Whilst major success has been reported using supervised techniques, they assume
a large and well-representative labelled set. This is a strong assumption in
the medical domain where annotations are expensive, time-consuming, and
inherent to human bias. To address this problem, unsupervised techniques have
been proposed in the literature yet it is still an open problem due to the
difficulty of learning any transformation pattern. In this work, we present a
novel optimisation model framed into a new CNN-based contrastive registration
architecture for unsupervised medical image segmentation. The core of our
approach is to exploit image-level registration and feature-level from a
contrastive learning mechanism, to perform registration-based segmentation.
Firstly, we propose an architecture to capture the image-to-image
transformation pattern via registration for unsupervised medical image
segmentation. Secondly, we embed a contrastive learning mechanism into the
registration architecture to enhance the discriminating capacity of the network
in the feature-level. We show that our proposed technique mitigates the major
drawbacks of existing unsupervised techniques. We demonstrate, through
numerical and visual experiments, that our technique substantially outperforms
the current state-of-the-art unsupervised segmentation methods on two major
medical image datasets.
- Abstract（参考訳）: 医療画像のセグメンテーションは、いくつかの診断プロセスの第一段階として機能するため、臨床的使用には不可欠である。
監督技術を用いて大きな成功が報告されている一方で、大きくて表現力に富んだラベル付き集合を想定している。
これは、アノテーションが高価で時間がかかり、人間のバイアスに固有の医療領域において強い仮定です。
この問題に対処するために、文献では教師なしの技術が提案されているが、変換パターンの学習が困難であるため、まだ未解決の問題である。
そこで本研究では,教師なし医用画像分割のための新しいCNNベースのコントラスト登録アーキテクチャに,新たな最適化モデルを提案する。
このアプローチの核心は,画像レベルの登録と特徴レベルを対比学習機構から活用し,登録に基づくセグメンテーションを行うことである。
まず,教師なし医用画像セグメンテーションの登録を通して画像から画像への変換パターンをキャプチャするアーキテクチャを提案する。
第2に,登録アーキテクチャに対比学習機構を組み込んで,特徴レベルでのネットワークの識別能力を高める。
提案手法は,既存の教師なし技術の主な欠点を軽減できることを示す。
数値的および視覚的な実験により,本手法が2つの主要な医用画像データセットにおける最先端の教師なしセグメンテーション法を実質的に上回っていることを実証した。
関連論文リスト
- Weakly Supervised Intracranial Hemorrhage Segmentation using Head-Wise
Gradient-Infused Self-Attention Maps from a Swin Transformer in Categorical
Learning [0.6269243524465492]
頭蓋内出血(ICH、Intracranial hemorrhage)は、タイムリーな診断と正確な治療を必要とする救命救急疾患である。
深層学習技術は、医用画像解析と処理の先駆的なアプローチとして現れてきた。
ICH分類タスクで訓練されたSwin変換器と分類ラベルを併用した,新しいICHセグメンテーション手法を提案する。
論文 参考訳（メタデータ） (2023-04-11T00:17:34Z) - Few Shot Medical Image Segmentation with Cross Attention Transformer [30.54965157877615]
我々は、CAT-Netと呼ばれる、数ショットの医用画像セグメンテーションのための新しいフレームワークを提案する。
提案するネットワークは,サポート画像とクエリ画像の相関関係を抽出し,有用なフォアグラウンド情報のみに限定する。
提案手法を,Abd-CT,Abd-MRI,Card-MRIの3つの公開データセットで検証した。
論文 参考訳（メタデータ） (2023-03-24T09:10:14Z) - 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) - 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) - PC-SwinMorph: Patch Representation for Unsupervised Medical Image
Registration and Segmentation [1.148305004803775]
そこで我々は,PC-SwinMorph と呼ぶ,画像登録とセグメント化のための統一されたアン教師なしフレームワークを提案する。
当社のフレームワークの中核となるのは2つのパッチベースの戦略です。
数値的および視覚的な結果の集合を通して、我々の技術が現在最先端の教師なし技術より優れていることを実証する。
論文 参考訳（メタデータ） (2022-03-10T23:56:29Z) - 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) - 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) - Explaining Clinical Decision Support Systems in Medical Imaging using
Cycle-Consistent Activation Maximization [112.2628296775395]
ディープニューラルネットワークを用いた臨床意思決定支援は、着実に関心が高まりつつあるトピックとなっている。
臨床医は、その根底にある意思決定プロセスが不透明で理解しにくいため、この技術の採用をためらうことが多い。
そこで我々は,より小さなデータセットであっても,分類器決定の高品質な可視化を生成するCycleGANアクティベーションに基づく,新たな意思決定手法を提案する。
論文 参考訳（メタデータ） (2020-10-09T14:39:27Z) - Multi-label Thoracic Disease Image Classification with Cross-Attention
Networks [65.37531731899837]
胸部X線画像から胸部疾患を自動分類するためのCAN(Cross-Attention Networks)を提案する。
また,クロスエントロピー損失を超える新たな損失関数を設計し,クラス間の不均衡を克服する。
論文 参考訳（メタデータ） (2020-07-21T14:37:00Z) - Robust Medical Instrument Segmentation Challenge 2019 [56.148440125599905]
腹腔鏡装置の術中追跡は、しばしばコンピュータとロボットによる介入の必要条件である。
本研究の課題は,30の手術症例から取得した10,040枚の注釈画像からなる外科的データセットに基づいていた。
結果は、初期仮説、すなわち、アルゴリズムの性能がドメインギャップの増大とともに低下することを確認する。
論文 参考訳（メタデータ） (2020-03-23T14:35:08Z) - Learning Deformable Registration of Medical Images with Anatomical
Constraints [4.397224870979238]
医用画像解析の分野では、変形可能な画像登録が根本的な問題である。
我々は,画像解剖学のグローバルな非線形表現をセグメンテーションマスクを用いて学習し,それらを用いて登録プロセスの制約を行う。
実験により,提案した解剖学的制約付き登録モデルにより,最先端の手法よりも現実的で正確な結果が得られることが示された。
論文 参考訳（メタデータ） (2020-01-20T17:44:11Z)
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。