論文の概要: IFSS-Net: Interactive Few-Shot Siamese Network for Faster Muscle
Segmentation and Propagation in Volumetric Ultrasound
- arxiv url: http://arxiv.org/abs/2011.13246v2
- Date: Sat, 30 Jan 2021 11:40:48 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-20 08:12:15.870507
- Title: IFSS-Net: Interactive Few-Shot Siamese Network for Faster Muscle
Segmentation and Propagation in Volumetric Ultrasound
- Title（参考訳）: IFSS-Net:高速な筋切片形成と音波伝搬のための対話型Few-Shot Siamese Network
- Authors: Dawood Al Chanti, Vanessa Gonzalez Duque, Marion Crouzier, Antoine
Nordez, Lilian Lacourpaille, and Diana Mateus
- Abstract要約: 本研究では,3次元自由手超音波データにおける分割と筋マスクの伝搬の精度,迅速かつ効率的な方法を提案する。
我々は,臨床専門家が注釈付けした参照マスクを伝搬するために,深層シームズ3Dデコーダネットワークを使用する。
44名の被験者から得られた61600枚の画像のデータセットに対して, セグメンテーション, ラベル伝搬, ボリューム計算のアプローチを検証した。
- 参考スコア（独自算出の注目度）: 6.132753289255568
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We present an accurate, fast and efficient method for segmentation and muscle
mask propagation in 3D freehand ultrasound data, towards accurate volume
quantification. A deep Siamese 3D Encoder-Decoder network that captures the
evolution of the muscle appearance and shape for contiguous slices is deployed.
We uses it to propagate a reference mask annotated by a clinical expert. To
handle longer changes of the muscle shape over the entire volume and to provide
an accurate propagation, we devise a Bidirectional Long Short Term Memory
module. Also, to train our model with a minimal amount of training samples, we
propose a strategy combining learning from few annotated 2D ultrasound slices
with sequential pseudo-labeling of the unannotated slices. We introduce a
decremental update of the objective function to guide the model convergence in
the absence of large amounts of annotated data. After training with a small
number of volumes, the decremental update transitions from a weakly-supervised
training to a few-shot setting. Finally, to handle the class-imbalance between
foreground and background muscle pixels, we propose a parametric Tversky loss
function that learns to adaptively penalize false positives and false
negatives. We validate our approach for the segmentation, label propagation,
and volume computation of the three low-limb muscles on a dataset of 61600
images from 44 subjects. We achieve a Dice score coefficient of over $95~\%$
and a volumetric error \textcolor{black}{of} $1.6035 \pm 0.587~\%$.
- Abstract（参考訳）: 本稿では,3次元自由ハンド超音波データにおけるセグメント化と筋マスク伝播の高精度,高速,効率的な方法を提案する。
連続スライスのための筋肉の外観と形状の進化をキャプチャするディープシームズ3Dエンコーダデコーダネットワークを配置する。
臨床専門家が注釈付けした参照マスクを伝播するために使用する。
容積全体の筋肉形状の長期変化に対処し,正確な伝播を実現するため,双方向長短期記憶モジュールを考案した。
また,少量のトレーニングサンプルでモデルのトレーニングを行うために,いくつかの注釈付き2次元超音波スライスからの学習と,注釈なしスライスの逐次擬似ラベルを組み合わせた戦略を提案する。
本稿では,多量のアノテートデータがない場合のモデル収束を導くために,目的関数のデクリメント更新を提案する。
少量のボリュームでトレーニングした後、デクリメント更新は弱い教師付きトレーニングから少数の設定へと移行する。
最後に,前景と背景筋のクラス不均衡を扱うために,偽陽性と偽陰性を適応的にペナルティ化するパラメトリックなTversky損失関数を提案する。
44名の被験者から得られた61600画像のデータセット上で, 3つの下肢筋のセグメンテーション, ラベル伝播, ボリューム計算のアプローチを検証する。
Dice スコア係数は 95~\%$ 以上で、ボリューム誤差 \textcolor{black}{of} $1.6035 \pm 0.587~\%$ である。
関連論文リスト
- MIS-FM: 3D Medical Image Segmentation using Foundation Models Pretrained
on a Large-Scale Unannotated Dataset [14.823114726604853]
本稿では,3次元セグメンテーションモデルを事前学習するための,VF(Volume Fusion)と呼ばれる新たな自己教師型学習戦略を提案する。
VFは、手動のアノテーションなしで自己教師付きセグメンテーションタスクとして定式化される各ボクセルの融合係数を予測するようモデルを強制する。
頭部, 頸部臓器, 胸部, 腹部臓器など, 下流領域の異なる部位を対象とする実験により, 我々の事前訓練モデルがスクラッチからトレーニングに優れていたことが判明した。
論文 参考訳（メタデータ） (2023-06-29T13:22:13Z) - You Only Need One Thing One Click: Self-Training for Weakly Supervised
3D Scene Understanding [107.06117227661204]
私たちはOne Thing One Click''を提案する。つまり、アノテーションはオブジェクトごとに1つのポイントをラベル付けするだけです。
グラフ伝搬モジュールによって促進されるトレーニングとラベル伝搬を反復的に行う。
我々のモデルは、ポイントクラスタリング戦略を備えた3Dインスタンスセグメンテーションと互換性がある。
論文 参考訳（メタデータ） (2023-03-26T13:57:00Z) - GLEAM: Greedy Learning for Large-Scale Accelerated MRI Reconstruction [50.248694764703714]
アンロールされたニューラルネットワークは、最近最先端の加速MRI再構成を達成した。
これらのネットワークは、物理ベースの一貫性とニューラルネットワークベースの正規化を交互に組み合わせることで、反復最適化アルゴリズムをアンロールする。
我々は,高次元画像設定のための効率的なトレーニング戦略である加速度MRI再構成のためのグレディ・ラーニングを提案する。
論文 参考訳（メタデータ） (2022-07-18T06:01:29Z) - Using the Order of Tomographic Slices as a Prior for Neural Networks
Pre-Training [1.1470070927586016]
ボリュームの代わりにスライス上でSortingLossを事前学習する手法を提案する。
ボリュームではなくスライスで事前トレーニングを行うので、スライスのスパースセットでモデルを微調整することができる。
提案手法はSimCLRと同等に動作し、2倍高速に動作し、1.5倍少ないメモリを必要とすることを示す。
論文 参考訳（メタデータ） (2022-03-17T14:58:15Z) - Automatic size and pose homogenization with spatial transformer network
to improve and accelerate pediatric segmentation [51.916106055115755]
空間変換器ネットワーク(STN)を利用することにより、ポーズとスケール不変の新たなCNNアーキテクチャを提案する。
私たちのアーキテクチャは、トレーニング中に一緒に見積もられる3つのシーケンシャルモジュールで構成されています。
腹部CTスキャナーを用いた腎および腎腫瘍の分節法について検討した。
論文 参考訳（メタデータ） (2021-07-06T14:50:03Z) - Cherry-Picking Gradients: Learning Low-Rank Embeddings of Visual Data
via Differentiable Cross-Approximation [53.95297550117153]
本稿では,大規模な視覚データテンソルの処理を行うエンドツーエンドのトレーニング可能なフレームワークを提案する。
提案手法は大規模多次元グリッドデータや,大規模受容領域上のコンテキストを必要とするタスクに特に有用である。
論文 参考訳（メタデータ） (2021-05-29T08:39:57Z) - One Thing One Click: A Self-Training Approach for Weakly Supervised 3D
Semantic Segmentation [78.36781565047656]
私たちは、アノテーションーがオブジェクトごとに1ポイントだけラベルを付ける必要があることを意味する「One Thing One Click」を提案します。
グラフ伝搬モジュールによって促進されるトレーニングとラベル伝搬を反復的に行う。
私たちの結果は、完全に監督されたものと同等です。
論文 参考訳（メタデータ） (2021-04-06T02:27:25Z) - Convolution-Free Medical Image Segmentation using Transformers [8.130670465411239]
近接する画像パッチ間の自己注意に基づく別の手法が,競争的あるいはよりよい結果が得られることを示す。
提案モデルにより,3つのデータセット上でのCNNの状態よりも優れたセグメンテーション精度が得られることを示す。
論文 参考訳（メタデータ） (2021-02-26T18:49:13Z) - Weakly-supervised Learning For Catheter Segmentation in 3D Frustum
Ultrasound [74.22397862400177]
超音波を用いた新しいカテーテルセグメンテーション法を提案する。
提案手法は,1ボリュームあたり0.25秒の効率で最先端の性能を実現した。
論文 参考訳（メタデータ） (2020-10-19T13:56:22Z) - Uniformizing Techniques to Process CT scans with 3D CNNs for
Tuberculosis Prediction [5.270882613122642]
深部2次元畳み込みニューラルネットワーク(CNN)を用いたボリュームデータにおける医用画像解析への共通アプローチ
個々のスライスを2D CNNで独立に扱うと、意図したタスクのパフォーマンスが低下する深度情報を意図的に破棄する。
上記の問題に対処するためのボリューム均一化手法のセットを評価する。
画像情報のみを活用する全手法に勝るテストセットに対して,曲線下面積 (AUC) と二分分類精度 (ACC) を67.5%と報告した。
論文 参考訳（メタデータ） (2020-07-26T21:53:47Z)
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。