論文の概要: AIDE: Annotation-efficient deep learning for automatic medical image segmentation

• arxiv url: http://arxiv.org/abs/2012.04885v2
• Date: Mon, 14 Dec 2020 09:47:02 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-16 02:08:23.772836
• Title: AIDE: Annotation-efficient deep learning for automatic medical image segmentation
• Title（参考訳）: AIDE:自動画像分割のためのアノテーション効率の深い深層学習
• Authors: Cheng Li, Rongpin Wang, Zaiyi Liu, Meiyun Wang, Hongna Tan, Yaping Wu, Xinfeng Liu, Hui Sun, Rui Yang, Xin Liu, Ismail Ben Ayed, Hairong Zheng, Hanchuan Peng, Shanshan Wang
• Abstract要約: クロスモデル自己修正機構を精巧に設計し、不完全なデータセットを処理するための effIcient Deep lEarning (AIDE) を紹介します。 AIDEは、完全に教師された担当者によって生成されるものと同等のセグメンテーションマップを一貫して生成する。 このような専門家のラベルを活用する効率の10倍の改善は、幅広い生物医学的応用を促進する可能性があります。
• 参考スコア（独自算出の注目度）: 22.410878684721286
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate image segmentation is crucial for medical imaging applications. The prevailing deep learning approaches typically rely on very large training datasets with high-quality manual annotations, which are often not available in medical imaging. We introduce Annotation-effIcient Deep lEarning (AIDE) to handle imperfect datasets with an elaborately designed cross-model self-correcting mechanism. AIDE improves the segmentation Dice scores of conventional deep learning models on open datasets possessing scarce or noisy annotations by up to 30%. For three clinical datasets containing 11,852 breast images of 872 patients from three medical centers, AIDE consistently produces segmentation maps comparable to those generated by the fully supervised counterparts as well as the manual annotations of independent radiologists by utilizing only 10% training annotations. Such a 10-fold improvement of efficiency in utilizing experts' labels has the potential to promote a wide range of biomedical applications.
• Abstract（参考訳）: 正確な画像分割は医用画像の応用に不可欠である。 一般的なディープラーニングアプローチは、高品質な手動アノテーションを備えた非常に大規模なトレーニングデータセットに依存しており、医療画像では利用できないことが多い。 AIDE(Annotation-effIcient Deep lEarning)を導入し、不完全なデータセットを精巧に設計したクロスモデル自己修正機構で処理する。 aideは、少ないアノテーションや騒がしいアノテーションを持つオープンデータセット上で、従来のディープラーニングモデルのセグメンテーションdiceスコアを最大30%改善する。 3つの医療センターの852人の患者の乳房画像11,852点を含む3つの臨床データセットにおいて、aideは、10%のトレーニングアノテーションを使用して、完全に監督された医師が生成したものと同等のセグメンテーションマップを一貫して作成している。 このような専門家のラベルを活用する際の効率の10倍の改善は、幅広い生物医学的応用を促進する可能性がある。

関連論文リスト

• Towards Unifying Anatomy Segmentation: Automated Generation of a Full-body CT Dataset via Knowledge Aggregation and Anatomical Guidelines [113.08940153125616]
  我々は533巻のボクセルレベルのラベルを142ドル(約1万2000円)で、全身CTスキャンのデータセットを作成し、解剖学的包括的カバレッジを提供する。 提案手法はラベル集約段階において手作業によるアノテーションに依存しない。 我々はCTデータに142ドルの解剖学的構造を予測できる統一解剖学的セグメンテーションモデルをリリースする。
  論文  参考訳（メタデータ） (2023-07-25T09:48:13Z)
• PCDAL: A Perturbation Consistency-Driven Active Learning Approach for Medical Image Segmentation and Classification [12.560273908522714]
  監視された学習は、医用画像のアプリケーションを取得するのに費用がかかり、時間がかかり、実用的でない、大規模な注釈付きデータに大きく依存している。 アクティブラーニング(AL)手法は、アノテーションのコストを削減するために、自然な画像分類タスクに広く応用されている。 本稿では,2次元医用画像分類,セグメンテーション,および3次元医用画像分割タスクに同時に適用可能なALベースの手法を提案する。
  論文  参考訳（メタデータ） (2023-06-29T13:11:46Z)
• FBA-Net: Foreground and Background Aware Contrastive Learning for Semi-Supervised Atrium Segmentation [10.11072886547561]
  半教師付き3次元医用画像セグメンテーションのための,前景と背景表現の対照的な学習戦略を提案する。 我々のフレームワークは、半教師付き3次元医用画像セグメンテーションの分野を前進させる可能性を秘めている。
  論文  参考訳（メタデータ） (2023-06-27T04:14:50Z)
• Learnable Weight Initialization for Volumetric Medical Image Segmentation [66.3030435676252]
  本稿では,学習可能な重みに基づくハイブリッド医療画像セグメンテーション手法を提案する。 我々のアプローチはどんなハイブリッドモデルにも簡単に統合でき、外部のトレーニングデータを必要としない。 多臓器・肺がんセグメンテーションタスクの実験は、我々のアプローチの有効性を実証している。
  論文  参考訳（メタデータ） (2023-06-15T17:55:05Z)
• Semi-Supervised and Self-Supervised Collaborative Learning for Prostate 3D MR Image Segmentation [8.527048567343234]
  MR画像分割は,多くの臨床応用において重要な役割を担っている。 ディープラーニング(DL)は、最近、様々な画像セグメンテーションタスクにおいて最先端または人間レベルのパフォーマンスを達成した。 本研究では,前立腺MR画像セグメンテーションのための半教師付き,自己教師型協調学習フレームワークを訓練することを目的とする。
  論文  参考訳（メタデータ） (2022-11-16T11:40:13Z)
• Deep Learning Based Cardiac MRI Segmentation: Do We Need Experts? [12.36854197042851]
  非専門的な基盤データに基づいてトレーニングされたセグメンテーションニューラルネットワークは、すべての実用目的に対して、専門家の基盤データと同様に優れたものであることを示す。 我々は、心臓データセットのアノテーションを効率的かつ安価に作成する機会を強調した。
  論文  参考訳（メタデータ） (2021-07-23T20:10:58Z)
• Towards Unsupervised Learning for Instrument Segmentation in Robotic Surgery with Cycle-Consistent Adversarial Networks [54.00217496410142]
  本稿では、入力された内視鏡画像と対応するアノテーションとのマッピングを学習することを目的として、未ペア画像から画像への変換を提案する。 当社のアプローチでは,高価なアノテーションを取得することなく,イメージセグメンテーションモデルをトレーニングすることが可能です。 提案手法をEndovis 2017チャレンジデータセットで検証し,教師付きセグメンテーション手法と競合することを示す。
  論文  参考訳（メタデータ） (2020-07-09T01:39:39Z)
• Suggestive Annotation of Brain Tumour Images with Gradient-guided Sampling [14.092503407739422]
  本稿では,脳腫瘍画像に対する効率的なアノテーションフレームワークを提案する。 実験によると、BraTS 2019データセットから、わずか19%の注釈付き患者スキャンでセグメンテーションモデルをトレーニングすることは、腫瘍セグメンテーションタスク全体のデータセット上でモデルをトレーニングするのと同等のパフォーマンスを達成することができる。
  論文  参考訳（メタデータ） (2020-06-26T13:39:49Z)
• A Global Benchmark of Algorithms for Segmenting Late Gadolinium-Enhanced Cardiac Magnetic Resonance Imaging [90.29017019187282]
  現在世界最大の心臓LGE-MRIデータセットである154個の3D LGE-MRIを用いた「2018 left Atrium Challenge」。 技術および生物学的指標を用いた提案アルゴリズムの解析を行った。 その結果, 最上部法は93.2%, 平均表面は0.7mmであった。
  論文  参考訳（メタデータ） (2020-04-26T08:49:17Z)
• Weakly supervised multiple instance learning histopathological tumor segmentation [51.085268272912415]
  スライド画像全体のセグメント化のための弱教師付きフレームワークを提案する。 トレーニングモデルに複数のインスタンス学習スキームを利用する。 提案するフレームワークは,The Cancer Genome AtlasとPatchCamelyonデータセットのマルチロケーションとマルチ中心公開データに基づいて評価されている。
  論文  参考訳（メタデータ） (2020-04-10T13:12:47Z)
• 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。