論文の概要: Few-shot Medical Image Segmentation using a Global Correlation Network
with Discriminative Embedding
- arxiv url: http://arxiv.org/abs/2012.05440v1
- Date: Thu, 10 Dec 2020 04:01:07 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-15 06:25:21.539772
- Title: Few-shot Medical Image Segmentation using a Global Correlation Network
with Discriminative Embedding
- Title（参考訳）: 判別埋め込みを用いた大域的相関ネットワークを用いた医療画像のマイナショットセグメンテーション
- Authors: Liyan Sun, Chenxin Li, Xinghao Ding, Yue Huang, Guisheng Wang and
Yizhou Yu
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 60.89561661441736
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Despite deep convolutional neural networks achieved impressive progress in
medical image computing and analysis, its paradigm of supervised learning
demands a large number of annotations for training to avoid overfitting and
achieving promising results. In clinical practices, massive semantic
annotations are difficult to acquire in some conditions where specialized
biomedical expert knowledge is required, and it is also a common condition
where only few annotated classes are available. In this work, we proposed a
novel method for few-shot medical image segmentation, which enables a
segmentation model to fast generalize to an unseen class with few training
images. We construct our few-shot image segmentor using a deep convolutional
network trained episodically. Motivated by the spatial consistency and
regularity in medical images, we developed an efficient global correlation
module to capture the correlation between a support and query image and
incorporate it into the deep network called global correlation network.
Moreover, we enhance discriminability of deep embedding to encourage clustering
of the feature domains of the same class while keep the feature domains of
different organs far apart. Ablation Study proved the effectiveness of the
proposed global correlation module and discriminative embedding loss. Extensive
experiments on anatomical abdomen images on both CT and MRI modalities are
performed to demonstrate the state-of-the-art performance of our proposed
model.
- Abstract（参考訳）: 深層畳み込みニューラルネットワークは、医用画像の計算と分析において顕著な進歩を遂げたにもかかわらず、教師付き学習のパラダイムは、過剰な適合を避け、有望な結果を達成するために、トレーニングのための大量のアノテーションを要求する。
臨床実践においては, 専門的な生物医学的知識を必要とする状況において, 大量の意味的アノテーションを得ることは困難であり, 注釈付きクラスがほとんど存在しない場合も一般的である。
本研究では,訓練画像の少ない未発見クラスにセグメンテーションモデルを高速に一般化する,医療画像セグメンテーションのための新しい手法を提案する。
我々は, 深層畳み込みネットワークを用いて, エピソディカルに訓練した画像分割器を構築した。
医用画像の空間的一貫性と規則性により,サポート画像とクエリ画像の相関を捕捉し,グローバル相関ネットワークと呼ばれるディープネットワークに組み込む,効率的なグローバル相関モジュールを開発した。
さらに,異なる臓器の機能ドメインを遠くに保ちながら,同一クラスの特徴ドメインのクラスタリングを促進するために,深層埋め込みの識別性を高める。
アブレーション研究は,大域相関モジュールと判別埋め込み損失の有効性を実証した。
解剖学的腹部像のCT像とMRI像の併用実験を行い,本モデルの有効性を実証した。
関連論文リスト
- Applying Conditional Generative Adversarial Networks for Imaging Diagnosis [3.881664394416534]
本研究は、スタックド・ホアーグラス・ネットワーク(SHGN)と統合されたコンディショナル・ジェネレーション・アドバイザリアル・ネットワーク(C-GAN)の革新的な応用を紹介する。
我々は、複雑な画像データセットに適用されるディープラーニングモデルに共通するオーバーフィッティングの問題に、回転とスケーリングを通じてデータを増大させることで対処する。
血管内超音波(IVUS)画像において,L1とL2再構成損失を併用したハイブリッド損失関数を導入する。
論文 参考訳（メタデータ） (2024-07-17T23:23:09Z) - Few-shot Medical Image Segmentation with Cycle-resemblance Attention [20.986884555902183]
医用画像セマンティックセグメンテーション分野における注目度は少ない。
本稿では,医療画像分割ネットワークを提案する。
本稿では,クエリと医用画像のサポートのピクセルワイド関係をフル活用するための新しいCRAモジュールを提案する。
論文 参考訳（メタデータ） (2022-12-07T21:55:26Z) - Reliable Joint Segmentation of Retinal Edema Lesions in OCT Images [55.83984261827332]
本稿では,信頼性の高いマルチスケールウェーブレットエンハンストランスネットワークを提案する。
本研究では,ウェーブレット型特徴抽出器ネットワークとマルチスケール変圧器モジュールを統合したセグメンテーションバックボーンを開発した。
提案手法は,他の最先端セグメンテーション手法と比較して信頼性の高いセグメンテーション精度を実現する。
論文 参考訳（メタデータ） (2022-12-01T07:32:56Z) - Generalizable multi-task, multi-domain deep segmentation of sparse
pediatric imaging datasets via multi-scale contrastive regularization and
multi-joint anatomical priors [0.41998444721319217]
本稿では,複数のデータセットに対して単一セグメンテーションネットワークを最適化する,新しいマルチタスク・マルチドメイン学習フレームワークを提案する。
足関節, 膝関節, 肩関節の3つの軽度, 小児画像データセットを用いた骨分節術の成績について検討した。
論文 参考訳（メタデータ） (2022-07-27T12:59:16Z) - Cross-level Contrastive Learning and Consistency Constraint for
Semi-supervised Medical Image Segmentation [46.678279106837294]
半教師型医用画像セグメンテーションにおける局所特徴の表現能力を高めるためのクロスレベルコンストラシティブ学習手法を提案する。
クロスレベルなコントラスト学習と一貫性制約の助けを借りて、非ラベル付きデータを効果的に探索してセグメンテーション性能を向上させることができる。
論文 参考訳（メタデータ） (2022-02-08T15:12:11Z) - Multimodal Transfer Learning-based Approaches for Retinal Vascular
Segmentation [2.672151045393935]
網膜微小循環の研究は、高血圧や糖尿病などの多くの眼疾患および全身疾患の分析において重要な問題です。
FCNはイメージセグメンテーションにおける最も成功したアプローチである。
本研究では,網膜血管セグメンテーションに対するマルチモーダルトランスファー学習に基づくアプローチを提案する。
論文 参考訳（メタデータ） (2020-12-18T10:38:35Z) - 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) - 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) - Unsupervised Bidirectional Cross-Modality Adaptation via Deeply
Synergistic Image and Feature Alignment for Medical Image Segmentation [73.84166499988443]
我々は、Synergistic Image and Feature Alignment (SIFA)と名付けられた新しい教師なしドメイン適応フレームワークを提案する。
提案するSIFAは、画像と特徴の両方の観点から、ドメインの相乗的アライメントを行う。
2つの異なるタスクに対する実験結果から,SIFA法は未ラベル対象画像のセグメンテーション性能を向上させるのに有効であることが示された。
論文 参考訳（メタデータ） (2020-02-06T13:49:47Z)
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。