論文の概要: Unsupervised Learning of Local Discriminative Representation for Medical
Images
- arxiv url: http://arxiv.org/abs/2012.09333v2
- Date: Wed, 24 Mar 2021 12:30:47 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-02 07:29:48.784121
- Title: Unsupervised Learning of Local Discriminative Representation for Medical
Images
- Title（参考訳）: 医用画像における局所判別表現の教師なし学習
- Authors: Huai Chen, Jieyu Li, Renzhen Wang, Yijie Huang, Fanrui Meng, Deyu
Meng, Qing Peng, Lisheng Wang
- Abstract要約: 局所識別表現は、多くの医療画像分析タスクで必要です。
本研究では,地域差別を教師なし表現学習に導入する。
提案手法の有効性と有用性を示した。
- 参考スコア（独自算出の注目度）: 32.155071351332964
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Local discriminative representation is needed in many medical image analysis
tasks such as identifying sub-types of lesion or segmenting detailed components
of anatomical structures. However, the commonly applied supervised
representation learning methods require a large amount of annotated data, and
unsupervised discriminative representation learning distinguishes different
images by learning a global feature, both of which are not suitable for
localized medical image analysis tasks. In order to avoid the limitations of
these two methods, we introduce local discrimination into unsupervised
representation learning in this work. The model contains two branches: one is
an embedding branch which learns an embedding function to disperse dissimilar
pixels over a low-dimensional hypersphere; and the other is a clustering branch
which learns a clustering function to classify similar pixels into the same
cluster. These two branches are trained simultaneously in a mutually beneficial
pattern, and the learnt local discriminative representations are able to well
measure the similarity of local image regions. These representations can be
transferred to enhance various downstream tasks. Meanwhile, they can also be
applied to cluster anatomical structures from unlabeled medical images under
the guidance of topological priors from simulation or other structures with
similar topological characteristics. The effectiveness and usefulness of the
proposed method are demonstrated by enhancing various downstream tasks and
clustering anatomical structures in retinal images and chest X-ray images.
- Abstract（参考訳）: 局所的な識別的表現は、病変のサブタイプの同定や解剖学的構造の詳細な構成要素の分節化など、多くの医療画像解析タスクにおいて必要である。
しかし, 一般に適用されている表現学習法では, 大量の注釈付きデータを必要とするため, 局所的な医用画像解析には適さないグローバルな特徴を学習することで, 異なる画像の識別を行う。
この2つの手法の限界を回避するため,本稿では教師なし表現学習に局所的差別を導入する。
モデルには2つのブランチが含まれている: 1つは、低次元の超球上に異種画素を分散させる埋め込み関数を学習する埋め込みブランチ、もう1つはクラスタリング関数を学習し、類似画素を同じクラスタに分類するクラスタリングブランチである。
これら2つの枝は相互に有益なパターンで同時に訓練され、学習された局所判別表現は局所画像領域の類似性を適切に測定することができる。
これらの表現は、様々な下流タスクを強化するために転送できる。
また, シミュレーションや同様のトポロジカルな特徴を持つ他の構造から, トポロジカル先行の指導の下で, 無ラベルの医用画像から解剖学的構造をクラスタリングすることも可能である。
提案手法の有効性と有用性は,網膜画像および胸部X線画像における様々な下流タスクの強化と解剖学的構造のクラスタリングによって示される。
関連論文リスト
- Bayesian Unsupervised Disentanglement of Anatomy and Geometry for Deep Groupwise Image Registration [50.62725807357586]
本稿では,マルチモーダル群画像登録のための一般ベイズ学習フレームワークを提案する。
本稿では,潜在変数の推論手順を実現するために,新しい階層的変分自動符号化アーキテクチャを提案する。
心臓、脳、腹部の医療画像から4つの異なるデータセットを含む,提案された枠組みを検証する実験を行った。
論文 参考訳（メタデータ） (2024-01-04T08:46:39Z) - 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) - Mine yOur owN Anatomy: Revisiting Medical Image Segmentation with Extremely Limited Labels [54.58539616385138]
我々は、Mine yOur owN Anatomy (MONA) と呼ばれる、新しい半教師付き2次元医用画像セグメンテーションフレームワークを紹介する。
まず、先行研究では、すべてのピクセルがモデルトレーニングに等しく重要であると論じており、我々はこの1つだけで意味のある解剖学的特徴を定義できないことを経験的に観察している。
第2に,医療画像を解剖学的特徴の集合に分解できるモデルを構築する。
論文 参考訳（メタデータ） (2022-09-27T15:50:31Z) - Learning Discriminative Representation via Metric Learning for
Imbalanced Medical Image Classification [52.94051907952536]
本稿では,特徴抽出器がより識別的な特徴表現を抽出するのを助けるために,2段階フレームワークの第1段階にメトリック学習を組み込むことを提案する。
主に3つの医用画像データセットを用いて実験したところ、提案手法は既存の1段階と2段階のアプローチより一貫して優れていた。
論文 参考訳（メタデータ） (2022-07-14T14:57:01Z) - Stain based contrastive co-training for histopathological image analysis [61.87751502143719]
本稿では,ヒストリボリューション画像の分類のための,新しい半教師付き学習手法を提案する。
我々は、半教師付き学習フレームワークを作成するために、パッチレベルのアノテーションと、新しいコトレーニング損失を併用した強力な監視を採用する。
透明細胞腎細胞および前立腺癌に対するアプローチを評価し,最先端の半教師あり学習法の改善を実証した。
論文 参考訳（メタデータ） (2022-06-24T22:25:31Z) - Leveraging Uncertainty for Deep Interpretable Classification and
Weakly-Supervised Segmentation of Histology Images [25.429124017422385]
深い教師付き手法は、解釈可能性のための画像分類とROIセグメンテーションを可能にする。
これらの手法は、偽陽性率を高める非識別領域を明示的にモデル化するメカニズムを欠いている。
本研究では,非識別領域と識別領域の両方を求める新しい正規化項を提案する。
論文 参考訳（メタデータ） (2022-05-12T02:18:23Z) - Unsupervised Local Discrimination for Medical Images [35.14445357879895]
コントラスト表現学習は、医用画像処理における高価な注釈付きデータの需要を軽減する効果的な方法である。
最近の研究は主に、グローバルな特徴を学習するインスタンスワイドな差別に基づいているが、局所的な詳細は無視されている。
医療モデルを効果的に初期化するために,局所的識別特徴を学習するための普遍的局所識別フレームワークを提案する。
論文 参考訳（メタデータ） (2021-08-21T04:53:19Z) - A Spatial Guided Self-supervised Clustering Network for Medical Image
Segmentation [16.448375091671004]
医用画像分割のための空間ガイド型自己監視クラスタリングネットワーク(SGSCN)を提案する。
単一の画像から、各ピクセルの特徴表現とクラスタリングの割り当てをエンドツーエンドで反復的に学習する。
本手法を2つの公開医用画像データセット上で評価し,従来の自己監督型クラスタリング法と比較した。
論文 参考訳（メタデータ） (2021-07-11T00:40:40Z) - 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) - Orientation-Disentangled Unsupervised Representation Learning for
Computational Pathology [6.468635277309852]
本稿では,回転同変畳み込みネットワークの群構造を利用して,変分自動エンコーダフレームワークの拡張を提案する。
訓練されたモデルが単一セル画像の固有方向情報を効率的に切り離すことを示す。
論文 参考訳（メタデータ） (2020-08-26T16:57:45Z) - Cross-stained Segmentation from Renal Biopsy Images Using Multi-level
Adversarial Learning [13.30545860115548]
クロスステンドセグメンテーションのための堅牢で柔軟なモデルを設計する。
対象の染色画像のセグメンテーション性能を改善し、ラベルなしデータを用いてラベル付きデータと類似の精度を実現する。
論文 参考訳（メタデータ） (2020-02-20T06:49:48Z)
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。