Fugu-MT 論文翻訳(概要): Loss Ensembles for Extremely Imbalanced Segmentation

論文の概要: Loss Ensembles for Extremely Imbalanced Segmentation

arxiv url: http://arxiv.org/abs/2101.10815v1
Date: Thu, 31 Dec 2020 12:13:27 GMT
ステータス: 処理完了
システム内更新日: 2021-04-17 16:59:21.364310
Title: Loss Ensembles for Extremely Imbalanced Segmentation
Title（参考訳）: 超不均衡セグメンテーションのための損失アンサンブル
Authors: Jun Ma
Abstract要約: 本総説では,脳mriスキャンから脳動脈瘤の自動分割法について概説する。異なる損失関数から訓練された複数のモデルのアンサンブルを用いる。我々の方法はADAMチャレンジセグメンテーションタスクで1位にランクインしました。
参考スコア（独自算出の注目度）: 9.247774141419134
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: This short paper briefly presents our methodology details of automatic intracranial aneurysms segmentation from brain MR scans. We use ensembles of multiple models trained from different loss functions. Our method ranked first place in the ADAM challenge segmentation task. The code and trained models are publicly available at https://github.com/JunMa11/ADAM2020.
Abstract（参考訳）: 本総説では,脳mriスキャンから脳動脈瘤の自動分割法について概説する。異なる損失関数から訓練された複数のモデルのアンサンブルを用いる。本手法はADAMチャレンジセグメンテーションタスクにおいて第1位にランクインした。コードとトレーニングされたモデルはhttps://github.com/JunMa11/ADAM2020で公開されている。

関連論文リスト

Prompting Segment Anything Model with Domain-Adaptive Prototype for Generalizable Medical Image Segmentation [49.5901368256326]
医用画像のセグメンテーションにおけるセグメンテーションモデル(DAPSAM)の微調整のための新しいドメイン適応型プロンプトフレームワークを提案する。 DAPSAMは,2つの医療画像分割タスクにおいて,異なるモダリティで最先端のパフォーマンスを実現する。
論文参考訳（メタデータ） (2024-09-19T07:28:33Z)
Long-Tailed Anomaly Detection with Learnable Class Names [64.79139468331807]
性能評価のためのクラス不均衡とメトリクスのレベルが異なるデータセットをいくつか導入する。次に、データセットのクラス名に頼ることなく、複数の長い尾を持つクラスから欠陥を検出する新しい手法LTADを提案する。 LTADは、ほとんどの形式のデータセットの不均衡に対して最先端の手法を大幅に上回っている。
論文参考訳（メタデータ） (2024-03-29T15:26:44Z)
Tailored Multi-Organ Segmentation with Model Adaptation and Ensemble [22.82094545786408]
マルチ組織セグメンテーションは、医用画像解析の基本的な課題である。高価な労働コストと専門知識のため、多臓器アノテーションの入手は通常制限される。本稿では,モデル適応段とモデルアンサンブル段からなる新しい2段法を提案する。
論文参考訳（メタデータ） (2023-04-14T13:39:39Z)
Mixed-UNet: Refined Class Activation Mapping for Weakly-Supervised Semantic Segmentation with Multi-scale Inference [28.409679398886304]
我々は、デコードフェーズに2つの並列分岐を持つMixed-UNetという新しいモデルを開発する。地域病院や公開データセットから収集したデータセットに対して,いくつかの一般的なディープラーニングに基づくセグメンテーションアプローチに対して,設計したMixed-UNetを評価した。
論文参考訳（メタデータ） (2022-05-06T08:37:02Z)
Spacing Loss for Discovering Novel Categories [72.52222295216062]
新たなクラスディスカバリ(NCD)は、マシンラーニングモデルがラベルのないデータからインスタンスを意味的にグループ化する、学習パラダイムである。まず,ラベル付きデータとラベルなしデータを併用する必要があるかどうかに基づいて,既存のNCD手法を1段階および2段階の手法に特徴付ける。多次元スケーリングのキューを用いて、潜在空間における分離性を強制する単純で強力な損失関数を考案する。
論文参考訳（メタデータ） (2022-04-22T09:37:11Z)
Dense Unsupervised Learning for Video Segmentation [49.46930315961636]
ビデオオブジェクトセグメンテーション(VOS)のための教師なし学習のための新しいアプローチを提案する。これまでの研究とは異なり、我々の定式化によって、完全に畳み込みの仕組みで、密集した特徴表現を直接学習することができる。我々の手法は、トレーニングデータや計算能力が大幅に少ないにもかかわらず、以前の作業のセグメンテーション精度を超える。
論文参考訳（メタデータ） (2021-11-11T15:15:11Z)
Modality Completion via Gaussian Process Prior Variational Autoencoders for Multi-Modal Glioma Segmentation [75.58395328700821]
本稿では,患者スキャンに欠落するサブモダリティを1つ以上のインプットするために,MGP-VAE(Multi-modal Gaussian Process Prior Variational Autoencoder)を提案する。 MGP-VAEは、変分オートエンコーダ(VAE)に先立ってガウス過程(GP)を利用して、被験者/患者およびサブモダリティ相関を利用することができる。 4つのサブモダリティのうち2つ、または3つが欠落している脳腫瘍に対するMGP-VAEの適用性を示す。
論文参考訳（メタデータ） (2021-07-07T19:06:34Z)
DivergentNets: Medical Image Segmentation by Network Ensemble [0.6372261626436676]
大腸ポリープの検出は、機械学習や消化管内視鏡の分野でトレンドとなっている。 Polypセグメンテーションは、フレーム単位の分類やオブジェクト検出よりも精度が高いという利点がある。 3つの異なるUNetモデルからなるTriUNetというセグメンテーションモデルを提案する。私たちはTriUNetを、UNet++、FPN、DeepLabv3、DeepLabv3+といった有名なセグメンテーションモデルと組み合わせて、より一般化可能な医療画像セグメンテーションマスクを作成する。
論文参考訳（メタデータ） (2021-07-01T08:15:00Z)
Multi-Decoder Networks with Multi-Denoising Inputs for Tumor Segmentation [2.0625936401496237]
マルチデコーダアーキテクチャを用いたエンドツーエンドのディープラーニングに基づくセグメンテーション手法を開発した。また、入力画像にスムースな手法を適用し、ネットワークへの追加入力として復号化バージョンを生成することを提案する。
論文参考訳（メタデータ） (2020-11-16T12:58:03Z)
Bayesian Generative Models for Knowledge Transfer in MRI Semantic Segmentation Problems [15.24006130659201]
本稿では,遺伝ベイズ先行ネットワークを用いた疾患間の知識伝達手法を提案する。提案手法はトレーニング前のアプローチとランダム初期化と比較し,脳腫瘍-2018データベースの小さな部分集合に対するDice similarity Coefficientの測定値から最良の結果を得る。
論文参考訳（メタデータ） (2020-05-26T11:42:17Z)
Unpaired Multi-modal Segmentation via Knowledge Distillation [77.39798870702174]
本稿では,不対向画像分割のための新しい学習手法を提案する。提案手法では,CTおよびMRI間での畳み込みカーネルの共有により,ネットワークパラメータを多用する。我々は2つの多クラスセグメンテーション問題に対するアプローチを広範囲に検証した。
論文参考訳（メタデータ） (2020-01-06T20:03:17Z)

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。