論文の概要: Boosting Segmentation Performance across datasets using histogram
specification with application to pelvic bone segmentation
- arxiv url: http://arxiv.org/abs/2101.11135v1
- Date: Tue, 26 Jan 2021 23:48:40 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-13 23:51:13.633096
- Title: Boosting Segmentation Performance across datasets using histogram
specification with application to pelvic bone segmentation
- Title（参考訳）: 骨盤骨分割法を用いたヒストグラムによるデータセット間のセグメンテーション性能の向上
- Authors: Prabhakara Subramanya Jois, Aniketh Manjunath and Thomas Fevens
- Abstract要約: 限られたデータで訓練されたネットワークの性能を高めるために,画像のトーン分布の変調と深層学習に基づく手法を提案する。
セグメンテーションタスクは、拡張BCE-IoU損失関数を使用して最適化されたEfficientNet-B0バックボーンを備えたU-Net構成を使用します。
- 参考スコア（独自算出の注目度）: 1.3750624267664155
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Accurate segmentation of the pelvic CTs is crucial for the clinical diagnosis
of pelvic bone diseases and for planning patient-specific hip surgeries. With
the emergence and advancements of deep learning for digital healthcare, several
methodologies have been proposed for such segmentation tasks. But in a low data
scenario, the lack of abundant data needed to train a Deep Neural Network is a
significant bottle-neck. In this work, we propose a methodology based on
modulation of image tonal distributions and deep learning to boost the
performance of networks trained on limited data. The strategy involves
pre-processing of test data through histogram specification. This simple yet
effective approach can be viewed as a style transfer methodology. The
segmentation task uses a U-Net configuration with an EfficientNet-B0 backbone,
optimized using an augmented BCE-IoU loss function. This configuration is
validated on a total of 284 images taken from two publicly available CT
datasets, TCIA (a cancer imaging archive) and the Visible Human Project. The
average performance measures for the Dice coefficient and Intersection over
Union are 95.7% and 91.9%, respectively, give strong evidence for the
effectiveness of the approach, which is highly competitive with
state-of-the-art methodologies.
- Abstract（参考訳）: 骨盤ctの正確な分割は骨盤疾患の臨床診断や患者の特発性股関節手術の計画に不可欠である。
デジタル医療のための深層学習の出現と進歩に伴い、このようなセグメンテーションタスクにはいくつかの方法論が提案されている。
しかし、低データシナリオでは、深層ニューラルネットワークのトレーニングに必要な大量のデータがないことは、重要な問題である。
本研究では,画像の声調分布の変調と深層学習に基づく手法を提案し,限られたデータで訓練されたネットワークの性能を高める。
この戦略は、ヒストグラム仕様によるテストデータの事前処理を含む。
この単純で効果的なアプローチは、スタイル転送手法と見なすことができる。
セグメンテーションタスクは、拡張BCE-IoU損失関数を使用して最適化されたEfficientNet-B0バックボーンを備えたU-Net構成を使用します。
この構成は、TCIA(がん画像アーカイブ)とVisible Human Projectの2つの公開CTデータセットから撮影した合計284枚の画像で検証されます。
ダイス係数とユニオンに対するインターセクションの平均性能は、それぞれ95.7%と91.9%であり、最先端の方法論と非常に競合するアプローチの有効性の強い証拠を与える。
関連論文リスト
- Simple 2D Convolutional Neural Network-based Approach for COVID-19 Detection [8.215897530386343]
本研究では,肺CT画像解析におけるディープラーニング技術の利用について検討した。
我々は,CTスキャンに適した高度な空間スライス特徴学習(SSFL++)フレームワークを提案する。
本研究の目的は,CTスキャン全体のアウト・オブ・ディストリビューション(OOD)データをフィルタリングし,データ冗長性を70%削減して解析に不可欠な空間スライス特徴を選択することである。
論文 参考訳（メタデータ） (2024-03-17T14:34:51Z) - Label-efficient Multi-organ Segmentation Method with Diffusion Model [6.413416851085592]
我々は,CT画像における多臓器分割作業のための事前学習拡散モデルを用いたラベル効率の学習手法を提案する。
提案手法は, FLARE 2022データセットの最先端手法と比較して, 競合する多臓器セグメンテーション性能を実現する。
論文 参考訳（メタデータ） (2024-02-23T09:25:57Z) - Augmentation is AUtO-Net: Augmentation-Driven Contrastive Multiview
Learning for Medical Image Segmentation [3.1002416427168304]
この論文は網膜血管セグメンテーションの課題に焦点を当てている。
深層学習に基づく医用画像セグメンテーションアプローチの広範な文献レビューを提供する。
効率的でシンプルな多視点学習フレームワークを提案する。
論文 参考訳（メタデータ） (2023-11-02T06:31:08Z) - ARHNet: Adaptive Region Harmonization for Lesion-aware Augmentation to
Improve Segmentation Performance [61.04246102067351]
本研究では,合成画像をよりリアルに見せるために,前景調和フレームワーク(ARHNet)を提案する。
実画像と合成画像を用いたセグメンテーション性能の向上に本手法の有効性を実証する。
論文 参考訳（メタデータ） (2023-07-02T10:39:29Z) - 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) - Cut-Paste Consistency Learning for Semi-Supervised Lesion Segmentation [0.20305676256390934]
半教師付き学習は、深層ニューラルネットワークを訓練する際のデータ効率を改善する可能性がある。
本稿では,切削ペースト増分法と整合性正規化の考え方を基礎として,簡易な半教師付き学習法を提案する。
論文 参考訳（メタデータ） (2022-10-01T04:43:54Z) - Learning Fuzzy Clustering for SPECT/CT Segmentation via Convolutional
Neural Networks [5.3123694982708365]
QBSPECT(Quantitative bone single-photon emission Computed Tomography)は、平面骨シンチグラフィよりも骨転移をより定量的に評価する可能性を秘めています。
解剖学的領域-関心(ROI)のセグメント化は、まだ専門家による手動の記述に大きく依存しています。
本研究では,QBSPECT画像を病変,骨,背景に分割するための高速かつ堅牢な自動分割法を提案する。
論文 参考訳（メタデータ） (2021-04-17T19:03:52Z) - An Uncertainty-Driven GCN Refinement Strategy for Organ Segmentation [53.425900196763756]
本研究では,不確実性解析とグラフ畳み込みネットワークに基づくセグメンテーション改善手法を提案する。
半教師付きグラフ学習問題を定式化するために、特定の入力ボリュームにおける畳み込みネットワークの不確実性レベルを用いる。
本手法は膵臓で1%,脾臓で2%向上し,最先端のCRF改善法よりも優れていた。
論文 参考訳（メタデータ） (2020-12-06T18:55:07Z) - ECG-DelNet: Delineation of Ambulatory Electrocardiograms with Mixed
Quality Labeling Using Neural Networks [69.25956542388653]
ディープラーニング(DL)アルゴリズムは、学術的、産業的にも重くなっている。
セグメンテーションフレームワークにECGの検出とデライン化を組み込むことにより、低解釈タスクにDLをうまく適用できることを実証する。
このモデルは、PhyloNetのQTデータベースを使用して、105個の増幅ECG記録から訓練された。
論文 参考訳（メタデータ） (2020-05-11T16:29:12Z) - Pathological Retinal Region Segmentation From OCT Images Using Geometric
Relation Based Augmentation [84.7571086566595]
本稿では,幾何学と形状の内在的関係を共同で符号化することで,従来のGANベースの医用画像合成法よりも優れた手法を提案する。
提案手法は,取得手順の異なる画像を有する公開RETOUCHデータセット上で,最先端のセグメンテーション手法より優れている。
論文 参考訳（メタデータ） (2020-03-31T11:50:43Z) - Automatic Data Augmentation via Deep Reinforcement Learning for
Effective Kidney Tumor Segmentation [57.78765460295249]
医用画像セグメンテーションのための新しい学習ベースデータ拡張法を開発した。
本手法では,データ拡張モジュールと後続のセグメンテーションモジュールをエンドツーエンドのトレーニング方法で一貫した損失と,革新的に組み合わせる。
提案法の有効性を検証したCT腎腫瘍分節法について,本法を広範囲に評価した。
論文 参考訳（メタデータ） (2020-02-22T14:10:13Z)
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。