論文の概要: Benefits of Linear Conditioning for Segmentation using Metadata

• arxiv url: http://arxiv.org/abs/2102.09582v1
• Date: Thu, 18 Feb 2021 19:03:58 GMT
• ステータス: 処理完了
• システム内更新日: 2021-02-22 18:10:46.252534
• Title: Benefits of Linear Conditioning for Segmentation using Metadata
• Title（参考訳）: メタデータを用いたセグメンテーションにおけるリニアコンディショニングのメリット
• Authors: Andreanne Lemay, Charley Gros, Olivier Vincent, Yaou Liu, Joseph Paul Cohen, Julien Cohen-Adad
• Abstract要約: 画像セグメンテーションタスクにFiLMと呼ばれるリニアコンディショニング手法を適用します。 We observed a average Dice score increase of 5.1% on spinal tumor segmentation when the tumor type with FiLM。
• 参考スコア（独自算出の注目度）: 2.4932758829952095
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Medical images are often accompanied by metadata describing the image (vendor, acquisition parameters) and the patient (disease type or severity, demographics, genomics). This metadata is usually disregarded by image segmentation methods. In this work, we adapt a linear conditioning method called FiLM (Feature-wise Linear Modulation) for image segmentation tasks. This FiLM adaptation enables integrating metadata into segmentation models for better performance. We observed an average Dice score increase of 5.1% on spinal cord tumor segmentation when incorporating the tumor type with FiLM. The metadata modulates the segmentation process through low-cost affine transformations applied on feature maps which can be included in any neural network's architecture. Additionally, we assess the relevance of segmentation FiLM layers for tackling common challenges in medical imaging: training with limited or unbalanced number of annotated data, multi-class training with missing segmentations, and model adaptation to multiple tasks. Our results demonstrated the following benefits of FiLM for segmentation: FiLMed U-Net was robust to missing labels and reached higher Dice scores with few labels (up to 16.7%) compared to single-task U-Net. The code is open-source and available at www.ivadomed.org.
• Abstract（参考訳）: 医療画像には、しばしば画像(ベンダー、取得パラメータ)と患者(タイプまたは重症度、人口統計学、ゲノム学)を記述するメタデータが伴います。 このメタデータは通常、イメージセグメンテーションメソッドによって無視される。 本研究では,FILM (Feature-wise Linear Modulation) と呼ばれる線形コンディショニング手法を画像分割タスクに適応させる。 このFiLM適応により、メタデータをセグメンテーションモデルに統合し、パフォーマンスを向上させます。 We observed a average Dice score increase of 5.1% on spinal tumor segmentation when the tumor type with FiLM。 メタデータは、任意のニューラルネットワークのアーキテクチャに含まれる機能マップに適用される低コストのアフィン変換によって、セグメンテーションプロセスを変調する。 さらに, 医用画像における共通課題に取り組むためのセグメンテーション膜層との関連性について検討した。 限定的・非平衡的データのトレーニング, セグメンテーションの欠如したマルチクラストレーニング, および複数のタスクへのモデル適応。 FiLMed U-Netは、欠落したラベルに対して堅牢であり、シングルタスクU-Netと比較してラベル数が少ない(最大16.7%)高いDiceスコアを達成しました。 コードはオープンソースで、www.ivadomed.orgで入手できる。

関連論文リスト

• I-MedSAM: Implicit Medical Image Segmentation with Segment Anything [24.04558900909617]
  提案するI-MedSAMは、連続表現とSAMの両方の利点を利用して、クロスドメイン能力と正確な境界線を求める。 トレーニング可能なパラメータが1.6Mしかない提案手法は、離散的および暗黙的を含む既存の手法よりも優れている。
  論文  参考訳（メタデータ） (2023-11-28T00:43:52Z)
• Self-Supervised Neuron Segmentation with Multi-Agent Reinforcement Learning [53.00683059396803]
  マスク画像モデル(MIM)は,マスク画像から元の情報を復元する簡便さと有効性から広く利用されている。 本稿では、強化学習(RL)を利用して最適な画像マスキング比とマスキング戦略を自動検索する決定に基づくMIMを提案する。 本手法は,ニューロン分節の課題において,代替自己監督法に対して有意な優位性を有する。
  論文  参考訳（メタデータ） (2023-10-06T10:40:46Z)
• CGAM: Click-Guided Attention Module for Interactive Pathology Image Segmentation via Backpropagating Refinement [8.590026259176806]
  腫瘍領域のセグメンテーションは、デジタル病理の定量的解析に欠かせない課題である。 最近のディープニューラルネットワークは、様々な画像分割タスクで最先端のパフォーマンスを示している。 本稿では,クリック型ユーザインタラクションによるディープニューラルネットワークの出力を改良する対話的セグメンテーション手法を提案する。
  論文  参考訳（メタデータ） (2023-07-03T13:45:24Z)
• 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)
• Learning from partially labeled data for multi-organ and tumor segmentation [102.55303521877933]
  本稿では,トランスフォーマーに基づく動的オンデマンドネットワーク(TransDoDNet)を提案する。 動的ヘッドにより、ネットワークは複数のセグメンテーションタスクを柔軟に達成することができる。 我々はMOTSと呼ばれる大規模にラベル付けされたMulti-Organ and tumorベンチマークを作成し、他の競合相手よりもTransDoDNetの方が優れた性能を示す。
  論文  参考訳（メタデータ） (2022-11-13T13:03:09Z)
• Two-Stream Graph Convolutional Network for Intra-oral Scanner Image Segmentation [133.02190910009384]
  本稿では,2ストリームグラフ畳み込みネットワーク(TSGCN)を提案する。 TSGCNは3次元歯(表面)セグメンテーションにおいて最先端の方法よりも優れています。
  論文  参考訳（メタデータ） (2022-04-19T10:41:09Z)
• Unsupervised Cross-Modality Domain Adaptation for Segmenting Vestibular Schwannoma and Cochlea with Data Augmentation and Model Ensemble [4.942327155020771]
  本稿では,前庭神経新生と子牛を識別する教師なし学習フレームワークを提案する。 本フレームワークは,T1強調MRI(ceT1-w)とそのラベルからの情報を活用し,対象領域にラベルが存在しないT2強調MRIのセグメンテーションを生成する。 提案手法は,VS と cochlea のそれぞれの平均値 0.7930 と 0.7432 で,有望なセグメンテーションの構築と生成が容易である。
  論文  参考訳（メタデータ） (2021-09-24T20:10:05Z)
• Anatomy-Constrained Contrastive Learning for Synthetic Segmentation without Ground-truth [8.513014699605499]
  AccSeg-Net (AccSeg-Net) を用いて, 対象画像の分割ネットワークを訓練した。 CBCT, MRI, PET画像データに適用し, 従来法に比べ, セグメンテーション性能が優れていた。
  論文  参考訳（メタデータ） (2021-07-12T14:54:04Z)
• Segmenter: Transformer for Semantic Segmentation [79.9887988699159]
  セマンティックセグメンテーションのためのトランスフォーマーモデルであるSegmenterを紹介します。 最近のViT(Vision Transformer)上に構築し,セマンティックセグメンテーションに拡張する。 これは、挑戦的なADE20Kデータセット上でのアートの状態を上回り、Pascal ContextとCityscapesでオンパーを実行する。
  論文  参考訳（メタデータ） (2021-05-12T13:01:44Z)
• Pairwise Relation Learning for Semi-supervised Gland Segmentation [90.45303394358493]
  病理組織像における腺分節に対するPRS2モデルを提案する。 このモデルはセグメンテーションネットワーク(S-Net)とペア関係ネットワーク(PR-Net)から構成される。 我々は,GlaSデータセットの最近の5つの手法とCRAGデータセットの最近の3つの手法を比較した。
  論文  参考訳（メタデータ） (2020-08-06T15:02:38Z)

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。