論文の概要: Medical Image Segmentation with Limited Supervision: A Review of Deep Network Models

• arxiv url: http://arxiv.org/abs/2103.00429v1
• Date: Sun, 28 Feb 2021 08:52:49 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-03 17:13:11.823479
• Title: Medical Image Segmentation with Limited Supervision: A Review of Deep Network Models
• Title（参考訳）: 限られた監督による医用画像分割:深層ネットワークモデルの検討
• Authors: Jialin Peng, Ye Wang
• Abstract要約: ほとんどの最先端モデルは、大規模な注釈付きトレーニングの例に大きく依存しており、臨床や医療のタスクでは利用できないことが多い。 医学画像セグメンテーションにおける深層学習モデルを成功させるためには,限られた注記を含む限られた監督から学習と一般化の強い能力が不可欠である。
• 参考スコア（独自算出の注目度）: 4.902303262071206
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Despite the remarkable performance of deep learning methods on various tasks, most cutting-edge models rely heavily on large-scale annotated training examples, which are often unavailable for clinical and health care tasks. The labeling costs for medical images are very high, especially in medical image segmentation, which typically requires intensive pixel/voxel-wise labeling. Therefore, the strong capability of learning and generalizing from limited supervision, including a limited amount of annotations, sparse annotations, and inaccurate annotations, is crucial for the successful application of deep learning models in medical image segmentation. However, due to its intrinsic difficulty, segmentation with limited supervision is challenging and specific model design and/or learning strategies are needed. In this paper, we provide a systematic and up-to-date review of the solutions above, with summaries and comments about the methodologies. We also highlight several problems in this field, discussed future directions observing further investigations.
• Abstract（参考訳）: さまざまなタスクにおけるディープラーニングメソッドの驚くべきパフォーマンスにもかかわらず、ほとんどの最先端のモデルは、大規模な注釈付きトレーニングの例に大きく依存しています。 医用画像のラベリングコストは非常に高く、特に医療用画像のセグメンテーションでは、通常はピクセル/ボクセル単位でのラベリングが必要となる。 したがって,医療画像分割における深層学習モデルの成功には,限定的なアノテーション量,スパースアノテーション,不正確なアノテーションなど,限定的な監督による学習と一般化の強力な能力が不可欠である。 しかし、本質的な困難さから、限定的な監督によるセグメンテーションは困難であり、特定のモデル設計および/または学習戦略が必要である。 本稿では,上記のソリューションの体系的かつ最新のレビューを行い,方法論に関する要約とコメントを提供する。 また,本研究の問題点を浮き彫りにし,今後の研究の方向性について考察した。

関連論文リスト

• Enhancing Medical Image Segmentation with Deep Learning and Diffusion Models [7.53596352508181]
  正確な臨床診断には医用画像分割が不可欠である。 病変と正常な組織とのコントラストの低さ、境界の曖昧さ、患者間の高いばらつきといった課題に直面している。 ディープラーニングはセグメンテーションの精度と効率を改善したが、それでも専門家のアノテーションに大きく依存している。 本稿では,医療画像のセグメンテーションの重要性,現在のディープラーニングアプローチの限界,これらの課題に対処するための拡散モデルの可能性について論じる。
  論文  参考訳（メタデータ） (2024-11-21T17:49:15Z)
• Beyond Pixel-Wise Supervision for Medical Image Segmentation: From Traditional Models to Foundation Models [7.987836953849249]
  既存のセグメンテーションアルゴリズムは主に、トレーニング用のピクセル単位のアノテーションを備えた完全なアノテーション付きイメージの可用性に依存している。 この課題を軽減するため、弱いアノテーションで深層モデルをトレーニングできるセグメンテーション手法の開発に注目が集まっている。 視覚基盤モデルの出現、特にSAM(Segment Anything Model)は、弱いアノテーションを使ったセグメンテーションタスクの革新的な機能を導入した。
  論文  参考訳（メタデータ） (2024-04-20T02:40:49Z)
• Guidelines for Cerebrovascular Segmentation: Managing Imperfect Annotations in the context of Semi-Supervised Learning [3.231698506153459]
  教師付き学習法は、十分な量のラベル付きデータを入力した場合に優れた性能を達成する。 このようなラベルは一般的に、非常に時間がかかり、エラーが発生し、製造コストがかかる。 半教師付き学習アプローチはラベル付きデータとラベルなしデータの両方を活用する。
  論文  参考訳（メタデータ） (2024-04-02T09:31:06Z)
• Learning with Limited Annotations: A Survey on Deep Semi-Supervised Learning for Medical Image Segmentation [8.946871799178338]
  本稿では,最近提案された医用画像分割のための半教師あり学習手法について概観する。 既存のアプローチの限界と未解決の問題を分析し,議論する。
  論文  参考訳（メタデータ） (2022-07-28T15:57:46Z)
• Domain Generalization for Mammography Detection via Multi-style and Multi-view Contrastive Learning [47.30824944649112]
  限られたリソースを持つ様々なベンダーに対して,ディープラーニングモデルの一般化能力を高めるために,新しいコントラスト学習手法を開発した。 バックボーンネットワークは、さまざまなベンダースタイルに不変機能を組み込むために、マルチスタイルでマルチビューで教師なしの自己学習スキームで訓練されている。 実験結果から,本手法は目視領域と目視領域の両方における検出性能を効果的に向上する可能性が示唆された。
  論文  参考訳（メタデータ） (2021-11-21T14:29:50Z)
• Every Annotation Counts: Multi-label Deep Supervision for Medical Image Segmentation [85.0078917060652]
  この障壁を克服する半弱教師付きセグメンテーションアルゴリズムを提案する。 このアプローチは,深層指導と生徒・教師モデルの新しい定式化に基づいている。 我々の新しいセグメンテーションのトレーニング体制は、完全にラベル付けされ、バウンディングボックスでマークされた画像、単にグローバルラベル、あるいは全くないイメージを柔軟に活用することで、高価なラベルの要件を94.22%削減することができる。
  論文  参考訳（メタデータ） (2021-04-27T14:51:19Z)
• 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)
• Towards Robust Partially Supervised Multi-Structure Medical Image Segmentation on Small-Scale Data [123.03252888189546]
  データ不足下における部分教師付き学習(PSL)における方法論的ギャップを埋めるために,不確実性下でのビシナルラベル(VLUU)を提案する。 マルチタスク学習とヴィジナルリスク最小化によって動機づけられたVLUUは、ビジナルラベルを生成することによって、部分的に教師付き問題を完全な教師付き問題に変換する。 本研究は,ラベル効率の高い深層学習における新たな研究の方向性を示唆するものである。
  論文  参考訳（メタデータ） (2020-11-28T16:31:00Z)
• Towards Unsupervised Learning for Instrument Segmentation in Robotic Surgery with Cycle-Consistent Adversarial Networks [54.00217496410142]
  本稿では、入力された内視鏡画像と対応するアノテーションとのマッピングを学習することを目的として、未ペア画像から画像への変換を提案する。 当社のアプローチでは,高価なアノテーションを取得することなく,イメージセグメンテーションモデルをトレーニングすることが可能です。 提案手法をEndovis 2017チャレンジデータセットで検証し,教師付きセグメンテーション手法と競合することを示す。
  論文  参考訳（メタデータ） (2020-07-09T01:39:39Z)
• 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)

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。