論文の概要: Deep Label Fusion: A 3D End-to-End Hybrid Multi-Atlas Segmentation and
Deep Learning Pipeline
- arxiv url: http://arxiv.org/abs/2103.10892v1
- Date: Fri, 19 Mar 2021 16:25:38 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-22 14:37:55.053813
- Title: Deep Label Fusion: A 3D End-to-End Hybrid Multi-Atlas Segmentation and
Deep Learning Pipeline
- Title(参考訳): Deep Label Fusion: ハイブリッドマルチアトラスセグメンテーションとディープラーニングパイプラインの3次元エンド・ツー・エンド
- Authors: Long Xie, Laura E.M. Wisse, Jiancong Wang, Sadhana Ravikumar, Trevor
Glenn, Anica Luther, Sydney Lim, David A. Wolk, and Paul A. Yushkevich
- Abstract要約: マルチアトラスセグメンテーション(MAS)は、限られたトレーニングデータと良好な汎用性を使用してパフォーマンスを約束しています。
DLF(Deep Label fusion)と呼ばれる,エンドツーエンドのハイブリッドパイプラインを提案する。
実験により, DLFは従来のラベル融合法よりも顕著な改善が得られた。
- 参考スコア(独自算出の注目度): 1.9042462335394976
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Deep learning (DL) is the state-of-the-art methodology in various medical
image segmentation tasks. However, it requires relatively large amounts of
manually labeled training data, which may be infeasible to generate in some
applications. In addition, DL methods have relatively poor generalizability to
out-of-sample data. Multi-atlas segmentation (MAS), on the other hand, has
promising performance using limited amounts of training data and good
generalizability. A hybrid method that integrates the high accuracy of DL and
good generalizability of MAS is highly desired and could play an important role
in segmentation problems where manually labeled data is hard to generate. Most
of the prior work focuses on improving single components of MAS using DL rather
than directly optimizing the final segmentation accuracy via an end-to-end
pipeline. Only one study explored this idea in binary segmentation of 2D
images, but it remains unknown whether it generalizes well to multi-class 3D
segmentation problems. In this study, we propose a 3D end-to-end hybrid
pipeline, named deep label fusion (DLF), that takes advantage of the strengths
of MAS and DL. Experimental results demonstrate that DLF yields significant
improvements over conventional label fusion methods and U-Net, a direct DL
approach, in the context of segmenting medial temporal lobe subregions using 3T
T1-weighted and T2-weighted MRI. Further, when applied to an unseen similar
dataset acquired in 7T, DLF maintains its superior performance, which
demonstrates its good generalizability.
- Abstract(参考訳): deep learning (dl)は、様々な医療画像分割タスクにおける最先端の方法論である。
しかし、比較的大量の手動ラベル付きトレーニングデータが必要であり、一部のアプリケーションでは生成できない可能性がある。
さらに、DL法はサンプル外データに対して比較的一般化性が低い。
一方、マルチアトラスセグメンテーション(MAS)は、限られたトレーニングデータと優れた一般化性を用いて、有望な性能を発揮する。
dlの高精度とmasの優れた一般化性を統合したハイブリッド手法は,手作業でラベル付けされたデータを生成するのが難しいセグメンテーション問題において重要な役割を果たす可能性がある。
以前の作業のほとんどは、エンドツーエンドパイプラインを通じて最終セグメンテーションの精度を直接最適化するのではなく、dlを使用してmasの単一コンポーネントを改善することに重点を置いている。
2dイメージのバイナリセグメンテーションでこのアイデアを探求した研究は1つだけだったが、それがマルチクラス3dセグメンテーション問題にうまく一般化するかどうかは不明である。
本研究では,MAS と DL の長所を生かした3D エンドツーエンドハイブリッドパイプラインである Deep label fusion (DLF) を提案する。
3T T1-weighted と T2-weighted MRI を用いた中側頭葉亜領域の分節化において, DLF は従来のラベル融合法や直接DLアプローチである U-Net よりも有意な改善が得られた。
さらに、7Tで取得した見知らぬ類似データセットに適用すると、DLFはその優れた性能を維持し、優れた一般化性を示している。
関連論文リスト
- Label-Efficient 3D Brain Segmentation via Complementary 2D Diffusion Models with Orthogonal Views [10.944692719150071]
相補的な2次元拡散モデルを用いた新しい3次元脳分割法を提案する。
私たちのゴールは、個々の主題に対して完全なラベルを必要とせずに、信頼性の高いセグメンテーション品質を達成することです。
論文 参考訳(メタデータ) (2024-07-17T06:14:53Z) - Instance Consistency Regularization for Semi-Supervised 3D Instance Segmentation [50.51125319374404]
ラベルのないデータから純粋なインスタンス知識を探索し活用するための,新たな自己学習ネットワークInsTeacher3Dを提案する。
複数の大規模データセットの実験結果から、InsTeacher3Dは最先端の半教師付きアプローチよりも大幅に優れていた。
論文 参考訳(メタデータ) (2024-06-24T16:35:58Z) - Enhancing Single-Slice Segmentation with 3D-to-2D Unpaired Scan Distillation [21.69523493833432]
本研究では, 事前学習した3次元モデルを用いて, 2次元単一スライスセグメンテーションを向上する新しい3D-to-2D蒸留フレームワークを提案する。
同じデータ入力を必要とする従来の知識蒸留法とは異なり、我々のアプローチでは、2次元の学生モデルをガイドするために、コントラストのない3次元CTスキャンを採用しています。
論文 参考訳(メタデータ) (2024-06-18T04:06:02Z) - DatasetNeRF: Efficient 3D-aware Data Factory with Generative Radiance
Fields [73.97131748433212]
本稿では,無限で高品質な3Dアノテーションを3Dポイントクラウドセグメンテーションとともに生成できる新しいアプローチを提案する。
我々は3次元生成モデルに先立って強力なセマンティクスを活用してセマンティクスデコーダを訓練する。
トレーニングが完了すると、デコーダは遅延空間を効率よく一般化し、無限のデータの生成を可能にする。
論文 参考訳(メタデータ) (2023-11-18T21:58:28Z) - Scribble-based 3D Multiple Abdominal Organ Segmentation via
Triple-branch Multi-dilated Network with Pixel- and Class-wise Consistency [20.371144313009122]
そこで本研究では,CTからスクリブル制御された多発性腹部臓器分節に対する2つの整合性制約を有する新しい3Dフレームワークを提案する。
より安定した教師なし学習のために、voxel-wiseの不確実性を用いて、ソフトな擬似ラベルを修正し、各デコーダの出力を監督する。
公開WORDデータセットの実験により,本手法は既存の5つのスクリブル教師付き手法より優れていることが示された。
論文 参考訳(メタデータ) (2023-09-18T12:50:58Z) - LWSIS: LiDAR-guided Weakly Supervised Instance Segmentation for
Autonomous Driving [34.119642131912485]
より巧妙なフレームワークであるLiDAR誘導弱監視インスタンス(LWSIS)を提示する。
LWSISは市販の3Dデータ、すなわちポイントクラウドと3Dボックスを2Dイメージインスタンスセグメンテーションモデルをトレーニングするための自然な弱い監督手段として使用している。
我々のLWSISは、訓練中のマルチモーダルデータの補完情報を利用するだけでなく、密集した2Dマスクのコストを大幅に削減します。
論文 参考訳(メタデータ) (2022-12-07T08:08:01Z) - Self-distillation with Online Diffusion on Batch Manifolds Improves Deep
Metric Learning [23.974500845619175]
DMLのためのオンラインバッチ拡散に基づく自己蒸留(OBD-SD)を提案する。
まず, モデル自体から知識を段階的に蒸留する, 単純だが効果的なプログレッシブ自己蒸留法を提案する。
次に, PSD を Online Batch Diffusion Process (OBDP) で拡張し, 各バッチにおける多様体の局所的幾何学的構造を捉える。
論文 参考訳(メタデータ) (2022-11-14T17:38:07Z) - Collaborative Propagation on Multiple Instance Graphs for 3D Instance
Segmentation with Single-point Supervision [63.429704654271475]
本稿では,1つのオブジェクトを1つのポイントでラベル付けするだけでよい,弱教師付き手法RWSegを提案する。
これらの疎いラベルにより、セマンティック情報とインスタンス情報を伝達する2つの分岐を持つ統一的なフレームワークを導入する。
具体的には、異なるインスタンスグラフ間の競合を促進するクロスグラフ競合ランダムウォークス(CRW)アルゴリズムを提案する。
論文 参考訳(メタデータ) (2022-08-10T02:14:39Z) - Improving Semi-Supervised and Domain-Adaptive Semantic Segmentation with
Self-Supervised Depth Estimation [94.16816278191477]
本稿では,セミアダプティブなセマンティックセマンティックセマンティックセグメンテーションのためのフレームワークを提案する。
ラベルのない画像シーケンスでのみ訓練された自己教師付き単眼深度推定によって強化される。
提案したモデルをCityscapesデータセット上で検証する。
論文 参考訳(メタデータ) (2021-08-28T01:33:38Z) - Three Ways to Improve Semantic Segmentation with Self-Supervised Depth
Estimation [90.87105131054419]
ラベルなし画像列からの自己教師付き単眼深度推定により強化された半教師付きセマンティックセマンティックセマンティックセマンティクスのフレームワークを提案する。
提案されたモデルをCityscapesデータセット上で検証する。
論文 参考訳(メタデータ) (2020-12-19T21:18:03Z) - DMD: A Large-Scale Multi-Modal Driver Monitoring Dataset for Attention
and Alertness Analysis [54.198237164152786]
視覚は運転監視システム(DMS)の最も豊かで費用対効果の高い技術である
十分に大規模で包括的なデータセットの欠如は、DMS開発の進展のボトルネックとなっている。
本稿では,実運転シナリオとシミュレーション運転シナリオを含む広範囲なデータセットであるドライバモニタリングデータセット(DMD)を紹介する。
論文 参考訳(メタデータ) (2020-08-27T12:33:54Z)
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。