論文の概要: Multi-task Semi-supervised Learning for Pulmonary Lobe Segmentation

• arxiv url: http://arxiv.org/abs/2104.11017v1
• Date: Thu, 22 Apr 2021 12:33:30 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-23 14:01:02.884516
• Title: Multi-task Semi-supervised Learning for Pulmonary Lobe Segmentation
• Title（参考訳）: 肺葉分節に対するマルチタスク半教師あり学習
• Authors: Jingnan Jia, Zhiwei Zhai, M. Els Bakker, I. Hernandez Giron, Marius Staring, Berend C. Stoel
• Abstract要約: 肺葉のセグメンテーションは肺疾患の解析における重要な前処理課題である。 ディープラーニングベースのメソッドは、これらの従来のアプローチを上回ります。 深層マルチタスク学習は、複数の異なる構造のラベルを活用することが期待される。
• 参考スコア（独自算出の注目度）: 2.8016091833446617
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Pulmonary lobe segmentation is an important preprocessing task for the analysis of lung diseases. Traditional methods relying on fissure detection or other anatomical features, such as the distribution of pulmonary vessels and airways, could provide reasonably accurate lobe segmentations. Deep learning based methods can outperform these traditional approaches, but require large datasets. Deep multi-task learning is expected to utilize labels of multiple different structures. However, commonly such labels are distributed over multiple datasets. In this paper, we proposed a multi-task semi-supervised model that can leverage information of multiple structures from unannotated datasets and datasets annotated with different structures. A focused alternating training strategy is presented to balance the different tasks. We evaluated the trained model on an external independent CT dataset. The results show that our model significantly outperforms single-task alternatives, improving the mean surface distance from 7.174 mm to 4.196 mm. We also demonstrated that our approach is successful for different network architectures as backbones.
• Abstract（参考訳）: 肺葉分節は肺疾患の解析における重要な前処理課題である。 肺血管や気道の分布など、裂け目検出や解剖学的特徴に依存する伝統的な手法は、適度に正確な葉の分節を与える可能性がある。 ディープラーニングベースのメソッドは、従来のアプローチよりも優れていますが、大きなデータセットが必要です。 深層マルチタスク学習は複数の異なる構造のラベルを活用することが期待される。 しかし、一般的にこのようなラベルは複数のデータセットに分散される。 本稿では,無注釈のデータセットと異なる構造を持つデータセットから複数の構造の情報を活用できるマルチタスク半教師付きモデルを提案する。 異なるタスクのバランスをとるために、集中した交互トレーニング戦略が提示されます。 外部独立したCTデータセットを用いてトレーニングモデルの評価を行った。 その結果、本モデルはシングルタスクの代替品を著しく上回り、平均表面距離を7.174mmから4.196mmに改善した。 また、我々のアプローチがバックボーンとして異なるネットワークアーキテクチャで成功していることも示しました。

関連論文リスト

• Automated Label Unification for Multi-Dataset Semantic Segmentation with GNNs [48.406728896785296]
  本稿では,グラフニューラルネットワークを用いて,複数のデータセットにまたがる統一ラベル空間を自動構築する手法を提案する。 従来の手法と異なり,本手法は手動の注釈や分類の調整を必要とせず,シームレスな訓練を容易にする。
  論文  参考訳（メタデータ） (2024-07-15T08:42:10Z)
• MTP: Advancing Remote Sensing Foundation Model via Multi-Task Pretraining [73.81862342673894]
  ファンデーションモデルは、様々な画像解釈タスクを強化することで、リモートセンシング(RS)のランドスケープを再構築した。 事前訓練されたモデルを下流のタスクに転送することは、イメージ分類やオブジェクト識別タスクとして事前訓練の定式化によるタスクの相違に遭遇する可能性がある。 SAMRSデータセット上で、セマンティックセグメンテーション、インスタンスセグメンテーション、回転オブジェクト検出を含むマルチタスクによる事前トレーニングを行う。 我々のモデルは、シーン分類、水平・回転物体検出、セマンティックセグメンテーション、変化検出など、様々なRS下流タスクに基づいて微調整される。
  論文  参考訳（メタデータ） (2024-03-20T09:17:22Z)
• 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)
• MultiTalent: A Multi-Dataset Approach to Medical Image Segmentation [1.146419670457951]
  現在のプラクティスでは、モデルトレーニングと教師付き事前トレーニングを、1つまたはいくつかの類似したデータセットに制限している。 我々は多種多様なクラス定義を持つ複数のCTデータセットを活用する手法であるMultiTalentを提案する。
  論文  参考訳（メタデータ） (2023-03-25T11:37:16Z)
• Learning from Temporal Spatial Cubism for Cross-Dataset Skeleton-based Action Recognition [88.34182299496074]
  アクションラベルはソースデータセットでのみ利用可能だが、トレーニング段階のターゲットデータセットでは利用できない。 我々は,2つの骨格に基づく行動データセット間の領域シフトを低減するために,自己スーパービジョン方式を利用する。 時間的セグメントや人体部分のセグメンテーションとパーフォーミングにより、我々は2つの自己教師あり学習分類タスクを設計する。
  論文  参考訳（メタデータ） (2022-07-17T07:05:39Z)
• One Model is All You Need: Multi-Task Learning Enables Simultaneous Histology Image Segmentation and Classification [3.8725005247905386]
  組織領域のセグメンテーションと分類のためのマルチタスク学習手法を提案する。 一つのネットワークで同時予測を可能にする。 また,機能共有の結果,学習した表現が下流タスクの改善に有効であることを示す。
  論文  参考訳（メタデータ） (2022-02-28T20:22:39Z)
• Revisiting Contrastive Methods for Unsupervised Learning of Visual Representations [78.12377360145078]
  対照的な自己教師型学習は、セグメンテーションやオブジェクト検出といった多くの下流タスクにおいて教師付き事前訓練よりも優れています。 本稿では,データセットのバイアスが既存手法にどのように影響するかを最初に検討する。 現在のコントラストアプローチは、(i)オブジェクト中心対シーン中心、(ii)一様対ロングテール、(iii)一般対ドメイン固有データセットなど、驚くほどうまく機能することを示す。
  論文  参考訳（メタデータ） (2021-06-10T17:59:13Z)
• OmiEmbed: reconstruct comprehensive phenotypic information from multi-omics data using multi-task deep learning [19.889861433855053]
  高次元オミクスデータは、パーソナライズド医療に不可欠な本質的なバイオメディカル情報を含む。 多数の分子的特徴と少量のサンプルのために、ゲノム全体のデータからそれらを捉えることは困難である。 我々は,高次元オミクスデータから表現型の全体的かつ比較的正確なプロファイルを捉えるために,OmiEmbedという統合マルチタスク深層学習フレームワークを提案した。
  論文  参考訳（メタデータ） (2021-02-03T07:34:29Z)
• MultiMix: Sparingly Supervised, Extreme Multitask Learning From Medical Images [13.690075845927606]
  本稿では,病気の分類と解剖学的分類を軽視的に学習する新しいマルチタスク学習モデルであるMultiMixを提案する。 胸部X線画像からの肺炎の分類と肺の分画に対するマルチタスキングモデルの有効性について検討した。
  論文  参考訳（メタデータ） (2020-10-28T03:47:29Z)
• Label-Efficient Multi-Task Segmentation using Contrastive Learning [0.966840768820136]
  比較学習に基づくサブタスクを用いたマルチタスクセグメンテーションモデルを提案し、その性能を他のマルチタスクモデルと比較する。 提案手法は,アノテートデータの量に制限がある場合に,最先端の完全教師付きモデルを含む他のマルチタスク手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2020-09-23T14:12:17Z)
• 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。

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。