論文の概要: Weakly Supervised Volumetric Segmentation via Self-taught Shape Denoising Model

• arxiv url: http://arxiv.org/abs/2104.13082v1
• Date: Tue, 27 Apr 2021 10:03:45 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-28 13:28:19.494344
• Title: Weakly Supervised Volumetric Segmentation via Self-taught Shape Denoising Model
• Title（参考訳）: 自己学習型形状デノジングモデルによる重み付きボリュームセグメンテーション
• Authors: Qian He, Shuailin Li and Xuming He
• Abstract要約: モデル予測と学習の両方において、3D形状をより良く捉えることのできる、弱監督型セグメント化戦略を提案する。 本研究の目的は,弱いラベルを利用して自己学習型形状表現を抽出し,その表現をセグメント化予測に組み込むことである。
• 参考スコア（独自算出の注目度）: 27.013224147257198
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Weakly supervised segmentation is an important problem in medical image analysis due to the high cost of pixelwise annotation. Prior methods, while often focusing on weak labels of 2D images, exploit few structural cues of volumetric medical images. To address this, we propose a novel weakly-supervised segmentation strategy capable of better capturing 3D shape prior in both model prediction and learning. Our main idea is to extract a self-taught shape representation by leveraging weak labels, and then integrate this representation into segmentation prediction for shape refinement. To this end, we design a deep network consisting of a segmentation module and a shape denoising module, which are trained by an iterative learning strategy. Moreover, we introduce a weak annotation scheme with a hybrid label design for volumetric images, which improves model learning without increasing the overall annotation cost. The empirical experiments show that our approach outperforms existing SOTA strategies on three organ segmentation benchmarks with distinctive shape properties. Notably, we can achieve strong performance with even 10\% labeled slices, which is significantly superior to other methods.
• Abstract（参考訳）: 弱い教師付きセグメンテーションは、ピクセルワイズアノテーションのコストが高いため、医用画像解析において重要な問題である。 従来の手法では、しばしば2D画像の弱いラベルにフォーカスするが、ボリューム医学画像の構造的手がかりはほとんど利用しない。 そこで本研究では,モデル予測と学習の両方において3次元形状をよりよく把握できる,新しい弱教師付きセグメンテーション戦略を提案する。 本研究の目的は,弱いラベルを利用して自己学習型形状表現を抽出し,その表現をセグメント化予測に組み込むことである。 この目的のために,反復学習戦略によって学習されるセグメンテーションモジュールと形状弁別モジュールからなる深層ネットワークを設計する。 さらに,ボリューム画像に対するハイブリッドラベル設計による弱いアノテーション方式を導入し,全体のアノテーションコストを増大させることなくモデル学習を改善する。 実験の結果, 形状特性の異なる3つの臓器セグメンテーションベンチマークにおいて, 既存のsoma戦略を上回った。 特に、10倍のラベル付きスライスでも高い性能を達成でき、他の方法よりもはるかに優れている。

関連論文リスト

• Volumetric Medical Image Segmentation via Scribble Annotations and Shape Priors [3.774643767869751]
  本稿では,3次元異方性画像セグメント化に取り組むスクリブルベースボリューム画像セグメント化Scribble2D5を提案する。 これを実現するために,提案するラベル伝搬モジュールを用いて2.5D注目UNetを拡張し,スクリブルからのセマンティック情報を拡張する。 また,未ペアセグメント化マスクの形状事前情報を組み込んだオプションアドオンコンポーネントを提案し,モデル精度をさらに向上する。
  論文  参考訳（メタデータ） (2023-10-12T07:17:14Z)
• SwIPE: Efficient and Robust Medical Image Segmentation with Implicit Patch Embeddings [12.79344668998054]
  正確な局所境界線とグローバルな形状コヒーレンスを実現するために,SwIPE(Segmentation with Implicit Patch Embeddings)を提案する。 その結果,最近の暗黙的アプローチよりもSwIPEは大幅に改善され,パラメータが10倍以上の最先端の離散手法よりも優れていた。
  論文  参考訳（メタデータ） (2023-07-23T20:55:11Z)
• Semi-Supervised Single-View 3D Reconstruction via Prototype Shape Priors [79.80916315953374]
  本研究では,3次元再構成のための半教師付きフレームワークであるSSP3Dを提案する。 本稿では,現実的なオブジェクト再構成を導くために,注意誘導型プロトタイプ形状先行モジュールを提案する。 実世界のPix3Dデータセットに10%のラベリング比で転送する場合も,本手法は良好に機能する。
  論文  参考訳（メタデータ） (2022-09-30T11:19:25Z)
• PA-Seg: Learning from Point Annotations for 3D Medical Image Segmentation using Contextual Regularization and Cross Knowledge Distillation [14.412073730567137]
  本稿では,3次元医用画像の7点のみのセグメンテーションターゲットに注釈を付け,弱教師付き学習フレームワークPA-Segを設計する。 第1段階では、より監督的な信号を提供するために、シードポイントを拡張するために測地距離変換を用いる。 第2段階では、第1段階で事前学習されたモデルから得られた予測を擬似ラベルとして使用する。
  論文  参考訳（メタデータ） (2022-08-11T07:00:33Z)
• One Sketch for All: One-Shot Personalized Sketch Segmentation [84.45203849671003]
  そこで本研究では,最初のワンショットパーソナライズドスケッチセグメンテーション手法を提案する。 我々は、同じカテゴリに属するすべてのスケッチを、特定の部分アノテーション付きの1つのスケッチでセグメント化することを目指している。 私たちは、例に埋め込まれた部分のセマンティクスを保存し、入力スタイルと抽象化に堅牢です。
  論文  参考訳（メタデータ） (2021-12-20T20:10:44Z)
• One-shot Weakly-Supervised Segmentation in Medical Images [12.184590794655517]
  ワンショットおよび弱教師付き設定による3次元医用画像セグメンテーションの革新的枠組みを提案する。 注釈付きボリュームからラベルなしの3D画像へスクリブルを投影するために,伝搬再構成ネットワークを提案する。 デュアルレベルの特徴記述モジュールは、解剖学的およびピクセルレベルの特徴に基づいて、スクリブルを洗練させるように設計されている。
  論文  参考訳（メタデータ） (2021-11-21T09:14:13Z)
• One Thing One Click: A Self-Training Approach for Weakly Supervised 3D Semantic Segmentation [78.36781565047656]
  私たちは、アノテーションーがオブジェクトごとに1ポイントだけラベルを付ける必要があることを意味する「One Thing One Click」を提案します。 グラフ伝搬モジュールによって促進されるトレーニングとラベル伝搬を反復的に行う。 私たちの結果は、完全に監督されたものと同等です。
  論文  参考訳（メタデータ） (2021-04-06T02:27:25Z)
• 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)
• Weakly-supervised Learning For Catheter Segmentation in 3D Frustum Ultrasound [74.22397862400177]
  超音波を用いた新しいカテーテルセグメンテーション法を提案する。 提案手法は,1ボリュームあたり0.25秒の効率で最先端の性能を実現した。
  論文  参考訳（メタデータ） (2020-10-19T13:56:22Z)
• Shape-aware Semi-supervised 3D Semantic Segmentation for Medical Images [24.216869988183092]
  本稿では,豊富なラベルのないデータを活用し,セグメント化出力に幾何学的形状制約を課す,形状認識型半教師付きセグメンテーション戦略を提案する。 物体表面のセマンティックセグメンテーションと符号付き距離マップDMを共同で予測するマルチタスクディープネットワークを開発した。 実験の結果,提案手法は形状推定を改良し,最先端の手法よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2020-07-21T11:44:52Z)
• Monocular Human Pose and Shape Reconstruction using Part Differentiable Rendering [53.16864661460889]
  近年の研究では、3次元基底真理によって教師されるディープニューラルネットワークを介してパラメトリックモデルを直接推定する回帰に基づく手法が成功している。 本稿では,ボディセグメンテーションを重要な監視対象として紹介する。 部分分割による再構成を改善するために,部分分割により部分ベースモデルを制御可能な部分レベル微分可能部を提案する。
  論文  参考訳（メタデータ） (2020-03-24T14:25:46Z)

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。