論文の概要: Sli2Vol: Annotate a 3D Volume from a Single Slice with Self-Supervised Learning

• arxiv url: http://arxiv.org/abs/2105.12722v1
• Date: Wed, 26 May 2021 17:56:39 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-27 14:57:39.511291
• Title: Sli2Vol: Annotate a 3D Volume from a Single Slice with Self-Supervised Learning
• Title（参考訳）: Sli2Vol: 自己監督学習による単一スライスからの3Dボリュームアノテーション
• Authors: Pak-Hei Yeung, Ana I.L. Namburete, Weidi Xie
• Abstract要約: 連続スライス間の親和性行列を用いて2次元スライス分割を簡易に伝播させることにより,高い精度が得られることを示す。 具体的には、Sli2Volと呼ばれる提案されたフレームワークと、教師なしアプローチと、他の2つの教師なし/自己教師なしスライス登録アプローチを比較した。 提案手法は, 異なるマシンと異なるSOIを用いて, 異なるマシンからのデータにまたがって一般化可能であることを示す。
• 参考スコア（独自算出の注目度）: 19.137587581615538
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The objective of this work is to segment any arbitrary structures of interest (SOI) in 3D volumes by only annotating a single slice, (i.e. semi-automatic 3D segmentation). We show that high accuracy can be achieved by simply propagating the 2D slice segmentation with an affinity matrix between consecutive slices, which can be learnt in a self-supervised manner, namely slice reconstruction. Specifically, we compare the proposed framework, termed as Sli2Vol, with supervised approaches and two other unsupervised/ self-supervised slice registration approaches, on 8 public datasets (both CT and MRI scans), spanning 9 different SOIs. Without any parameter-tuning, the same model achieves superior performance with Dice scores (0-100 scale) of over 80 for most of the benchmarks, including the ones that are unseen during training. Our results show generalizability of the proposed approach across data from different machines and with different SOIs: a major use case of semi-automatic segmentation methods where fully supervised approaches would normally struggle. The source code will be made publicly available at https://github.com/pakheiyeung/Sli2Vol.
• Abstract（参考訳）: この研究の目的は、任意の興味のある構造(soi)を1つのスライス(すなわち)にアノテートするだけで3dボリュームに分割することである。 半自動3Dセグメンテーション) 本研究では,2次元スライス分割を連続スライス間の親和性行列で単純に伝播させることにより,高精度なスライス分割を実現することができることを示す。 具体的には,提案フレームワークであるsli2volと,教師なし/自己教師なしの2つのスライス登録アプローチを比較し,8つの公開データセット(ctとmriスキャンの両方)で9つの異なるsoiにまたがる。 パラメータチューニングがなければ、同じモデルはDiceスコア(0-100スケール)で、トレーニング中に目に見えないものを含め、ほとんどのベンチマークで80以上のパフォーマンスを達成する。 本研究は,提案手法が,異なるマシンと異なる sois を用いたデータ間で一般化可能であることを示す。 ソースコードはhttps://github.com/pakheiyeung/Sli2Vol.comで公開されている。

関連論文リスト

• Bayesian Self-Training for Semi-Supervised 3D Segmentation [59.544558398992386]
  3Dセグメンテーションはコンピュータビジョンの中核的な問題である。 完全に教師されたトレーニングを採用するために、3Dポイントクラウドを密にラベル付けすることは、労働集約的で高価です。 半教師付きトレーニングは、ラベル付きデータの小さなセットのみを付与し、より大きなラベル付きデータセットを伴って、より実用的な代替手段を提供する。
  論文  参考訳（メタデータ） (2024-09-12T14:54:31Z)
• SAI3D: Segment Any Instance in 3D Scenes [68.57002591841034]
  新規なゼロショット3Dインスタンスセグメンテーション手法であるSAI3Dを紹介する。 我々の手法は3Dシーンを幾何学的プリミティブに分割し、段階的に3Dインスタンスセグメンテーションにマージする。 ScanNet、Matterport3D、さらに難しいScanNet++データセットに関する実証的な評価は、我々のアプローチの優位性を示している。
  論文  参考訳（メタデータ） (2023-12-17T09:05:47Z)
• OneFormer3D: One Transformer for Unified Point Cloud Segmentation [5.530212768657545]
  本稿では,統合された,シンプルで効果的なセグメンテーションタスクのセマンティクス,例,およびパノプティックセグメンテーションタスクを共同で提案する。 OneFormer3Dという名前のモデルは、学習可能なカーネルのグループを使用して、インスタンスとセマンティックセグメンテーションを一貫して実行する。 また、ScanNet、ScanNet200、S3DISデータセットのセマンティック、例、およびパノプティックセグメンテーションにおいて、最先端の結果を示す。
  論文  参考訳（メタデータ） (2023-11-24T10:56:27Z)
• SCVCNet: Sliding cross-vector convolution network for cross-task and inter-individual-set EEG-based cognitive workload recognition [15.537230343119875]
  本稿では,脳波パターンを利用した認知作業量認識装置の汎用的手法を提案する。 パワースペクトル密度の微細な周波数構造を解析することにより,脳波のタスクおよび個々のセットに関する干渉を除去するSCVCNetというニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2023-09-21T13:06:30Z)
• SATR: Zero-Shot Semantic Segmentation of 3D Shapes [74.08209893396271]
  大規模オフザシェルフ2次元画像認識モデルを用いて3次元形状のゼロショット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課題について検討する。 本研究では、SATRアルゴリズムを開発し、ShapeNetPartと提案したFAUSTベンチマークを用いて評価する。 SATRは最先端のパフォーマンスを達成し、ベースラインアルゴリズムを平均mIoUの1.3%と4%で上回っている。
  論文  参考訳（メタデータ） (2023-04-11T00:43:16Z)
• 3DMODT: Attention-Guided Affinities for Joint Detection & Tracking in 3D Point Clouds [95.54285993019843]
  本稿では,3次元点雲における複数物体の同時検出と追跡手法を提案する。 本モデルでは,複数のフレームを用いた時間情報を利用してオブジェクトを検出し,一つのネットワーク上で追跡する。
  論文  参考訳（メタデータ） (2022-11-01T20:59:38Z)
• PointInst3D: Segmenting 3D Instances by Points [136.7261709896713]
  本稿では,ポイント単位の予測方式で機能する,完全畳み込み型3Dポイントクラウドインスタンスセグメンテーション手法を提案する。 その成功の鍵は、各サンプルポイントに適切なターゲットを割り当てることにある。 提案手法はScanNetとS3DISのベンチマークで有望な結果が得られる。
  論文  参考訳（メタデータ） (2022-04-25T02:41:46Z)
• PerMO: Perceiving More at Once from a Single Image for Autonomous Driving [76.35684439949094]
  単一画像から完全テクスチャ化された車両の3次元モデルを検出し,セグメント化し,再構成する新しい手法を提案する。 私たちのアプローチは、ディープラーニングの強みと従来のテクニックの優雅さを組み合わせています。 我々はこれらのアルゴリズムを自律運転システムに統合した。
  論文  参考訳（メタデータ） (2020-07-16T05:02:45Z)
• Light3DPose: Real-time Multi-Person 3D PoseEstimation from Multiple Views [5.510992382274774]
  いくつかのキャリブレーションされたカメラビューから複数の人物の3次元ポーズ推定を行う手法を提案する。 我々のアーキテクチャは、2次元ポーズ推定器のバックボーンから特徴マップを3次元シーンの包括的表現に集約する。 提案手法は本質的に効率的であり, 純粋なボトムアップ手法として, 現場の人数から計算的に独立している。
  論文  参考訳（メタデータ） (2020-04-06T14:12:19Z)

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。