論文の概要: Few-shot segmentation of medical images based on meta-learning with implicit gradients

• arxiv url: http://arxiv.org/abs/2106.03223v1
• Date: Sun, 6 Jun 2021 19:52:06 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-13 08:45:06.537448
• Title: Few-shot segmentation of medical images based on meta-learning with implicit gradients
• Title（参考訳）: 暗黙的勾配をもつメタラーニングに基づく医用画像のマイナショットセグメンテーション
• Authors: Rabindra Khadga, Debesh Jha, Sharib Ali, Steven Hicks, Vajira Thambawita, Michael A. Riegler, and P{\aa}l Halvorsen
• Abstract要約: 医用画像セグメンテーションのための数ショット設定において,最適化に基づく暗黙的メタ学習iMAMLアルゴリズムを活用することを提案する。 このアプローチでは、さまざまなトレーニングサンプルから学んだ重みを活用でき、新しい未知のデータセットにデプロイすることができます。
• 参考スコア（独自算出の注目度）: 0.48861336570452174
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Classical supervised methods commonly used often suffer from the requirement of an abudant number of training samples and are unable to generalize on unseen datasets. As a result, the broader application of any trained model is very limited in clinical settings. However, few-shot approaches can minimize the need for enormous reliable ground truth labels that are both labor intensive and expensive. To this end, we propose to exploit an optimization-based implicit model agnostic meta-learning {iMAML} algorithm in a few-shot setting for medical image segmentation. Our approach can leverage the learned weights from a diverse set of training samples and can be deployed on a new unseen dataset. We show that unlike classical few-shot learning approaches, our method has improved generalization capability. To our knowledge, this is the first work that exploits iMAML for medical image segmentation. Our quantitative results on publicly available skin and polyp datasets show that the proposed method outperforms the naive supervised baseline model and two recent few-shot segmentation approaches by large margins.
• Abstract（参考訳）: 一般的に使用される古典的な教師付きメソッドは、多くのトレーニングサンプルの要求に苦しむことが多く、見当たらないデータセットの一般化ができない。 その結果、トレーニングされたモデルの適用範囲は、臨床環境では非常に限られている。 しかし、少ないショットのアプローチは、労働集約的かつ高価である巨大な信頼できる根拠ラベルの必要性を最小限に抑えることができる。 そこで本研究では,医用画像セグメンテーションのための数ショット設定において,最適化に基づく暗黙的メタ学習(iMAML)アルゴリズムを活用することを提案する。 このアプローチでは、さまざまなトレーニングサンプルから学んだ重みを活用でき、新しい未知のデータセットにデプロイすることができます。 古典的な数ショット学習手法とは異なり,本手法は一般化能力を改善した。 私たちの知る限り、医療画像のセグメンテーションにiMAMLを利用するのはこれが初めてです。 皮膚およびポリプデータセットの定量的解析結果から,提案手法は,有意な教師付きベースラインモデルと最近の2つのショットセグメンテーション手法よりも高い性能を示した。

関連論文リスト

• 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)
• Ambiguous Medical Image Segmentation using Diffusion Models [60.378180265885945]
  我々は,グループ洞察の分布を学習することで,複数の可算出力を生成する単一拡散モデルに基づくアプローチを提案する。 提案モデルでは,拡散の固有のサンプリングプロセスを利用してセグメンテーションマスクの分布を生成する。 その結果,提案手法は既存の最先端曖昧なセグメンテーションネットワーク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） (2023-04-10T17:58:22Z)
• 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)
• Rethinking Semi-Supervised Medical Image Segmentation: A Variance-Reduction Perspective [51.70661197256033]
  医用画像セグメンテーションのための階層化グループ理論を用いた半教師付きコントラスト学習フレームワークARCOを提案する。 まず、分散還元推定の概念を用いてARCOを構築することを提案し、特定の分散還元技術が画素/ボクセルレベルのセグメンテーションタスクにおいて特に有用であることを示す。 5つの2D/3D医療データセットと3つのセマンティックセグメンテーションデータセットのラベル設定が異なる8つのベンチマークで、我々のアプローチを実験的に検証する。
  論文  参考訳（メタデータ） (2023-02-03T13:50:25Z)
• Active learning for medical image segmentation with stochastic batches [13.171801108109198]
  手動ラベリングを減らすために、アクティブラーニング(AL)は、ラベル付きトレーニングセットに注釈を付け、追加するために、未ラベルセットから最も情報性の高いサンプルをターゲットにする。 本研究の目的は、ランダムサンプリングによって提供される多様性と速度を利用して、医用画像のセグメント化のための不確実性に基づくAL手法の選択を改善することである。
  論文  参考訳（メタデータ） (2023-01-18T17:25:55Z)
• Few-Shot Classification of Skin Lesions from Dermoscopic Images by Meta-Learning Representative Embeddings [1.957558771641347]
  稀な疾患と新規疾患の診断のための注釈付き画像と根拠真理は乏しい。 少ないショットラーニングとメタラーニングは、低いデータレシエーションでうまく機能することを目指して、これらの問題を克服することを目的としている。 本稿では,皮膚内視鏡画像の分類におけるメタラーニングの改善に焦点をあてる。
  論文  参考訳（メタデータ） (2022-10-30T21:27:15Z)
• PCA: Semi-supervised Segmentation with Patch Confidence Adversarial Training [52.895952593202054]
  医用画像セグメンテーションのためのPatch Confidence Adrial Training (PCA) と呼ばれる半教師付き対向法を提案する。 PCAは各パッチの画素構造とコンテキスト情報を学習し、十分な勾配フィードバックを得る。 本手法は, 医用画像のセグメンテーションにおいて, 最先端の半教師付き手法より優れており, その有効性を示している。
  論文  参考訳（メタデータ） (2022-07-24T07:45:47Z)
• Deep Gaussian Processes for Few-Shot Segmentation [66.08463078545306]
  少数ショットのセグメンテーションは難しい作業であり、いくつかの注釈付きサンプルから一般化可能な表現を抽出する必要がある。 ガウス過程(GP)回帰に基づく数ショット学習者定式化を提案する。 PASCAL-5i と COCO-20i では mIoU スコアが68.1 と 49.8 である。
  論文  参考訳（メタデータ） (2021-03-30T17:56:32Z)
• Few-shot Classification via Adaptive Attention [93.06105498633492]
  ごく少数の参照サンプルに基づいて,クエリサンプル表現を最適化し,高速に適応する新しい数ショット学習手法を提案する。 実験で実証したように,提案モデルでは,様々なベンチマーク数ショット分類と微粒化認識データセットを用いて,最先端の分類結果を達成している。
  論文  参考訳（メタデータ） (2020-08-06T05:52:59Z)
• Additive Angular Margin for Few Shot Learning to Classify Clinical Endoscopy Images [42.74958357195011]
  我々は、トレーニングデータが少なくなり、未知のデータセットからテストサンプルのラベルクラスを予測するために使用できる、数ショットの学習手法を提案する。 我々は,マルチセンター,マルチオーガナイズド,マルチモーダル内視鏡データの大規模コホートにおけるいくつかの確立された手法との比較を行った。
  論文  参考訳（メタデータ） (2020-03-23T00:20:52Z)

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。