論文の概要: Medical Matting: A New Perspective on Medical Segmentation with Uncertainty

• arxiv url: http://arxiv.org/abs/2106.09887v1
• Date: Fri, 18 Jun 2021 03:13:52 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-21 14:07:56.482965
• Title: Medical Matting: A New Perspective on Medical Segmentation with Uncertainty
• Title（参考訳）: 医療マッティング:不確実性を伴う医療セグメンテーションの新しい展望
• Authors: Lin Wang, Lie Ju, Donghao Zhang, Xin Wang, Wanji He, Yelin Huang, Zhiwen Yang, Xuan Yao, Xin Zhao, Xiufen Ye, Zongyuan Ge
• Abstract要約: 柔らかいセグメンテーション法としてマッティングを導入し,不確実な領域を医療現場で扱う新しい視点について述べる。 医用マットデータセットが存在しないため、まずアルファマットを用いた2つの医療用データセットをラベル付けした。 提案したモデルでは、最先端のマッチングアルゴリズムを大きなマージンで上回る性能を示した。
• 参考スコア（独自算出の注目度）: 17.339621719737135
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In medical image segmentation, it is difficult to mark ambiguous areas accurately with binary masks, especially when dealing with small lesions. Therefore, it is a challenge for radiologists to reach a consensus by using binary masks under the condition of multiple annotations. However, these areas may contain anatomical structures that are conducive to diagnosis. Uncertainty is introduced to study these situations. Nevertheless, the uncertainty is usually measured by the variances between predictions in a multiple trial way. It is not intuitive, and there is no exact correspondence in the image. Inspired by image matting, we introduce matting as a soft segmentation method and a new perspective to deal with and represent uncertain regions into medical scenes, namely medical matting. More specifically, because there is no available medical matting dataset, we first labeled two medical datasets with alpha matte. Secondly, the matting method applied to the natural image is not suitable for the medical scene, so we propose a new architecture to generate binary masks and alpha matte in a row. Thirdly, the uncertainty map is introduced to highlight the ambiguous regions from the binary results and improve the matting performance. Evaluated on these datasets, the proposed model outperformed state-of-the-art matting algorithms by a large margin, and alpha matte is proved to be a more efficient labeling form than a binary mask.
• Abstract（参考訳）: 医用画像分割では、特に小さな病変を扱う場合、二乗マスクで曖昧な領域を正確にマークすることは困難である。 したがって、複数のアノテーションの条件下で二項マスクを使用することで、放射線学者が合意に達することは困難である。 しかし、これらの領域は診断しやすい解剖学的構造を含んでいる可能性がある。 これらの状況を研究するために不確実性が導入される。 しかしながら、不確実性は通常、複数の試行方法で予測間のばらつきによって測定される。 これは直感的ではなく、画像に正確な対応がない。 画像マッティングに触発され, 柔らかいセグメンテーション法としてマッティングを導入し, 医療現場における不確実領域, 医用マッティングに対処し, 表現する新たな視点を提案する。 具体的には、医用マットデータセットがないため、2つの医療用データセットにアルファマットをラベル付けしました。 第2に,自然画像に適用したマッティング法は医療現場には適さないため,バイナリマスクとアルファマットを連続して生成する新しいアーキテクチャを提案する。 第3に、不確実性マップを導入し、バイナリ結果から曖昧な領域を強調し、マッティング性能を改善する。 これらのデータセットで評価すると,提案手法は最先端のマットングアルゴリズムを大差で上回り,アルファマットはバイナリマスクよりも効率的なラベリング形式であることが判明した。

関連論文リスト

• Size Aware Cross-shape Scribble Supervision for Medical Image Segmentation [8.209508547149952]
  医用画像のセグメンテーションタスクにおいて,ネットワークトレーニングの高速化のために,スクリブル・インスペクションが広く用いられている。 これは、特に医療画像の文脈において、様々なスケールターゲットを収容することの難しさに悩まされることが多い。 本稿では,これらの課題を克服する3つの新しい手法を提案する。1) クロス形状のスクリブルアノテーション法,2) クロス形状に基づく擬似マスク法,3) サイズ対応マルチブランチ法である。
  論文  参考訳（メタデータ） (2024-08-24T17:55:02Z)
• COIN: Counterfactual inpainting for weakly supervised semantic segmentation for medical images [3.5418498524791766]
  本研究は, 新規なカウンターファクト・インパインティング・アプローチ(COIN)の開発である。 COINは、予測された分類ラベルを生成モデルを用いて異常から正常に反転させる。 本手法の有効性は,エストニアのタルツ大学病院から取得したCT画像から,合成標的と実際の腎腫瘍を分離することによって実証される。
  論文  参考訳（メタデータ） (2024-04-19T12:09:49Z)
• Semi- and Weakly-Supervised Learning for Mammogram Mass Segmentation with Limited Annotations [49.33388736227072]
  本稿では,マスセグメンテーションのための半弱教師付き学習フレームワークを提案する。 良好な性能を得るために, 限られた強ラベルのサンプルと十分な弱ラベルのサンプルを用いる。 CBIS-DDSMおよびINbreastデータセットを用いた実験により,本手法の有効性が示された。
  論文  参考訳（メタデータ） (2024-03-14T12:05:25Z)
• AMLP:Adaptive Masking Lesion Patches for Self-supervised Medical Image Segmentation [67.97926983664676]
  自己監督型マスク画像モデリングは自然画像に対して有望な結果を示した。 しかし,このような手法を医用画像に直接適用することは依然として困難である。 適応型マスキング病変パッチ(AMLP)の自己管理型医用画像分割フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-09-08T13:18:10Z)
• Self-Supervised Correction Learning for Semi-Supervised Biomedical Image Segmentation [84.58210297703714]
  半教師付きバイオメディカルイメージセグメンテーションのための自己教師付き補正学習パラダイムを提案する。 共有エンコーダと2つの独立デコーダを含むデュアルタスクネットワークを設計する。 異なるタスクのための3つの医用画像分割データセットの実験により,本手法の優れた性能が示された。
  論文  参考訳（メタデータ） (2023-01-12T08:19:46Z)
• 3D Matting: A Benchmark Study on Soft Segmentation Method for Pulmonary Nodules Applied in Computed Tomography [32.775884701366465]
  医用画像中の病変を3D領域に導入し,αマット(ソフトマスク)を用いて3D画像に病変を記述した。 この問題に対処するため,従来手法と深層学習法の両方を含む3Dマッティングの総合的研究を行った。 本稿では,最初のエンドツーエンドの3次元画像マッチングネットワークを提案し,医用3次元画像マッチングベンチマークを実装した。
  論文  参考訳（メタデータ） (2022-10-11T02:40:18Z)
• Mine yOur owN Anatomy: Revisiting Medical Image Segmentation with Extremely Limited Labels [54.58539616385138]
  我々は、Mine yOur owN Anatomy (MONA) と呼ばれる、新しい半教師付き2次元医用画像セグメンテーションフレームワークを紹介する。 まず、先行研究では、すべてのピクセルがモデルトレーニングに等しく重要であると論じており、我々はこの1つだけで意味のある解剖学的特徴を定義できないことを経験的に観察している。 第2に,医療画像を解剖学的特徴の集合に分解できるモデルを構築する。
  論文  参考訳（メタデータ） (2022-09-27T15:50:31Z)
• Weakly-supervised High-resolution Segmentation of Mammography Images for Breast Cancer Diagnosis [17.936019428281586]
  がん診断において、入力画像の出力に責任のある領域を局在させることにより、解釈可能性を実現することができる。 本稿では,高解像度画像の弱教師付きセグメンテーションを実現するニューラルネットワークアーキテクチャを提案する。 乳がん検診にマンモグラフィーを用いて適用し, 大規模臨床応用データセットで検証した。
  論文  参考訳（メタデータ） (2021-06-13T17:25:21Z)
• Cross-Modal Contrastive Learning for Abnormality Classification and Localization in Chest X-rays with Radiomics using a Feedback Loop [63.81818077092879]
  医療画像のためのエンドツーエンドのセミスーパーバイスドクロスモーダルコントラスト学習フレームワークを提案する。 まず、胸部X線を分類し、画像特徴を生成するために画像エンコーダを適用する。 放射能の特徴は別の専用エンコーダを通過し、同じ胸部x線から生成された画像の特徴の正のサンプルとして機能する。
  論文  参考訳（メタデータ） (2021-04-11T09:16:29Z)
• Collaborative Unsupervised Domain Adaptation for Medical Image Diagnosis [102.40869566439514]
  我々は、Unsupervised Domain Adaptation (UDA)を通じて、対象タスクにおける学習を支援するために、関連ドメインからの豊富なラベル付きデータを活用しようとしている。 クリーンなラベル付きデータやサンプルを仮定するほとんどのUDAメソッドが等しく転送可能であるのとは異なり、協調的教師なしドメイン適応アルゴリズムを革新的に提案する。 提案手法の一般化性能を理論的に解析し,医用画像と一般画像の両方で実験的に評価する。
  論文  参考訳（メタデータ） (2020-07-05T11:49:17Z)
• Weakly-Supervised Segmentation for Disease Localization in Chest X-Ray Images [0.0]
  医用胸部X線画像のセマンティックセグメンテーションに対する新しいアプローチを提案する。 本手法は肺と胸壁の間の異常な空気量を検出するための胸部X線検査に適用可能である。
  論文  参考訳（メタデータ） (2020-07-01T20:48:35Z)

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。