論文の概要: Quality-Aware Memory Network for Interactive Volumetric Image Segmentation

• arxiv url: http://arxiv.org/abs/2106.10686v1
• Date: Sun, 20 Jun 2021 12:34:19 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-23 10:23:18.470051
• Title: Quality-Aware Memory Network for Interactive Volumetric Image Segmentation
• Title（参考訳）: 対話型ボリューム画像分割のための品質認識メモリネットワーク
• Authors: Tianfei Zhou, Liulei Li, Gustav Bredell, Jianwu Li, Ender Konukoglu
• Abstract要約: 医用画像の対話的セグメンテーションのための品質認識型メモリネットワークを提案する。 各スライスの現在のセグメンテーション品質に基づいて、次のスライスをセグメントに提案するために品質評価モジュールが導入された。 提案するネットワークは,様々な種類のユーザアノテーションを適切に一般化可能な,堅牢な対話型セグメンテーションエンジンを実現する。
• 参考スコア（独自算出の注目度）: 15.504425842953676
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Despite recent progress of automatic medical image segmentation techniques, fully automatic results usually fail to meet the clinical use and typically require further refinement. In this work, we propose a quality-aware memory network for interactive segmentation of 3D medical images. Provided by user guidance on an arbitrary slice, an interaction network is firstly employed to obtain an initial 2D segmentation. The quality-aware memory network subsequently propagates the initial segmentation estimation bidirectionally over the entire volume. Subsequent refinement based on additional user guidance on other slices can be incorporated in the same manner. To further facilitate interactive segmentation, a quality assessment module is introduced to suggest the next slice to segment based on the current segmentation quality of each slice. The proposed network has two appealing characteristics: 1) The memory-augmented network offers the ability to quickly encode past segmentation information, which will be retrieved for the segmentation of other slices; 2) The quality assessment module enables the model to directly estimate the qualities of segmentation predictions, which allows an active learning paradigm where users preferentially label the lowest-quality slice for multi-round refinement. The proposed network leads to a robust interactive segmentation engine, which can generalize well to various types of user annotations (e.g., scribbles, boxes). Experimental results on various medical datasets demonstrate the superiority of our approach in comparison with existing techniques.
• Abstract（参考訳）: 近年の自動画像分割技術が進歩しているにもかかわらず、完全に自動的な結果は通常、臨床使用に間に合わないため、さらなる改善が必要である。 本研究では,3次元医用画像の対話的セグメンテーションのための品質認識型メモリネットワークを提案する。 任意のスライス上のユーザガイダンスにより、対話ネットワークを最初に使用して、初期2dセグメンテーションを得る。 その後、品質認識メモリネットワークは、初期セグメンテーション推定をボリューム全体にわたって双方向に伝搬する。 他のスライスに対する追加のユーザガイダンスに基づくその後の改良も同じように組み込むことができる。 さらにインタラクティブなセグメンテーションを容易にするために、各スライスの現在のセグメンテーション品質に基づいて、次のスライスをセグメントに提案する品質評価モジュールを導入する。 提案するネットワークは,1) メモリ拡張ネットワークは,他のスライスのセグメンテーションのために検索される過去のセグメンテーション情報を迅速にエンコードする機能を提供し,2) 品質評価モジュールは,セグメンテーション予測の質を直接推定し,ユーザが優先的に低品質スライスをマルチラウンドリファインメント用にラベル付けするアクティブラーニングパラダイムを実現する。 提案したネットワークは、様々な種類のユーザアノテーション(例えば、スクリブル、ボックス)をうまく一般化できる、堅牢な対話型セグメンテーションエンジンに導かれる。 各種医療データセットに対する実験結果から,既存手法と比較してアプローチの優位性が示された。

関連論文リスト

• U-Net v2: Rethinking the Skip Connections of U-Net for Medical Image Segmentation [14.450329809640422]
  医用画像分割のための新しい堅牢で効率的なU-Net変種であるU-Net v2を紹介する。 セマンティックな情報を低レベルの機能に注入し、同時に細かな詳細で高レベルの機能を改善することを目的としている。
  論文  参考訳（メタデータ） (2023-11-29T16:35:24Z)
• 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)
• Open-world Semantic Segmentation via Contrasting and Clustering Vision-Language Embedding [95.78002228538841]
  本研究では,様々なオープンワールドカテゴリのセマンティックオブジェクトを高密度アノテーションを使わずにセマンティックオブジェクトのセマンティックオブジェクトのセマンティック化を学習するための,新しいオープンワールド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パイプラインを提案する。 提案手法は任意のカテゴリのオブジェクトを直接分割し、3つのベンチマークデータセット上でデータラベリングを必要とするゼロショットセグメンテーション法より優れている。
  論文  参考訳（メタデータ） (2022-07-18T09:20:04Z)
• UNet#: A UNet-like Redesigning Skip Connections for Medical Image Segmentation [13.767615201220138]
  シンボル#に類似した形状のUNet-sharp(UNet#)という,高密度スキップ接続とフルスケールスキップ接続を組み合わせた新しいネットワーク構造を提案する。 提案されたUNet#は、デコーダサブネットワークで異なるスケールの機能マップを集約し、詳細な詳細と大まかなセマンティクスをフルスケールから取得することができる。
  論文  参考訳（メタデータ） (2022-05-24T03:40:48Z)
• Two-Stream Graph Convolutional Network for Intra-oral Scanner Image Segmentation [133.02190910009384]
  本稿では,2ストリームグラフ畳み込みネットワーク(TSGCN)を提案する。 TSGCNは3次元歯(表面)セグメンテーションにおいて最先端の方法よりも優れています。
  論文  参考訳（メタデータ） (2022-04-19T10:41:09Z)
• Multi-organ Segmentation Network with Adversarial Performance Validator [10.775440368500416]
  本稿では,2次元から3次元のセグメンテーションフレームワークに対向的な性能検証ネットワークを導入する。 提案したネットワークは, 2次元粗い結果から3次元高品質なセグメンテーションマスクへの変換を行い, 共同最適化によりセグメンテーション精度が向上する。 NIH膵分節データセットの実験では、提案したネットワークが小臓器分節の最先端の精度を達成し、過去の最高性能を上回った。
  論文  参考訳（メタデータ） (2022-04-16T18:00:29Z)
• Few-shot image segmentation for cross-institution male pelvic organs using registration-assisted prototypical learning [13.567073992605797]
  本研究は,医用画像のための最初の3D画像間セグメンテーションネットワークを提案する。 興味のある8つの領域を持つ前立腺がん患者のラベル付き多施設データセットを使用する。 内蔵登録機構は、被験者間の一貫性のある解剖学の事前知識を効果的に活用することができる。
  論文  参考訳（メタデータ） (2022-01-17T11:44:10Z)
• Target-Aware Object Discovery and Association for Unsupervised Video Multi-Object Segmentation [79.6596425920849]
  本稿では,教師なしビデオマルチオブジェクトセグメンテーションの課題について述べる。 より正確で効率的な時間区分のための新しいアプローチを紹介します。 DAVIS$_17$とYouTube-VISに対する提案手法を評価した結果,セグメント化精度と推論速度の両方において最先端の手法より優れていることが示された。
  論文  参考訳（メタデータ） (2021-04-10T14:39:44Z)
• Cascaded Robust Learning at Imperfect Labels for Chest X-ray Segmentation [61.09321488002978]
  不完全アノテーションを用いた胸部X線分割のための新しいカスケードロバスト学習フレームワークを提案する。 モデルは3つの独立したネットワークから成り,ピアネットワークから有用な情報を効果的に学習できる。 提案手法は,従来の手法と比較して,セグメント化タスクの精度を大幅に向上させることができる。
  論文  参考訳（メタデータ） (2021-04-05T15:50:16Z)
• Boundary-aware Context Neural Network for Medical Image Segmentation [15.585851505721433]
  医用画像のセグメンテーションは、さらなる臨床分析と疾患診断のための信頼性の高い基盤を提供することができる。 既存のCNNベースのほとんどの手法は、正確なオブジェクト境界のない不満足なセグメンテーションマスクを生成する。 本稿では,2次元医用画像分割のための境界認識コンテキストニューラルネットワーク(BA-Net)を定式化する。
  論文  参考訳（メタデータ） (2020-05-03T02:35:49Z)
• CRNet: Cross-Reference Networks for Few-Shot Segmentation [59.85183776573642]
  少ないショットセグメンテーションは、少数のトレーニングイメージを持つ新しいクラスに一般化できるセグメンテーションモデルを学ぶことを目的としている。 相互参照機構により、我々のネットワークは2つの画像に共起する物体をよりよく見つけることができる。 PASCAL VOC 2012データセットの実験は、我々のネットワークが最先端のパフォーマンスを達成することを示す。
  論文  参考訳（メタデータ） (2020-03-24T04:55:43Z)

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。