論文の概要: Compound Figure Separation of Biomedical Images with Side Loss
- arxiv url: http://arxiv.org/abs/2107.08650v1
- Date: Mon, 19 Jul 2021 07:16:32 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-20 14:56:58.857800
- Title: Compound Figure Separation of Biomedical Images with Side Loss
- Title(参考訳): 側方損失を伴う生体画像の複合図形分離
- Authors: Tianyuan Yao, Chang Qu, Quan Liu, Ruining Deng, Yuanhan Tian, Jiachen
Xu, Aadarsh Jha, Shunxing Bao, Mengyang Zhao, Agnes B. Fogo, Bennett
A.Landman, Catie Chang, Haichun Yang, Yuankai Huo
- Abstract要約: 医用画像解析では、注釈のないデータであっても個々の研究室で入手することは困難である。
画像からの弱い分類アノテーションを用いた簡易な複合図形分離(SimCFS)フレームワークを提案する。
SimCFSはImageCLEF 2016 Compound Figure Separation Databaseで新しい最先端のパフォーマンスを達成した。
- 参考スコア(独自算出の注目度): 7.037505559439388
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Unsupervised learning algorithms (e.g., self-supervised learning,
auto-encoder, contrastive learning) allow deep learning models to learn
effective image representations from large-scale unlabeled data. In medical
image analysis, even unannotated data can be difficult to obtain for individual
labs. Fortunately, national-level efforts have been made to provide efficient
access to obtain biomedical image data from previous scientific publications.
For instance, NIH has launched the Open-i search engine that provides a
large-scale image database with free access. However, the images in scientific
publications consist of a considerable amount of compound figures with
subplots. To extract and curate individual subplots, many different compound
figure separation approaches have been developed, especially with the recent
advances in deep learning. However, previous approaches typically required
resource extensive bounding box annotation to train detection models. In this
paper, we propose a simple compound figure separation (SimCFS) framework that
uses weak classification annotations from individual images. Our technical
contribution is three-fold: (1) we introduce a new side loss that is designed
for compound figure separation; (2) we introduce an intra-class image
augmentation method to simulate hard cases; (3) the proposed framework enables
an efficient deployment to new classes of images, without requiring resource
extensive bounding box annotations. From the results, the SimCFS achieved a new
state-of-the-art performance on the ImageCLEF 2016 Compound Figure Separation
Database. The source code of SimCFS is made publicly available at
https://github.com/hrlblab/ImageSeperation.
- Abstract(参考訳): 教師なし学習アルゴリズム(例えば、自己教師付き学習、オートエンコーダ、コントラスト学習)により、ディープラーニングモデルは大規模なラベルなしデータから効果的な画像表現を学ぶことができる。
医用画像解析では、注釈のないデータでも個々の研究室では入手が困難である。
幸いなことに、以前の科学出版物からバイオメディカル画像データを得るための効率的なアクセスを提供するための全国レベルの努力がなされている。
たとえばnihは、大規模な画像データベースに無料アクセスを提供するopen-i検索エンジンを立ち上げた。
しかし、科学出版物にある画像は、相当量の複写と副題で構成されている。
個々のサブプロットを抽出し、キュレートするために、特に近年の深層学習の進歩により、多くの異なる複合図形分離アプローチが開発されている。
しかし、従来のアプローチでは、検出モデルをトレーニングするためにリソースの広範なバウンディングボックスアノテーションが必要であった。
本稿では,個々の画像からの弱い分類アノテーションを用いた単純な複合図形分離(SimCFS)フレームワークを提案する。
1)複合図形分離用に設計された新たなサイドロスの導入,(2)ハードケースをシミュレートするためのクラス内画像拡張手法の導入,(3)提案するフレームワークは,リソースの豊富な境界ボックスアノテーションを必要とせずに,画像の新たなクラスへの効率的な展開を可能にする。
結果から、SimCFSはImageCLEF 2016 Compound Figure Separation Database上で、最先端のパフォーマンスを新たに達成した。
SimCFSのソースコードはhttps://github.com/hrlblab/ImageSeperationで公開されている。
関連論文リスト
- Disruptive Autoencoders: Leveraging Low-level features for 3D Medical
Image Pre-training [51.16994853817024]
本研究は、3Dラジオグラフィ画像のための効果的な事前学習フレームワークの設計に焦点をあてる。
ローカルマスキングと低レベルの摂動の組み合わせによって生成された破壊から、オリジナルのイメージを再構築しようとする事前トレーニングフレームワークであるDisruptive Autoencodersを紹介する。
提案する事前トレーニングフレームワークは、複数のダウンストリームタスクでテストされ、最先端のパフォーマンスを実現する。
論文 参考訳(メタデータ) (2023-07-31T17:59:42Z) - Compound Figure Separation of Biomedical Images: Mining Large Datasets
for Self-supervised Learning [12.445324044675116]
本稿では,リソースの広範なバウンディングボックスアノテーションの必要性を最小限に抑えるシミュレーションベースのトレーニングフレームワークを提案する。
また,合成図形分離に最適化された新たなサイドロスを提案する。
本研究は,複合画像分離による自己教師あり学習の有効性を評価する最初の研究である。
論文 参考訳(メタデータ) (2022-08-30T16:02:34Z) - Self-Supervised Generative Style Transfer for One-Shot Medical Image
Segmentation [10.634870214944055]
医用画像のセグメンテーションにおいて、教師付きディープネットワークの成功は、豊富なラベル付きデータを必要とするコストが伴う。
本稿では,ボリューム画像分割ペアを合成可能なデータ拡張のための,新しいボリューム自己教師型学習法を提案する。
我々の研究の中心的信条は、ワンショット生成学習と自己指導型学習戦略の併用による恩恵を受けている。
論文 参考訳(メタデータ) (2021-10-05T15:28:42Z) - AugNet: End-to-End Unsupervised Visual Representation Learning with
Image Augmentation [3.6790362352712873]
我々は、未ラベル画像の集合から画像特徴を学習するための新しいディープラーニングトレーニングパラダイムであるAugNetを提案する。
実験により,低次元空間における画像の表現が可能であることを実証した。
多くのディープラーニングベースの画像検索アルゴリズムとは異なり、我々のアプローチは外部アノテーション付きデータセットへのアクセスを必要としない。
論文 参考訳(メタデータ) (2021-06-11T09:02:30Z) - Semantic Segmentation with Generative Models: Semi-Supervised Learning
and Strong Out-of-Domain Generalization [112.68171734288237]
本論文では,画像とラベルの再生モデルを用いた識別画素レベルのタスクのための新しいフレームワークを提案する。
我々は,共同画像ラベルの分布を捕捉し,未ラベル画像の大規模な集合を用いて効率的に訓練する生成的対向ネットワークを学習する。
ドメイン内性能をいくつかのベースラインと比較し,ドメイン外一般化を極端に示す最初の例である。
論文 参考訳(メタデータ) (2021-04-12T21:41:25Z) - Self-supervised Image-text Pre-training With Mixed Data In Chest X-rays [10.398175542736285]
混合データ入力から学習できる画像テキスト事前学習フレームワークを紹介します。
混合データ入力における事前学習の可能性を示す。
また、3つの胸部x線アプリケーションに事前訓練されたモデルを適用する利点についても述べる。
論文 参考訳(メタデータ) (2021-03-30T01:48:46Z) - Generative Adversarial U-Net for Domain-free Medical Image Augmentation [49.72048151146307]
注釈付き医用画像の不足は、医用画像コンピューティングの分野における最大の課題の1つだ。
本稿では,生成逆U-Netという新しい生成手法を提案する。
当社の新しいモデルは、ドメインフリーで、さまざまな医療画像に汎用性があります。
論文 参考訳(メタデータ) (2021-01-12T23:02:26Z) - Fed-Sim: Federated Simulation for Medical Imaging [131.56325440976207]
本稿では、2つの学習可能なニューラルモジュールからなる物理駆動型生成手法を提案する。
データ合成フレームワークは、複数のデータセットの下流セグメンテーション性能を改善する。
論文 参考訳(メタデータ) (2020-09-01T19:17:46Z) - Towards Unsupervised Learning for Instrument Segmentation in Robotic
Surgery with Cycle-Consistent Adversarial Networks [54.00217496410142]
本稿では、入力された内視鏡画像と対応するアノテーションとのマッピングを学習することを目的として、未ペア画像から画像への変換を提案する。
当社のアプローチでは,高価なアノテーションを取得することなく,イメージセグメンテーションモデルをトレーニングすることが可能です。
提案手法をEndovis 2017チャレンジデータセットで検証し,教師付きセグメンテーション手法と競合することを示す。
論文 参考訳(メタデータ) (2020-07-09T01:39:39Z) - Pathological Retinal Region Segmentation From OCT Images Using Geometric
Relation Based Augmentation [84.7571086566595]
本稿では,幾何学と形状の内在的関係を共同で符号化することで,従来のGANベースの医用画像合成法よりも優れた手法を提案する。
提案手法は,取得手順の異なる画像を有する公開RETOUCHデータセット上で,最先端のセグメンテーション手法より優れている。
論文 参考訳(メタデータ) (2020-03-31T11:50:43Z)
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。