論文の概要: Medical Instrument Segmentation in 3D US by Hybrid Constrained Semi-Supervised Learning

• arxiv url: http://arxiv.org/abs/2107.14476v1
• Date: Fri, 30 Jul 2021 07:59:45 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-02 13:01:22.447501
• Title: Medical Instrument Segmentation in 3D US by Hybrid Constrained Semi-Supervised Learning
• Title（参考訳）: ハイブリッド制約半教師付き学習による3DUSの医療機器セグメンテーション
• Authors: Hongxu Yang, Caifeng Shan, R. Arthur Bouwman, Lukas R. C. Dekker, Alexander F. Kolen and Peter H. N. de With
• Abstract要約: 3DUSにおける楽器セグメンテーションのための半教師付き学習フレームワークを提案する。 SSL学習を実現するため、Dual-UNetが提案されている。 提案手法は,Diceの約68.6%-69.1%,推定時間約1秒を実現している。
• 参考スコア（独自算出の注目度）: 62.13520959168732
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Medical instrument segmentation in 3D ultrasound is essential for image-guided intervention. However, to train a successful deep neural network for instrument segmentation, a large number of labeled images are required, which is expensive and time-consuming to obtain. In this article, we propose a semi-supervised learning (SSL) framework for instrument segmentation in 3D US, which requires much less annotation effort than the existing methods. To achieve the SSL learning, a Dual-UNet is proposed to segment the instrument. The Dual-UNet leverages unlabeled data using a novel hybrid loss function, consisting of uncertainty and contextual constraints. Specifically, the uncertainty constraints leverage the uncertainty estimation of the predictions of the UNet, and therefore improve the unlabeled information for SSL training. In addition, contextual constraints exploit the contextual information of the training images, which are used as the complementary information for voxel-wise uncertainty estimation. Extensive experiments on multiple ex-vivo and in-vivo datasets show that our proposed method achieves Dice score of about 68.6%-69.1% and the inference time of about 1 sec. per volume. These results are better than the state-of-the-art SSL methods and the inference time is comparable to the supervised approaches.
• Abstract（参考訳）: 3次元超音波による医療機器のセグメンテーションは画像誘導介入に不可欠である。 しかし、楽器のセグメンテーションのために成功したディープニューラルネットワークを訓練するには、大量のラベル付き画像が必要である。 本稿では,3次元usにおける計測セグメント化のための半教師付き学習(ssl)フレームワークを提案する。 SSL学習を実現するためにDual-UNetが提案されている。 Dual-UNetは、不確実性とコンテキスト制約からなる新しいハイブリッド損失関数を使用してラベルのないデータを活用する。 具体的には、不確実性制約は、UNetの予測の不確実性推定を利用して、SSLトレーニングのためのラベルのない情報を改善する。 さらに、文脈制約は、ボクセル方向の不確実性推定の補完情報として使用される訓練画像の文脈情報を利用する。 複数のvivoデータセットとin-vivoデータセットの広範な実験により、提案手法が約68.6%-69.1%のサイススコアと約1秒の推論時間を達成していることが示された。 ボリュームごとに これらの結果は最先端のSSLメソッドよりも優れており、推論時間は教師付きアプローチに匹敵する。

関連論文リスト

• Wound Tissue Segmentation in Diabetic Foot Ulcer Images Using Deep Learning: A Pilot Study [5.397013836968946]
  我々は,創部組織分割アルゴリズムを評価するためのDFUT草案データセットを作成した。 データセットには110枚の画像と、創傷の専門家によってラベル付けされた組織、600枚の未ラベル画像が含まれている。 注釈付きデータの量が限られているため、我々のフレームワークは、教師付き学習(SL)と半教師付き学習(SSL)の両方のフェーズで構成されている。
  論文  参考訳（メタデータ） (2024-06-23T05:01:51Z)
• Enhancing Weakly Supervised 3D Medical Image Segmentation through Probabilistic-aware Learning [52.249748801637196]
  3次元医用画像のセグメンテーションは、疾患の診断と治療計画に重要な意味を持つ課題である。 近年の深層学習の進歩は、完全に教師付き医療画像のセグメンテーションを著しく強化している。 本稿では,3次元医用画像に特化して設計された,確率的適応型弱教師付き学習パイプラインを提案する。
  論文  参考訳（メタデータ） (2024-03-05T00:46:53Z)
• 3DTINC: Time-Equivariant Non-Contrastive Learning for Predicting Disease Progression from Longitudinal OCTs [8.502838668378432]
  本研究では,非コントラスト学習に基づく縦型自己教師型学習手法である3DTINCを提案する。 3次元光コヒーレンストモグラフィ(OCT)ボリュームの摂動不変特性をOCT用に特別に設計した拡張を用いて学習するように設計されている。 加齢黄斑変性(AMD)などの網膜疾患の進行を予測するためには,この時間的情報が不可欠であることを示す実験を行った。
  論文  参考訳（メタデータ） (2023-12-28T11:47:12Z)
• PCRLv2: A Unified Visual Information Preservation Framework for Self-supervised Pre-training in Medical Image Analysis [56.63327669853693]
  本稿では,ピクセルレベルの情報を高レベルなセマンティクスに明示的にエンコードするための画素復元タスクを提案する。 また,画像理解を支援する強力なツールであるスケール情報の保存についても検討する。 提案されている統合SSLフレームワークは、さまざまなタスクで自己管理されたフレームワークを超越している。
  論文  参考訳（メタデータ） (2023-01-02T17:47:27Z)
• 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)
• PoissonSeg: Semi-Supervised Few-Shot Medical Image Segmentation via Poisson Learning [0.505645669728935]
  Few-shot Semantic(FSS)は、ディープラーニングにおけるデッドロックを壊すための有望な戦略である。 FSSモデルは、オーバーフィッティングを避けるために十分なピクセルレベルのアノテートクラスを必要とする。 医用画像セグメンテーションのための新しい半教師付きFSSフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-08-26T10:24:04Z)
• Deep Q-Network-Driven Catheter Segmentation in 3D US by Hybrid Constrained Semi-Supervised Learning and Dual-UNet [74.22397862400177]
  本稿では,教師付き学習手法よりも少ないアノテーションを要求できる新しいカテーテルセグメンテーション手法を提案する。 提案手法では,Voxelレベルのアノテーションを避けるために,深層Q学習を事前局所化ステップとみなす。 検出されたカテーテルでは、パッチベースのDual-UNetを使用してカテーテルを3Dボリュームデータに分割する。
  論文  参考訳（メタデータ） (2020-06-25T21:10:04Z)
• Contrastive learning of global and local features for medical image segmentation with limited annotations [10.238403787504756]
  教師付きディープラーニングの成功のための重要な要件は、大きなラベル付きデータセットである。 半教師付き環境での医用画像のセグメンテーションのためのコントラスト学習フレームワークの拡張戦略を提案する。 限定的なアノテーション設定では、提案手法は、他の自己超越的および半教師付き学習技術と比較して大幅に改善される。
  論文  参考訳（メタデータ） (2020-06-18T13:31:26Z)
• Robust Medical Instrument Segmentation Challenge 2019 [56.148440125599905]
  腹腔鏡装置の術中追跡は、しばしばコンピュータとロボットによる介入の必要条件である。 本研究の課題は,30の手術症例から取得した10,040枚の注釈画像からなる外科的データセットに基づいていた。 結果は、初期仮説、すなわち、アルゴリズムの性能がドメインギャップの増大とともに低下することを確認する。
  論文  参考訳（メタデータ） (2020-03-23T14:35:08Z)

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。