論文の概要: Medical image segmentation with imperfect 3D bounding boxes

• arxiv url: http://arxiv.org/abs/2108.03300v1
• Date: Fri, 6 Aug 2021 20:51:20 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-12 04:34:49.601084
• Title: Medical image segmentation with imperfect 3D bounding boxes
• Title（参考訳）: 不完全3次元境界ボックスを用いた医用画像分割
• Authors: Ekaterina Redekop, Alexey Chernyavskiy
• Abstract要約: 我々は,3次元の医療画像に対応する3次元境界ボックスを,スライス当たりの2次元境界ボックスのシリーズと見なす。 医用画像セグメンテーションにおいて, 2次元境界ボックスを弱いラベルとして使用するための現在の弱教師付きアプローチは適用可能であるが, 境界ボックスの密着性に関する仮定が壊れた場合に, それらの成功は限定的であることを示す。 そこで我々は,より大規模な非重み付きボックスアノテーションセットの厳密性を改善するために,小さなピクセルレベルのアノテーションセットに基づいて訓練された新しいバウンディングボックス補正フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The development of high quality medical image segmentation algorithms depends on the availability of large datasets with pixel-level labels. The challenges of collecting such datasets, especially in case of 3D volumes, motivate to develop approaches that can learn from other types of labels that are cheap to obtain, e.g. bounding boxes. We focus on 3D medical images with their corresponding 3D bounding boxes which are considered as series of per-slice non-tight 2D bounding boxes. While current weakly-supervised approaches that use 2D bounding boxes as weak labels can be applied to medical image segmentation, we show that their success is limited in cases when the assumption about the tightness of the bounding boxes breaks. We propose a new bounding box correction framework which is trained on a small set of pixel-level annotations to improve the tightness of a larger set of non-tight bounding box annotations. The effectiveness of our solution is demonstrated by evaluating a known weakly-supervised segmentation approach with and without the proposed bounding box correction algorithm. When the tightness is improved by our solution, the results of the weakly-supervised segmentation become much closer to those of the fully-supervised one.
• Abstract（参考訳）: 高品質な医用画像分割アルゴリズムの開発は、ピクセルレベルのラベルを持つ大規模データセットの可用性に依存する。 このようなデータセットを集めること、特に3Dボリュームの場合の課題は、入手しやすい他のタイプのラベルから学習できるアプローチを開発することにある。 バウンディングボックス。 我々は,3次元の医療画像に対応する3次元境界ボックスを,スライス当たりの2次元境界ボックスのシリーズと見なす。 2dバウンディングボックスを弱いラベルとして使用する現在の弱い教師付きアプローチは医用画像セグメンテーションに適用できるが、バウンディングボックスのタイト性に関する仮定が破られる場合、その成功は限定的である。 本稿では,ピクセルレベルアノテーションの小さなセットで学習し,より大きなバウンディングボックスアノテーションのタイト性を改善する新しいバウンディングボックス補正フレームワークを提案する。 本手法の有効性は,提案する境界ボックス補正アルゴリズムを使わずに既知の弱教師付きセグメンテーション手法を評価することで実証された。 解法により密着性が向上すると, 弱教師付きセグメント化の結果は, 完全教師付きセグメントよりもはるかに近いものとなる。

関連論文リスト

• Pseudo Label Refinery for Unsupervised Domain Adaptation on Cross-dataset 3D Object Detection [38.15872244768199]
  自己学習技術は、3次元物体検出のための教師なし領域適応の顕著な改善を示している(3D UDA) これらの技法は典型的には、ターゲット領域のモデルを監督するために擬似ラベル、すなわち3Dボックスを選択する。 従来のテクニックでは、これらのボックスを擬似ラベルとして再重み付けすることでこれを緩和するが、これらのボックスはトレーニングプロセスに悪影響を及ぼす可能性がある。 疑似箱の信頼性を向上させるための新しい擬似ラベル精錬フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-04-30T09:20:35Z)
• 3D Vascular Segmentation Supervised by 2D Annotation of Maximum Intensity Projection [33.34240545722551]
  血管構造のセグメンテーションは、医学的分析と臨床応用において重要な役割を担っている。 既存の弱監督法は, スパース血管構造を扱う際に, 最適下肢機能を示した。 ここでは,3次元体積の次元を2次元画像に変換するために,最大強度投影(MIP)を用いる。 MIPを介して2D-3Dの深い特徴を融合してセグメンテーション性能を向上させる弱教師付きネットワークを導入する。
  論文  参考訳（メタデータ） (2024-02-19T13:24:46Z)
• Weakly Supervised 3D Object Detection via Multi-Level Visual Guidance [72.6809373191638]
  本稿では,3次元ラベルを必要とせずに2次元ドメインと3次元ドメイン間の制約を活用できるフレームワークを提案する。 具体的には、LiDARと画像特徴をオブジェクト認識領域に基づいて整列する特徴レベルの制約を設計する。 第二に、出力レベルの制約は、2Dと投影された3Dボックスの推定の重なりを強制するために開発される。 第3に、トレーニングレベルの制約は、視覚データと整合した正確で一貫した3D擬似ラベルを生成することによって利用される。
  論文  参考訳（メタデータ） (2023-12-12T18:57:25Z)
• 3D Medical Image Segmentation with Sparse Annotation via Cross-Teaching between 3D and 2D Networks [26.29122638813974]
  本稿では,3次元ネットワークと2次元ネットワークの相互学習を用いて,スパースアノテーションから頑健に学習できるフレームワークを提案する。 MMWHSデータセットに対する実験結果から,本手法は最先端(SOTA)半教師付きセグメンテーション法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2023-07-30T15:26:17Z)
• Split, Merge, and Refine: Fitting Tight Bounding Boxes via Over-Segmentation and Iterative Search [15.29167642670379]
  本稿では,3次元形状の密接な束縛箱の集合を,過剰な分割と反復的なマージと精錬によって見つけるための新しい枠組みを提案する。 思慮深い評価により、トレーニングデータや監督を必要とせず、完全なカバレッジ、厳密さ、適切な数のバウンディングボックスを提示する。
  論文  参考訳（メタデータ） (2023-04-10T00:25:15Z)
• Weakly Supervised Image Segmentation Beyond Tight Bounding Box Annotations [5.000514512377416]
  本研究では,ゆるい拘束箱を監督として使用する場合,セグメンテーション性能を良好に維持できるかどうかを検討する。 提案した極変換に基づくMIL定式化は、タイトかつゆるいバウンディングボックスの両方で機能する。 その結果, 提案手法は, 任意の精度でバウンディングボックスの最先端性能を達成できることが示唆された。
  論文  参考訳（メタデータ） (2023-01-28T02:11:36Z)
• Exploring Active 3D Object Detection from a Generalization Perspective [58.597942380989245]
  不確実性に基づくアクティブな学習ポリシーは、ポイントクラウドの情報性とボックスレベルのアノテーションコストの間のトレードオフのバランスを取れません。 冗長な3次元境界ボックスラベルの点群を階層的にフィルタリングするtextscCrbを提案する。 実験により,提案手法が既存のアクティブラーニング戦略より優れていることが示された。
  論文  参考訳（メタデータ） (2023-01-23T02:43:03Z)
• FGR: Frustum-Aware Geometric Reasoning for Weakly Supervised 3D Vehicle Detection [81.79171905308827]
  3Dアノテーションを使わずに点雲中の車両を検出するためのフラストラム対応幾何推論(FGR)を提案する。 本手法は粗い3次元セグメンテーションと3次元バウンディングボックス推定の2段階からなる。 2Dバウンディングボックスとスパースポイントクラウドだけで、3D空間内のオブジェクトを正確に検出できます。
  論文  参考訳（メタデータ） (2021-05-17T07:29:55Z)
• Unsupervised Object Detection with LiDAR Clues [70.73881791310495]
  本稿では,LiDARの手がかりを用いた非教師対象検出のための最初の実用的手法を提案する。 提案手法では,まず3次元点雲に基づく候補オブジェクトセグメントを生成する。 そして、セグメントラベルを割り当て、セグメントラベルネットワークを訓練する反復的なセグメントラベル処理を行う。 ラベル付けプロセスは、長い尾とオープンエンドの分布の問題を軽減するために慎重に設計されている。
  論文  参考訳（メタデータ） (2020-11-25T18:59:54Z)
• Weakly-supervised Learning For Catheter Segmentation in 3D Frustum Ultrasound [74.22397862400177]
  超音波を用いた新しいカテーテルセグメンテーション法を提案する。 提案手法は,1ボリュームあたり0.25秒の効率で最先端の性能を実現した。
  論文  参考訳（メタデータ） (2020-10-19T13:56:22Z)
• Dive Deeper Into Box for Object Detection [49.923586776690115]
  そこで我々は,より正確な位置決めを行うために,ボックスに深く潜り込むことができるボックス再構成手法(DDBNet)を提案する。 実験結果から,本手法はオブジェクト検出の最先端性能に寄与する可能性が示唆された。
  論文  参考訳（メタデータ） (2020-07-15T07:49:05Z)

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。