Fugu-MT 論文翻訳(概要): CarveMix: A Simple Data Augmentation Method for Brain Lesion Segmentation

論文の概要: CarveMix: A Simple Data Augmentation Method for Brain Lesion Segmentation

arxiv url: http://arxiv.org/abs/2108.06883v1
Date: Mon, 16 Aug 2021 03:54:52 GMT
ステータス: 処理完了
システム内更新日: 2021-08-17 15:04:21.106165
Title: CarveMix: A Simple Data Augmentation Method for Brain Lesion Segmentation
Title（参考訳）: CarveMix:脳病変分割のための簡易データ拡張法
Authors: Xinru Zhang, Chenghao Liu, Ni Ou, Xiangzhu Zeng, Xiaoliang Xiong, Yizhou Yu, Zhiwen Liu, Chuyang Ye
Abstract要約: 我々はCNNに基づく脳病変分類のための単純なデータ拡張手法であるCarveMixを提案する。本手法は,他の単純なデータ拡張手法と比較してセグメンテーション精度を向上する。
参考スコア（独自算出の注目度）: 38.785081940984135
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Brain lesion segmentation provides a valuable tool for clinical diagnosis, and convolutional neural networks (CNNs) have achieved unprecedented success in the task. Data augmentation is a widely used strategy that improves the training of CNNs, and the design of the augmentation method for brain lesion segmentation is still an open problem. In this work, we propose a simple data augmentation approach, dubbed as CarveMix, for CNN-based brain lesion segmentation. Like other "mix"-based methods, such as Mixup and CutMix, CarveMix stochastically combines two existing labeled images to generate new labeled samples. Yet, unlike these augmentation strategies based on image combination, CarveMix is lesion-aware, where the combination is performed with an attention on the lesions and a proper annotation is created for the generated image. Specifically, from one labeled image we carve a region of interest (ROI) according to the lesion location and geometry, and the size of the ROI is sampled from a probability distribution. The carved ROI then replaces the corresponding voxels in a second labeled image, and the annotation of the second image is replaced accordingly as well. In this way, we generate new labeled images for network training and the lesion information is preserved. To evaluate the proposed method, experiments were performed on two brain lesion datasets. The results show that our method improves the segmentation accuracy compared with other simple data augmentation approaches.
Abstract（参考訳）: 脳病変のセグメンテーションは臨床診断に有用なツールであり、畳み込みニューラルネットワーク(CNN)はそのタスクにおいて前例のない成功を収めた。データ拡張はcnnのトレーニングを改善するために広く用いられている戦略であり、脳病変のセグメント化のための拡張法の設計はまだ未解決の問題である。そこで本研究では,CNNを用いた脳病変分類のための単純なデータ拡張手法であるCarveMixを提案する。 mixupやcutmixといった他の"mix"ベースの手法と同様に、carvemixは既存の2つのラベル付き画像を組み合わせて新しいラベル付きサンプルを生成する。しかし、画像の組み合わせに基づくこれらの拡張戦略とは異なり、CarveMixは病変を認識して組み合わせを行い、生成された画像に対して適切なアノテーションを作成する。具体的には、あるラベル付き画像から、病変の位置と形状に応じて関心領域(ROI)を彫り、確率分布からROIのサイズをサンプリングする。次に、彫刻されたROIが第2ラベル付き画像の対応するボクセルを置き換え、それに応じて第2画像のアノテーションも置き換える。このように、ネットワークトレーニングのための新しいラベル付き画像を生成し、病変情報が保存される。提案手法を評価するため,2つの脳病変データセットを用いて実験を行った。その結果,他の単純なデータ拡張手法と比較してセグメント化精度が向上した。

関連論文リスト

Self-supervised Brain Lesion Generation for Effective Data Augmentation of Medical Images [0.9626666671366836]
本稿では,脳病変分割モデルのトレーニングのための新しいサンプルを効率よく生成するフレームワークを提案する。まず, 対向型自己エンコーダに基づく病変発生器を自己管理的に訓練する。次に,新しい画像合成アルゴリズムであるSoft Poisson Blendingを用いて,合成病変と脳画像のシームレスな結合を行う。
論文参考訳（メタデータ） (2024-06-21T01:53:12Z)
Dual-scale Enhanced and Cross-generative Consistency Learning for Semi-supervised Medical Image Segmentation [49.57907601086494]
医用画像のセグメンテーションはコンピュータ支援診断において重要な役割を担っている。半教師型医用画像(DEC-Seg)のための新しいDual-scale Enhanced and Cross-generative consistency learning frameworkを提案する。
論文参考訳（メタデータ） (2023-12-26T12:56:31Z)
LesionMix: A Lesion-Level Data Augmentation Method for Medical Image Segmentation [10.464109996943218]
新規かつ簡便な病変認識データ拡張法であるLesionMixを提案する。病変レベルで増強を行い、病変の形状、位置、強度、負荷分布の多様性を増大させる。 4つの脳MRI病変データセットと1つの肝CT病変データセットを含む、異なるモダリティと異なる病変データセットの実験は、LesionMixが病変画像セグメンテーションにおいて有望なパフォーマンスを達成することを実証している。
論文参考訳（メタデータ） (2023-08-17T14:56:08Z)
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)
Multiple Sclerosis Lesions Segmentation using Attention-Based CNNs in FLAIR Images [0.2578242050187029]
多発性硬化症(Multiple Sclerosis、MS)は、中枢神経系の病変を引き起こす自己免疫性脱髄性疾患である。今のところ、病変の分断には多要素自動バイオメディカルアプローチが多用されている。著者らは1つのモダリティ(FLAIR画像)を用いてMS病変を正確に分類する方法を提案する。
論文参考訳（メタデータ） (2022-01-05T21:37:43Z)
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)
ResizeMix: Mixing Data with Preserved Object Information and True Labels [57.00554495298033]
本研究は,データ混合におけるサリエンシー情報の重要性について検討し,サリエンシー情報は増補性能向上のために必要ではないことを見出した。本稿では,より効率的で実装が容易なresizemix法を提案する。
論文参考訳（メタデータ） (2020-12-21T03:43:13Z)
Boosted EfficientNet: Detection of Lymph Node Metastases in Breast Cancer Using Convolutional Neural Network [6.444922476853511]
The Convolutional Neutral Network (CNN) は乳癌のリンパ節転移の予測と分類に応用されている。そこで本研究では,小さな解像度画像を容易にするためのRandom Center Cropping (RCC) という新しいデータ拡張手法を提案する。
論文参考訳（メタデータ） (2020-10-10T15:18:56Z)
Improved Slice-wise Tumour Detection in Brain MRIs by Computing Dissimilarities between Latent Representations [68.8204255655161]
磁気共鳴画像(MRI)の異常検出は教師なし手法で行うことができる。本研究では,変分オートエンコーダの潜伏空間における相似関数の計算に基づいて,腫瘍検出のためのスライスワイズ半教師法を提案する。本研究では,高解像度画像上でのモデルをトレーニングし,再現の質を向上させることにより,異なるベースラインに匹敵する結果が得られることを示す。
論文参考訳（メタデータ） (2020-07-24T14:02:09Z)
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。