論文の概要: Unsupervised Local Discrimination for Medical Images

• arxiv url: http://arxiv.org/abs/2108.09440v1
• Date: Sat, 21 Aug 2021 04:53:19 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-24 15:49:28.020300
• Title: Unsupervised Local Discrimination for Medical Images
• Title（参考訳）: 医療画像に対する教師なし局所識別
• Authors: Huai Chen, Renzhen Wang, Jieyu Li, Qing Peng, Deyu Meng and Lisheng Wang
• Abstract要約: コントラスト表現学習は、医用画像処理における高価な注釈付きデータの需要を軽減する効果的な方法である。 最近の研究は主に、グローバルな特徴を学習するインスタンスワイドな差別に基づいているが、局所的な詳細は無視されている。 医療モデルを効果的に初期化するために,局所的識別特徴を学習するための普遍的局所識別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）: 35.14445357879895
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Contrastive representation learning is an effective unsupervised method to alleviate the demand for expensive annotated data in medical image processing. Recent work mainly based on instance-wise discrimination to learn global features, while neglect local details, which limit their application in processing tiny anatomical structures, tissues and lesions. Therefore, we aim to propose a universal local discrmination framework to learn local discriminative features to effectively initialize medical models, meanwhile, we systematacially investigate its practical medical applications. Specifically, based on the common property of intra-modality structure similarity, i.e. similar structures are shared among the same modality images, a systematic local feature learning framework is proposed. Instead of making instance-wise comparisons based on global embedding, our method makes pixel-wise embedding and focuses on measuring similarity among patches and regions. The finer contrastive rule makes the learnt representation more generalized for segmentation tasks and outperform extensive state-of-the-art methods by wining 11 out of all 12 downstream tasks in color fundus and chest X-ray. Furthermore, based on the property of inter-modality shape similarity, i.e. structures may share similar shape although in different medical modalities, we joint across-modality shape prior into region discrimination to realize unsupervised segmentation. It shows the feaibility of segmenting target only based on shape description from other modalities and inner pattern similarity provided by region discrimination. Finally, we enhance the center-sensitive ability of patch discrimination by introducing center-sensitive averaging to realize one-shot landmark localization, this is an effective application for patch discrimination.
• Abstract（参考訳）: 対照的表現学習は、医療画像処理における高価な注釈データの需要を軽減する効果的な教師なし手法である。 最近の研究は主に、グローバルな特徴を学習するためのケースワイドな識別に基づくが、局所的な詳細は無視され、小さな解剖学的構造、組織、病変の処理に応用が制限されている。 そこで我々は,医療モデルを効果的に初期化するための局所的識別特徴を学習するための普遍的局所的判別枠組みを提案し,その実践的応用を体系的に検討する。 具体的には、モダリティ内構造類似性の共通性、すなわち、それに基づく。 類似した構造が同じモダリティイメージで共有され、体系的な局所的特徴学習フレームワークが提案されている。 グローバル埋め込みに基づくインスタンス間比較を行う代わりに,画素間埋め込みを行い,パッチと領域間の類似度を測定することに焦点を当てた。 より微細なコントラスト則により、学習表現はセグメンテーションタスクにおいてより一般化され、カラーファンダスと胸部x線中の12個の下流タスクのうち11個を勝ち取ることにより、広範な最先端手法よりも優れる。 さらに、モダリティ間の形状類似性、すなわち、性質に基づく。 構造は類似した形状を共有できるが、異なる医療形態では、領域判別に先立って、非教師なしセグメンテーションを実現するために、異質な形状を結合する。 他のモードからの形状記述と領域識別による内部パターンの類似性のみに基づいて、セグメンテーションターゲットの実現可能性を示す。 最後に,1ショットのランドマークの局所化を実現するために,中心感性平均化を導入することにより,パッチ識別のセンタ感性を高める。

関連論文リスト

• 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)
• The Role of Local Alignment and Uniformity in Image-Text Contrastive Learning on Medical Images [7.49320945341034]
  局所的なコントラスト損失がグローバルな(サンプルごとの)コントラスト損失とどのように関連し、局所的な医療ダウンストリームタスクにどのような影響があるかを検討する。 理論的比較に基づき、局所的な損失のいくつかの成分を除去し、新しい分布に置き換えることを提案する。 胸部X線課題に対するこのアプローチを実証的に研究し,12タスク中12タスクにおいて局所的な損失を伴わずに,極めて効果的かつ優れた手法であることが確認された。
  論文  参考訳（メタデータ） (2022-11-14T10:32:51Z)
• 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)
• ScoreNet: Learning Non-Uniform Attention and Augmentation for Transformer-Based Histopathological Image Classification [11.680355561258427]
  高解像度画像はデジタル病理の進歩を妨げる。 パッチベースの処理は、しばしば複数のインスタンス学習(MIL)を組み込んで、画像レベルの予測をもたらす局所的なパッチレベルの表現を集約する。 本稿では,組織像分類に適したトランスフォーマーアーキテクチャを提案する。 局所的なきめ細かな注意と粗いグローバルな注意機構を組み合わせることで、高解像度画像の意味的な表現を効率的な計算コストで学習する。
  論文  参考訳（メタデータ） (2022-02-15T16:55:09Z)
• A Spatial Guided Self-supervised Clustering Network for Medical Image Segmentation [16.448375091671004]
  医用画像分割のための空間ガイド型自己監視クラスタリングネットワーク(SGSCN)を提案する。 単一の画像から、各ピクセルの特徴表現とクラスタリングの割り当てをエンドツーエンドで反復的に学習する。 本手法を2つの公開医用画像データセット上で評価し,従来の自己監督型クラスタリング法と比較した。
  論文  参考訳（メタデータ） (2021-07-11T00:40:40Z)
• Cross-Modality Brain Tumor Segmentation via Bidirectional Global-to-Local Unsupervised Domain Adaptation [61.01704175938995]
  本論文では,UDAスキームに基づくBiGL(Bidirectional Global-to-Local)適応フレームワークを提案する。 具体的には、脳腫瘍をセグメント化するために、双方向画像合成およびセグメンテーションモジュールを提案する。 提案手法は, 最先端の非教師なし領域適応法を大きなマージンで上回っている。
  論文  参考訳（メタデータ） (2021-05-17T10:11:45Z)
• Margin Preserving Self-paced Contrastive Learning Towards Domain Adaptation for Medical Image Segmentation [51.93711960601973]
  クロスモーダル医療画像セグメンテーションのための自己ペースコントラスト学習モデルを保存する新しいマージンを提案する。 プログレッシブに洗練されたセマンティックプロトタイプの指導により、埋め込み表現空間の識別性を高めるために、コントラスト損失を減少させる新しいマージンが提案される。 クロスモーダル心セグメンテーションタスクの実験は、MPSCLが意味セグメンテーション性能を大幅に改善することを示した。
  論文  参考訳（メタデータ） (2021-03-15T15:23:10Z)
• Unsupervised Learning of Local Discriminative Representation for Medical Images [32.155071351332964]
  局所識別表現は、多くの医療画像分析タスクで必要です。 本研究では,地域差別を教師なし表現学習に導入する。 提案手法の有効性と有用性を示した。
  論文  参考訳（メタデータ） (2020-12-17T00:20:23Z)
• Few-shot Medical Image Segmentation using a Global Correlation Network with Discriminative Embedding [60.89561661441736]
  医療画像分割のための新しい手法を提案する。 深層畳み込みネットワークを用いた数ショット画像セグメンタを構築します。 深層埋め込みの識別性を高め,同一クラスの特徴領域のクラスタリングを促進する。
  論文  参考訳（メタデータ） (2020-12-10T04:01:07Z)
• Thoracic Disease Identification and Localization using Distance Learning and Region Verification [15.851040584898463]
  本稿では,画像三重項間の識別的特徴を学習し,領域の特徴を周期的に訓練し,注意領域が疾患の情報を含んでいるかどうかを検証する方法を提案する。 我々のモデルは、挑戦的なChestX-ray14データセット上で最先端の分類性能を達成でき、我々のアブレーション研究は、距離学習と領域検証の両方が全体的な分類性能に寄与していることを示している。
  論文  参考訳（メタデータ） (2020-06-07T16:56:50Z)

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。