論文の概要: Duo-SegNet: Adversarial Dual-Views for Semi-Supervised Medical Image Segmentation

• arxiv url: http://arxiv.org/abs/2108.11154v1
• Date: Wed, 25 Aug 2021 10:16:12 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-26 12:59:04.917751
• Title: Duo-SegNet: Adversarial Dual-Views for Semi-Supervised Medical Image Segmentation
• Title（参考訳）: Duo-SegNet:半監督医用画像分割のための対人デュアルビュー
• Authors: Himashi Peiris, Zhaolin Chen, Gary Egan, Mehrtash Harandi
• Abstract要約: マルチビュー学習の概念に基づく半教師付き画像分割手法を提案する。 提案手法は,最先端の医用画像分割アルゴリズムを一貫して,快適に向上させる。
• 参考スコア（独自算出の注目度）: 14.535295064959746
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Segmentation of images is a long-standing challenge in medical AI. This is mainly due to the fact that training a neural network to perform image segmentation requires a significant number of pixel-level annotated data, which is often unavailable. To address this issue, we propose a semi-supervised image segmentation technique based on the concept of multi-view learning. In contrast to the previous art, we introduce an adversarial form of dual-view training and employ a critic to formulate the learning problem in multi-view training as a min-max problem. Thorough quantitative and qualitative evaluations on several datasets indicate that our proposed method outperforms state-of-the-art medical image segmentation algorithms consistently and comfortably. The code is publicly available at https://github.com/himashi92/Duo-SegNet
• Abstract（参考訳）: 画像のセグメンテーションは、医療AIにおける長年の課題である。 これは主に、イメージセグメンテーションを実行するためにニューラルネットワークをトレーニングする場合、大量のピクセルレベルのアノテートデータが必要になるためであり、しばしば利用できない。 この問題に対処するために,多視点学習の概念に基づく半教師付き画像分割手法を提案する。 先行技術とは対照的に,デュアルビュートレーニングの敵対的形式を導入し,批判者を用いて,マルチビュートレーニングにおける学習問題をmin-max問題として定式化する。 いくつかのデータセットの定量的および定性的な評価は,提案手法が最新の医用画像分割アルゴリズムを安定かつ快適に向上させることを示す。 コードはhttps://github.com/himashi92/Duo-SegNetで公開されている。

関連論文リスト

• LVM-Med: Learning Large-Scale Self-Supervised Vision Models for Medical Imaging via Second-order Graph Matching [59.01894976615714]
  LVM-Medは、大規模医療データセットに基づいてトレーニングされた、最初のディープネットワークファミリーである。 55の公開データセットから約13万の医療画像を収集しました。 LVM-Medは、多くの最先端の教師付き、自己監督型、基礎モデルよりも経験的に優れている。
  論文  参考訳（メタデータ） (2023-06-20T22:21:34Z)
• Trustworthy Deep Learning for Medical Image Segmentation [1.0152838128195467]
  深層学習に基づくセグメンテーション法の主な制限は、画像取得プロトコルにおける可変性に対する堅牢性の欠如である。 多くの場合、手動による医用画像のセグメンテーションは高度に熟練したラッカーを必要とし、時間を要する。 この論文は、これらの制限を緩和する新しい数学的および最適化手法を導入している。
  論文  参考訳（メタデータ） (2023-05-27T12:12:53Z)
• Few Shot Medical Image Segmentation with Cross Attention Transformer [30.54965157877615]
  我々は、CAT-Netと呼ばれる、数ショットの医用画像セグメンテーションのための新しいフレームワークを提案する。 提案するネットワークは,サポート画像とクエリ画像の相関関係を抽出し,有用なフォアグラウンド情報のみに限定する。 提案手法を,Abd-CT,Abd-MRI,Card-MRIの3つの公開データセットで検証した。
  論文  参考訳（メタデータ） (2023-03-24T09:10:14Z)
• 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)
• ClamNet: Using contrastive learning with variable depth Unets for medical image segmentation [0.0]
  ユニッツは、完全な畳み込みネットワーク(FCN)とともに、医療画像のセマンティックセグメンテーションの標準手法となった。 Unet++は、UnetとFCNが直面している問題のいくつかを解決するために、Unetの亜種として導入された。 医用画像のセマンティックセグメンテーションにUnet++を訓練するために, コントラスト学習を用いる。
  論文  参考訳（メタデータ） (2022-06-10T16:55:45Z)
• Two-Stream Graph Convolutional Network for Intra-oral Scanner Image Segmentation [133.02190910009384]
  本稿では,2ストリームグラフ畳み込みネットワーク(TSGCN)を提案する。 TSGCNは3次元歯(表面)セグメンテーションにおいて最先端の方法よりも優れています。
  論文  参考訳（メタデータ） (2022-04-19T10:41:09Z)
• Min-Max Similarity: A Contrastive Learning Based Semi-Supervised Learning Network for Surgical Tools Segmentation [0.0]
  コントラスト学習に基づく半教師付きセグメンテーションネットワークを提案する。 従来の最先端技術とは対照的に、両視点トレーニングの対照的な学習形式を導入する。 提案手法は、最先端の半教師付きおよび完全教師付きセグメンテーションアルゴリズムを一貫して上回る。
  論文  参考訳（メタデータ） (2022-03-29T01:40:26Z)
• 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)
• Uncertainty guided semi-supervised segmentation of retinal layers in OCT images [4.046207281399144]
  セグメンテーションネットワークを訓練する学生・教師のアプローチに基づく,新しい不確実性誘導半教師学習を提案する。 提案するフレームワークは,様々な画像モダリティにまたがるバイオメディカルイメージセグメンテーションに有効である。
  論文  参考訳（メタデータ） (2021-03-02T23:14:25Z)
• 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)
• CRNet: Cross-Reference Networks for Few-Shot Segmentation [59.85183776573642]
  少ないショットセグメンテーションは、少数のトレーニングイメージを持つ新しいクラスに一般化できるセグメンテーションモデルを学ぶことを目的としている。 相互参照機構により、我々のネットワークは2つの画像に共起する物体をよりよく見つけることができる。 PASCAL VOC 2012データセットの実験は、我々のネットワークが最先端のパフォーマンスを達成することを示す。
  論文  参考訳（メタデータ） (2020-03-24T04:55:43Z)

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。