Fugu-MT 論文翻訳(概要): Self-supervised Tumor Segmentation through Layer Decomposition

論文の概要: Self-supervised Tumor Segmentation through Layer Decomposition

arxiv url: http://arxiv.org/abs/2109.03230v1
Date: Tue, 7 Sep 2021 17:58:35 GMT
ステータス: 処理完了
システム内更新日: 2021-09-08 14:34:30.210955
Title: Self-supervised Tumor Segmentation through Layer Decomposition
Title（参考訳）: 層分解を介する自己教師付き腫瘍分画
Authors: Xiaoman Zhang, Weidi Xie, Chaoqin Huang, Ya Zhang, and Yanfeng Wang
Abstract要約: 腫瘍の分節に対する自己監督的アプローチを提案する。具体的には、下流タスクに自己教師付き学習モデルを直接適用すべきゼロショット設定を提唱する。
参考スコア（独自算出の注目度）: 31.89022187980646
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In this paper, we propose a self-supervised approach for tumor segmentation. Specifically, we advocate a zero-shot setting, where models from self-supervised learning should be directly applicable for the downstream task, without using any manual annotations whatsoever. We make the following contributions. First, with careful examination on existing self-supervised learning approaches, we reveal the surprising result that, given suitable data augmentation, models trained from scratch in fact achieve comparable performance to those pre-trained with self-supervised learning. Second, inspired by the fact that tumors tend to be characterized independently to the contexts, we propose a scalable pipeline for generating synthetic tumor data, and train a self-supervised model that minimises the generalisation gap with the downstream task. Third, we conduct extensive ablation studies on different downstream datasets, BraTS2018 for brain tumor segmentation and LiTS2017 for liver tumor segmentation. While evaluating the model transferability for tumor segmentation under a low-annotation regime, including an extreme case of zero-shot segmentation, the proposed approach demonstrates state-of-the-art performance, substantially outperforming all existing self-supervised approaches, and opening up the usage of self-supervised learning in practical scenarios.
Abstract（参考訳）: 本稿では,腫瘍のセグメンテーションに対する自己監督的アプローチを提案する。具体的には,手動アノテーションをまったく使わずに,自己教師付き学習のモデルを下流タスクに直接適用するゼロショット設定を提唱する。私たちは以下の貢献をします。まず,既存の自己教師付き学習手法を慎重に検討した結果,適切なデータ拡張を前提として,スクラッチから学習したモデルが,自己教師付き学習で事前学習したモデルと同等の性能を達成できることが判明した。第2に,腫瘍は文脈と独立して特徴付けられる傾向にあるという事実に着想を得て,合成腫瘍データを生成するスケーラブルなパイプラインを提案し,下流タスクとの一般化ギャップを最小化する自己教師付きモデルを訓練する。第3に,脳腫瘍分画用brats2018,肝腫瘍分画用lits2017など,下流別データセットの広範なアブレーション研究を行った。ゼロショットセグメンテーションの極端な事例を含む低アノテーション体制下での腫瘍セグメンテーションのモデル伝達性を評価する一方で、提案手法は最先端の性能を示し、既存の自己教師型アプローチを実質的に上回り、実践シナリオにおける自己教師型学習の使用を開放する。

関連論文リスト

A Survey of the Impact of Self-Supervised Pretraining for Diagnostic Tasks with Radiological Images [71.26717896083433]
自己教師付き事前学習は,伝達学習における特徴表現の改善に有効であることが観察されている。本総説ではX線, CT, 磁気共鳴, 超音波画像における使用法について概説する。
論文参考訳（メタデータ） (2023-09-05T19:45:09Z)
Self-Supervised Learning for Organs At Risk and Tumor Segmentation with Uncertainty Quantification [4.5927879037694135]
本研究は,臓器損傷リスク(OAR)に対するトランスフォーマーの自己指導的事前訓練と腫瘍の分節化が,費用がかかる完全教師付き学習と比較して与える影響について述べる。提案アルゴリズムはモンテカルロ変換器を用いたU-Net (MC-Swin-U) と呼ばれる。
論文参考訳（メタデータ） (2023-05-04T01:50:41Z)
Less is More: Mitigate Spurious Correlations for Open-Domain Dialogue Response Generation Models by Causal Discovery [52.95935278819512]
本研究で得られたCGDIALOGコーパスに基づくオープンドメイン応答生成モデルのスプリアス相関に関する最初の研究を行った。因果探索アルゴリズムに着想を得て,反応生成モデルの学習と推論のための新しいモデル非依存手法を提案する。
論文参考訳（メタデータ） (2023-03-02T06:33:48Z)
Clinically Acceptable Segmentation of Organs at Risk in Cervical Cancer Radiation Treatment from Clinically Available Annotations [0.0]
子宮頸癌放射線治療におけるOAR(Organs at Risk)の自動セグメンテーションのためのディープラーニングモデルを学習するためのアプローチを提案する。我々は、データの不均一性、ラベルノイズ、アノテーションの欠如を最小限に抑えるために、自動データのクリーニングにシンプルな手法を採用している。そこで本研究では,教師が指導するシステム,アノテーション命令,不確実性誘導学習を利用して,アノテーションの欠如の有無を学習する半教師付き学習手法を開発した。
論文参考訳（メタデータ） (2023-02-21T13:24:40Z)
M-GenSeg: Domain Adaptation For Target Modality Tumor Segmentation With Annotation-Efficient Supervision [4.023899199756184]
M-GenSegは、クロスモダリティ腫瘍セグメンテーションのための、新しい半教師付きジェネレーショントレーニング戦略である。 4つの異なるコントラスト配列からなる脳腫瘍セグメント化データセットの性能評価を行った。以前の技術とは異なり、M-GenSegは部分的に注釈付きソースモダリティでトレーニングする機能も導入している。
論文参考訳（メタデータ） (2022-12-14T15:19:06Z)
Optimized Global Perturbation Attacks For Brain Tumour ROI Extraction From Binary Classification Models [0.304585143845864]
本稿では,バイナリクラスラベルを用いた関心領域獲得のための弱教師付きアプローチを提案する。また、事前訓練されたバイナリ分類モデルに基づいて、ジェネレータモデルをトレーニングするための新しい目的関数を提案する。
論文参考訳（メタデータ） (2022-11-09T14:52:36Z)
Self-supervised driven consistency training for annotation efficient histopathology image analysis [13.005873872821066]
大きなラベル付きデータセットでニューラルネットワークをトレーニングすることは、計算病理学において依然として支配的なパラダイムである。本研究では,非教師付き表現学習のための強力な監視信号を学ぶために,ヒストロジ全体スライディング画像の背景となる多段階的文脈的手がかりを利用する自己教師付きプレテキストタスクを提案する。また,タスク固有の未ラベルデータとの予測整合性に基づいて,事前学習した表現を下流タスクに効果的に転送することを学ぶ教師による半教師付き一貫性パラダイムを提案する。
論文参考訳（メタデータ） (2021-02-07T19:46:21Z)
A Teacher-Student Framework for Semi-supervised Medical Image Segmentation From Mixed Supervision [62.4773770041279]
そこで我々は,臓器と病変のセグメンテーションのための教師と学生のスタイルに基づくセミ教師付き学習フレームワークを開発した。我々は,本モデルがバウンディングボックスの品質に対して堅牢であることを示し,フル教師付き学習手法と比較した性能を実現する。
論文参考訳（メタデータ） (2020-10-23T07:58:20Z)
Deep Semi-supervised Knowledge Distillation for Overlapping Cervical Cell Instance Segmentation [54.49894381464853]
本稿では, ラベル付きデータとラベルなしデータの両方を, 知識蒸留による精度向上に活用することを提案する。摂動に敏感なサンプルマイニングを用いたマスク誘導型平均教師フレームワークを提案する。実験の結果,ラベル付きデータのみから学習した教師付き手法と比較して,提案手法は性能を著しく向上することがわかった。
論文参考訳（メタデータ） (2020-07-21T13:27:09Z)
Automatic Recall Machines: Internal Replay, Continual Learning and the Brain [104.38824285741248]
ニューラルネットワークのリプレイには、記憶されたサンプルを使ってシーケンシャルなデータのトレーニングが含まれる。本研究では,これらの補助サンプルをフライ時に生成する手法を提案する。代わりに、評価されたモデル自体内の学習したサンプルの暗黙の記憶が利用されます。
論文参考訳（メタデータ） (2020-06-22T15:07:06Z)
Automatic Data Augmentation via Deep Reinforcement Learning for Effective Kidney Tumor Segmentation [57.78765460295249]
医用画像セグメンテーションのための新しい学習ベースデータ拡張法を開発した。本手法では,データ拡張モジュールと後続のセグメンテーションモジュールをエンドツーエンドのトレーニング方法で一貫した損失と,革新的に組み合わせる。提案法の有効性を検証したCT腎腫瘍分節法について,本法を広範囲に評価した。
論文参考訳（メタデータ） (2020-02-22T14:10:13Z)

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。