論文の概要: MetaMedSeg: Volumetric Meta-learning for Few-Shot Organ Segmentation

• arxiv url: http://arxiv.org/abs/2109.09734v1
• Date: Sat, 18 Sep 2021 11:13:45 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-22 14:29:34.973129
• Title: MetaMedSeg: Volumetric Meta-learning for Few-Shot Organ Segmentation
• Title（参考訳）: MetaMedSeg: Few-Shot Organ Segmentationのためのボリュームメタ学習
• Authors: Anastasia Makarevich, Azade Farshad, Vasileios Belagiannis, Nassir Navab
• Abstract要約: 本稿では,容量医学データに対するメタラーニングタスクを再定義する,勾配に基づくメタラーニングアルゴリズムであるMetaMedSegを提案する。 実験では, 異なる臓器のCTおよびMRIから2Dスライスを抽出し, 医療用デカトロンデータセットの評価を行った。 提案したボリュームタスク定義は,関連するベースラインと比較してIoUで最大30%改善した。
• 参考スコア（独自算出の注目度）: 47.428577772279176
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The lack of sufficient annotated image data is a common issue in medical image segmentation. For some organs and densities, the annotation may be scarce, leading to poor model training convergence, while other organs have plenty of annotated data. In this work, we present MetaMedSeg, a gradient-based meta-learning algorithm that redefines the meta-learning task for the volumetric medical data with the goal to capture the variety between the slices. We also explore different weighting schemes for gradients aggregation, arguing that different tasks might have different complexity, and hence, contribute differently to the initialization. We propose an importance-aware weighting scheme to train our model. In the experiments, we present an evaluation of the medical decathlon dataset by extracting 2D slices from CT and MRI volumes of different organs and performing semantic segmentation. The results show that our proposed volumetric task definition leads to up to 30% improvement in terms of IoU compared to related baselines. The proposed update rule is also shown to improve the performance for complex scenarios where the data distribution of the target organ is very different from the source organs.
• Abstract（参考訳）: 十分な注釈付き画像データの欠如は、医用画像のセグメンテーションにおいて一般的な問題である。 一部の臓器や密度では、アノテーションは乏しく、モデルトレーニングの収束が悪くなり、他の臓器には多くの注釈付きデータがある。 本稿では,ボリューム医療データのメタラーニングタスクを再定義し,スライス間の多様性を捉えることを目的とした,勾配に基づくメタラーニングアルゴリズムであるmetamedsegを提案する。 勾配集約のための異なる重み付けスキームについても検討し、異なるタスクは異なる複雑さを持ち、したがって初期化に異なる貢献をするかもしれないと論じた。 モデル学習のための重要度対応重み付けスキームを提案する。 実験では, 異なる臓器のCTおよびMRIボリュームから2Dスライスを抽出し, セマンティックセグメンテーションを行うことにより, 医療用デカトロンデータセットの評価を行った。 その結果,提案したボリュームタスク定義は,関連するベースラインと比較してIoUで最大30%改善することがわかった。 提案する更新規則は, 対象臓器のデータ分布がソース臓器と大きく異なる複雑なシナリオにおいて, 性能を向上させることも示されている。

関連論文リスト

• MOSMOS: Multi-organ segmentation facilitated by medical report supervision [10.396987980136602]
  マルチオーガンスーパービジョン(MOS)のための新しい事前学習・微調整フレームワークを提案する。 具体的には、まず、トレーニング前の段階で、医用画像とレポートのペアを合わせるために、グローバルコントラスト学習を導入する。 さらに,画像画素と臓器タグ間の意味的対応を暗黙的に学習するために,マルチラベル認識を活用する。
  論文  参考訳（メタデータ） (2024-09-04T03:46:17Z)
• MedContext: Learning Contextual Cues for Efficient Volumetric Medical Segmentation [25.74088298769155]
  医用3次元セグメンテーションのためのユニバーサルトレーニングフレームワークMedContextを提案する。 本手法は,教師付きボクセルセグメンテーションタスクと協調して,自己教師付きコンテキストキューを効果的に学習する。 MedContextの有効性は、複数の3D医療データセットと4つの最先端モデルアーキテクチャで検証されている。
  論文  参考訳（メタデータ） (2024-02-27T17:58:05Z)
• 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)
• DCID: Deep Canonical Information Decomposition [84.59396326810085]
  本稿では,2つの1次元目標変数間で共有される信号の同定について考察する。 そこで本研究では,地中トラスラベルの存在下で使用可能な評価指標であるICMを提案する。 また、共有変数を学習するための単純かつ効果的なアプローチとして、Deep Canonical Information Decomposition (DCID)を提案する。
  論文  参考訳（メタデータ） (2023-06-27T16:59:06Z)
• Meta-Learners for Few-Shot Weakly-Supervised Medical Image Segmentation [2.781492199939609]
  医用画像領域における弱教師付きセグメンテーションのための汎用メタラーニングフレームワークを提案する。 画像分割に適応したメタラーナーの比較分析を行った。
  論文  参考訳（メタデータ） (2023-05-11T15:57:45Z)
• A Knowledge Distillation framework for Multi-Organ Segmentation of Medaka Fish in Tomographic Image [5.881800919492064]
  メダカ魚のトモグラフィー画像における多臓器セグメンテーションのための自己学習フレームワークを提案する。 本研究では,事前訓練されたモデルから得られた擬似ラベルデータを利用して,擬似ラベルデータを洗練するために品質教師を採用する。 実験結果から,本手法は全データセット上で平均IoU(Intersection over Union)を5.9%改善することが示された。
  論文  参考訳（メタデータ） (2023-02-24T10:31:29Z)
• Mine yOur owN Anatomy: Revisiting Medical Image Segmentation with Extremely Limited Labels [54.58539616385138]
  我々は、Mine yOur owN Anatomy (MONA) と呼ばれる、新しい半教師付き2次元医用画像セグメンテーションフレームワークを紹介する。 まず、先行研究では、すべてのピクセルがモデルトレーニングに等しく重要であると論じており、我々はこの1つだけで意味のある解剖学的特徴を定義できないことを経験的に観察している。 第2に,医療画像を解剖学的特徴の集合に分解できるモデルを構築する。
  論文  参考訳（メタデータ） (2022-09-27T15:50:31Z)
• Unsupervised Domain Adaptation through Shape Modeling for Medical Image Segmentation [23.045760366698634]
  医用画像のセグメンテーションを支援するために, 形状を明示的にモデル化し, 利用することを目的としている。 従来の方法では、特定の臓器の形状の分布を学習するための変分オートエンコーダ(VAE)モデルが提案されていた。 本研究では,教師/学生の学習パラダイムの下で,擬似的損失とVAE再構成損失に基づく教師なしドメイン適応パイプラインを提案する。
  論文  参考訳（メタデータ） (2022-07-06T09:16:42Z)
• FedMed-GAN: Federated Domain Translation on Unsupervised Cross-Modality Brain Image Synthesis [55.939957482776194]
  我々は、教師なし脳画像合成におけるフェデレートドメイン翻訳のための新しいベンチマーク(FedMed-GAN)を提案する。 FedMed-GANは発電機の性能を犠牲にすることなくモード崩壊を緩和する。 FedMed-GANと他の集中型手法を比較するための総合的な評価を提供する。
  論文  参考訳（メタデータ） (2022-01-22T02:50:29Z)
• Generalized Organ Segmentation by Imitating One-shot Reasoning using Anatomical Correlation [55.1248480381153]
  そこで我々は,アノテーション付きオルガンクラスから一般化されたオルガン概念を学習し,その概念を未知のクラスに転送するOrganNetを提案する。 そこで,OrganNetは臓器形態の幅広い変化に効果的に抵抗でき,一発分節タスクで最先端の結果が得られることを示す。
  論文  参考訳（メタデータ） (2021-03-30T13:41:12Z)

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。