論文の概要: Learning of Inter-Label Geometric Relationships Using Self-Supervised
Learning: Application To Gleason Grade Segmentation
- arxiv url: http://arxiv.org/abs/2110.00404v1
- Date: Fri, 1 Oct 2021 13:47:07 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-04 14:28:00.413422
- Title: Learning of Inter-Label Geometric Relationships Using Self-Supervised
Learning: Application To Gleason Grade Segmentation
- Title（参考訳）: 自己監督学習を用いたラベル間幾何関係の学習:グリーソングレードセグメンテーションへの応用
- Authors: Dwarikanath Mahapatra
- Abstract要約: そこで本研究では,PCaの病理組織像に対して,異なる疾患ラベル間の幾何学的関係を学習して合成する方法を提案する。
我々はGleasonスコアを用いた弱教師付きセグメンテーション手法を用いて、疾患領域をセグメンテーションする。
得られたセグメンテーションマップは、行方不明のマスクセグメントを予測するためにShaRe-Net(ShaRe-Net)をトレーニングするために使用される。
- 参考スコア（独自算出の注目度）: 4.898744396854313
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Segmentation of Prostate Cancer (PCa) tissues from Gleason graded
histopathology images is vital for accurate diagnosis. Although deep learning
(DL) based segmentation methods achieve state-of-the-art accuracy, they rely on
large datasets with manual annotations. We propose a method to synthesize for
PCa histopathology images by learning the geometrical relationship between
different disease labels using self-supervised learning. We use a weakly
supervised segmentation approach that uses Gleason score to segment the
diseased regions and the resulting segmentation map is used to train a Shape
Restoration Network (ShaRe-Net) to predict missing mask segments in a
self-supervised manner. Using DenseUNet as the backbone generator architecture
we incorporate latent variable sampling to inject diversity in the image
generation process and thus improve robustness. Experiments on multiple
histopathology datasets demonstrate the superiority of our method over
competing image synthesis methods for segmentation tasks. Ablation studies show
the benefits of integrating geometry and diversity in generating high-quality
images, and our self-supervised approach with limited class-labeled data
achieves similar performance as fully supervised learning.
- Abstract（参考訳）: 前立腺癌(PCa)の病理組織像からの分離は正確な診断には不可欠である。
ディープラーニング(DL)ベースのセグメンテーション手法は最先端の精度を実現するが、手動アノテーションによる大規模なデータセットに依存している。
自己教師付き学習を用いて異なる疾患ラベル間の幾何学的関係を学習し,pca病理組織像の合成法を提案する。
我々は、Gleasonスコアを用いて病気領域のセグメンテーションを行い、その結果のセグメンテーションマップを用いて形状復元ネットワーク(ShaRe-Net)を訓練し、欠損マスクセグメントを自己管理的に予測する。
DenseUNetをバックボーンジェネレータアーキテクチャとして使用し、画像生成プロセスの多様性を注入し、ロバスト性を改善するために潜時変数サンプリングを組み込む。
複数の病理組織学データセットを用いた実験により,セグメンテーション課題に対する画像合成法よりも優れた方法が示された。
アブレーション研究は,高品質画像の生成における幾何学と多様性の統合の利点を示し,クラスラベルデータに制限のある自己教師付きアプローチは,完全な教師付き学習と同等の性能を達成している。
関連論文リスト
- 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) - Shape Matters: Detecting Vertebral Fractures Using Differentiable
Point-Based Shape Decoding [51.38395069380457]
変性性脊椎疾患は高齢者に多い。
骨粗しょう性骨折やその他の変性変形性骨折のタイムリーな診断は、重度の腰痛や障害のリスクを軽減するための前向きな処置を促進する。
本研究では,脊椎動物に対する形状自動エンコーダの使用について検討する。
論文 参考訳（メタデータ） (2023-12-08T18:11:22Z) - CGAM: Click-Guided Attention Module for Interactive Pathology Image
Segmentation via Backpropagating Refinement [8.590026259176806]
腫瘍領域のセグメンテーションは、デジタル病理の定量的解析に欠かせない課題である。
最近のディープニューラルネットワークは、様々な画像分割タスクで最先端のパフォーマンスを示している。
本稿では,クリック型ユーザインタラクションによるディープニューラルネットワークの出力を改良する対話的セグメンテーション手法を提案する。
論文 参考訳（メタデータ） (2023-07-03T13:45:24Z) - Weakly supervised segmentation with point annotations for histopathology
images via contrast-based variational model [7.021021047695508]
病理組織像のセグメンテーション結果を生成するためのコントラストモデルを提案する。
本手法は,病理組織像における対象領域の共通特性を考察し,エンドツーエンドで訓練することができる。
より地域的に一貫性があり、スムーズな境界セグメンテーションを生成することができ、未ラベルの新規領域に対してより堅牢である。
論文 参考訳（メタデータ） (2023-04-07T10:12:21Z) - 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) - Reliable Joint Segmentation of Retinal Edema Lesions in OCT Images [55.83984261827332]
本稿では,信頼性の高いマルチスケールウェーブレットエンハンストランスネットワークを提案する。
本研究では,ウェーブレット型特徴抽出器ネットワークとマルチスケール変圧器モジュールを統合したセグメンテーションバックボーンを開発した。
提案手法は,他の最先端セグメンテーション手法と比較して信頼性の高いセグメンテーション精度を実現する。
論文 参考訳（メタデータ） (2022-12-01T07:32:56Z) - Mixed-UNet: Refined Class Activation Mapping for Weakly-Supervised
Semantic Segmentation with Multi-scale Inference [28.409679398886304]
我々は、デコードフェーズに2つの並列分岐を持つMixed-UNetという新しいモデルを開発する。
地域病院や公開データセットから収集したデータセットに対して,いくつかの一般的なディープラーニングに基づくセグメンテーションアプローチに対して,設計したMixed-UNetを評価した。
論文 参考訳（メタデータ） (2022-05-06T08:37:02Z) - CT Image Synthesis Using Weakly Supervised Segmentation and Geometric
Inter-Label Relations For COVID Image Analysis [4.898744396854313]
解剖学的ラベル間の関係を学習し,GANを用いた医用画像合成法の改良を提案する。
本手法から得られた合成画像を用いて,肺CT画像から新型コロナウイルス感染領域を抽出するネットワークを訓練する。
論文 参考訳（メタデータ） (2021-06-15T07:21:24Z) - 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) - 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。