論文の概要: A Unified Framework for Generalized Low-Shot Medical Image Segmentation
with Scarce Data
- arxiv url: http://arxiv.org/abs/2110.09260v1
- Date: Mon, 18 Oct 2021 13:01:06 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-19 17:17:48.856479
- Title: A Unified Framework for Generalized Low-Shot Medical Image Segmentation
with Scarce Data
- Title（参考訳）: スカースデータを用いた汎用低ショット医用画像分割のための統一フレームワーク
- Authors: Hengji Cui, Dong Wei, Kai Ma, Shi Gu, and Yefeng Zheng
- Abstract要約: 距離距離距離距離学習(DML)に基づく医用画像分割の一般化のための統一的枠組みを提案する。
DMLでは,各カテゴリの多モード混合表現を学習し,画素の深層埋め込みとカテゴリ表現との間の余弦距離に基づいて密接な予測を行う。
脳MRIおよび腹部CTデータセットの実験において,提案手法は標準DNN(3D U-Net)法と古典的登録(ANT)法に対して,低ショットセグメンテーションにおいて優れた性能を示す。
- 参考スコア（独自算出の注目度）: 24.12765716392381
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Medical image segmentation has achieved remarkable advancements using deep
neural networks (DNNs). However, DNNs often need big amounts of data and
annotations for training, both of which can be difficult and costly to obtain.
In this work, we propose a unified framework for generalized low-shot (one- and
few-shot) medical image segmentation based on distance metric learning (DML).
Unlike most existing methods which only deal with the lack of annotations while
assuming abundance of data, our framework works with extreme scarcity of both,
which is ideal for rare diseases. Via DML, the framework learns a multimodal
mixture representation for each category, and performs dense predictions based
on cosine distances between the pixels' deep embeddings and the category
representations. The multimodal representations effectively utilize the
inter-subject similarities and intraclass variations to overcome overfitting
due to extremely limited data. In addition, we propose adaptive mixing
coefficients for the multimodal mixture distributions to adaptively emphasize
the modes better suited to the current input. The representations are
implicitly embedded as weights of the fc layer, such that the cosine distances
can be computed efficiently via forward propagation. In our experiments on
brain MRI and abdominal CT datasets, the proposed framework achieves superior
performances for low-shot segmentation towards standard DNN-based (3D U-Net)
and classical registration-based (ANTs) methods, e.g., achieving mean Dice
coefficients of 81%/69% for brain tissue/abdominal multiorgan segmentation
using a single training sample, as compared to 52%/31% and 72%/35% by the U-Net
and ANTs, respectively.
- Abstract（参考訳）: 医用画像分割はディープニューラルネットワーク(dnn)を用いて著しく進歩した。
しかし、DNNはトレーニングのために大量のデータとアノテーションを必要とすることが多く、どちらも入手が困難でコストがかかる。
本研究では,距離メトリック学習(dml)に基づく一般化された医療画像分割のための統一フレームワークを提案する。
大量のデータを想定しながら、アノテーションの欠如に対処する既存の方法とは異なり、我々のフレームワークは、稀な疾患に理想的な、両方の極端な不足に対処する。
DMLでは,各カテゴリの多モード混合表現を学習し,画素の深層埋め込みとカテゴリ表現との間の余弦距離に基づいて密接な予測を行う。
マルチモーダル表現は、オブジェクト間の類似性とクラス内変動を効果的に利用し、非常に限られたデータによるオーバーフィッティングを克服する。
また,多モード混合分布に対する適応混合係数を提案し,現在の入力に適したモードを適応的に強調する。
表現はfc層の重みとして暗黙的に埋め込まれ、コサイン距離は前方伝播によって効率的に計算できる。
脳MRIと腹部CTデータセットを用いた実験では,標準DNN(3D U-Net)法と古典登録(ANT)法に対する低ショットセグメンテーションにおいて,単一のトレーニングサンプルを用いた脳組織/腹部多臓器セグメンテーションの平均Dice係数を平均81%/69%とし,U-NetとANTsで52%/31%,72%/35%とした。
関連論文リスト
- Label-efficient Multi-organ Segmentation Method with Diffusion Model [6.413416851085592]
我々は,CT画像における多臓器分割作業のための事前学習拡散モデルを用いたラベル効率の学習手法を提案する。
提案手法は, FLARE 2022データセットの最先端手法と比較して, 競合する多臓器セグメンテーション性能を実現する。
論文 参考訳（メタデータ） (2024-02-23T09:25:57Z) - Multi-Scale Cross Contrastive Learning for Semi-Supervised Medical Image
Segmentation [14.536384387956527]
医用画像の構造を分割するマルチスケールクロススーパービジョンコントラスト学習フレームワークを開発した。
提案手法は,頑健な特徴表現を抽出するために,地上構造と横断予測ラベルに基づくマルチスケール特徴と対比する。
Diceでは最先端の半教師あり手法を3.0%以上上回っている。
論文 参考訳（メタデータ） (2023-06-25T16:55:32Z) - Interpretable Small Training Set Image Segmentation Network Originated
from Multi-Grid Variational Model [5.283735137946097]
深層学習法 (DL) が提案され, 画像分割に広く利用されている。
DLメソッドは通常、トレーニングデータとして大量の手動セグメントデータを必要とし、解釈性に乏しい。
本稿では,MSモデルにおける手作り正則項をデータ適応型一般化可学習正則項に置き換える。
論文 参考訳（メタデータ） (2023-06-25T02:34:34Z) - Rethinking Semi-Supervised Medical Image Segmentation: A
Variance-Reduction Perspective [51.70661197256033]
医用画像セグメンテーションのための階層化グループ理論を用いた半教師付きコントラスト学習フレームワークARCOを提案する。
まず、分散還元推定の概念を用いてARCOを構築することを提案し、特定の分散還元技術が画素/ボクセルレベルのセグメンテーションタスクにおいて特に有用であることを示す。
5つの2D/3D医療データセットと3つのセマンティックセグメンテーションデータセットのラベル設定が異なる8つのベンチマークで、我々のアプローチを実験的に検証する。
論文 参考訳（メタデータ） (2023-02-03T13:50:25Z) - Med-DANet: Dynamic Architecture Network for Efficient Medical Volumetric
Segmentation [13.158995287578316]
我々は,Med-DANetという動的アーキテクチャネットワークを提案し,効率的な精度と効率のトレードオフを実現する。
入力された3次元MRIボリュームのスライス毎に,提案手法は決定ネットワークによってスライス固有の決定を学習する。
提案手法は, 従来の3次元MRI脳腫瘍セグメント化法と比較して, 同等あるいは良好な結果が得られる。
論文 参考訳（メタデータ） (2022-06-14T03:25:58Z) - CORPS: Cost-free Rigorous Pseudo-labeling based on Similarity-ranking
for Brain MRI Segmentation [3.1657395760137406]
本稿では,新しいアトラスを用いた擬似ラベル法と3次元脳MRI分割のための3次元深部畳み込みニューラルネットワーク(DCNN)に基づく半教師付きセグメンテーションフレームワークを提案する。
実験により, 定性的, 定量的に比較して, 提案手法の優位性を示した。
論文 参考訳（メタデータ） (2022-05-19T14:42:49Z) - 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) - Automatic size and pose homogenization with spatial transformer network
to improve and accelerate pediatric segmentation [51.916106055115755]
空間変換器ネットワーク(STN)を利用することにより、ポーズとスケール不変の新たなCNNアーキテクチャを提案する。
私たちのアーキテクチャは、トレーニング中に一緒に見積もられる3つのシーケンシャルモジュールで構成されています。
腹部CTスキャナーを用いた腎および腎腫瘍の分節法について検討した。
論文 参考訳（メタデータ） (2021-07-06T14:50:03Z) - 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) - Weakly-supervised Learning For Catheter Segmentation in 3D Frustum
Ultrasound [74.22397862400177]
超音波を用いた新しいカテーテルセグメンテーション法を提案する。
提案手法は,1ボリュームあたり0.25秒の効率で最先端の性能を実現した。
論文 参考訳（メタデータ） (2020-10-19T13:56:22Z) - Unpaired Multi-modal Segmentation via Knowledge Distillation [77.39798870702174]
本稿では,不対向画像分割のための新しい学習手法を提案する。
提案手法では,CTおよびMRI間での畳み込みカーネルの共有により,ネットワークパラメータを多用する。
我々は2つの多クラスセグメンテーション問題に対するアプローチを広範囲に検証した。
論文 参考訳（メタデータ） (2020-01-06T20:03:17Z)
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。