Fugu-MT 論文翻訳(概要): Partial supervision for the FeTA challenge 2021

論文の概要: Partial supervision for the FeTA challenge 2021

arxiv url: http://arxiv.org/abs/2111.02408v1
Date: Wed, 3 Nov 2021 16:48:39 GMT
ステータス: 処理完了
システム内更新日: 2021-11-05 12:13:25.498753
Title: Partial supervision for the FeTA challenge 2021
Title（参考訳）: FeTAチャレンジ2021における部分的監督
Authors: Lucas Fidon, Michael Aertsen, Suprosanna Shit, Philippe Demaerel, S\'ebastien Ourselin, Jan Deprest and Tom Vercauteren
Abstract要約: 医用画像分割のための畳み込みニューラルネットワークの性能は、トレーニングデータの数と正の相関関係があると考えられている。 FeTAチャレンジは、提供されたトレーニングデータのみの使用を参加者に制限するのではなく、他の公開ソースの使用も許可している。本稿では,最新のディープラーニングパイプラインのセグメンテーション性能を向上させるためにラベルセット損失関数を提案する。
参考スコア（独自算出の注目度）: 5.388159776780446
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: This paper describes our method for our participation in the FeTA challenge2021 (team name: TRABIT). The performance of convolutional neural networks for medical image segmentation is thought to correlate positively with the number of training data. The FeTA challenge does not restrict participants to using only the provided training data but also allows for using other publicly available sources. Yet, open access fetal brain data remains limited. An advantageous strategy could thus be to expand the training data to cover broader perinatal brain imaging sources. Perinatal brain MRIs, other than the FeTA challenge data, that are currently publicly available, span normal and pathological fetal atlases as well as neonatal scans. However, perinatal brain MRIs segmented in different datasets typically come with different annotation protocols. This makes it challenging to combine those datasets to train a deep neural network. We recently proposed a family of loss functions, the label-set loss functions, for partially supervised learning. Label-set loss functions allow to train deep neural networks with partially segmented images, i.e. segmentations in which some classes may be grouped into super-classes. We propose to use label-set loss functions to improve the segmentation performance of a state-of-the-art deep learning pipeline for multi-class fetal brain segmentation by merging several publicly available datasets. To promote generalisability, our approach does not introduce any additional hyper-parameters tuning.
Abstract（参考訳）: 本稿では, FeTA Challenge2021(チーム名TRABIT)への参加について述べる。医用画像分割のための畳み込みニューラルネットワークの性能は,トレーニングデータ数と正の相関があると考えられる。 FeTAチャレンジは、提供されたトレーニングデータのみの使用を制限するだけでなく、他の公開ソースの使用も許可している。しかし、オープンアクセス胎児の脳データはまだ限られている。したがって、より広い周産期脳画像源をカバーするためにトレーニングデータを拡張するという利点がある。 FeTAチャレンジデータ以外の周産期脳MRIは、現在公開されており、正常および病理学的胎児のアトラスと新生児スキャンにまたがっている。しかし、異なるデータセットに区切られた周産期脳MRIは通常、異なるアノテーションプロトコルを持つ。これにより、これらのデータセットを組み合わせることで、ディープニューラルネットワークのトレーニングが困難になる。我々は最近,部分教師付き学習のためのラベルセット損失関数という損失関数の族を提案した。ラベルセット損失関数は、部分分割された画像、すなわちいくつかのクラスをスーパークラスに分類できるセグメンテーションでディープニューラルネットワークを訓練することができる。本稿では,複数の公開データセットをマージすることで,マルチクラスの胎児脳セグメンテーションのための最先端ディープラーニングパイプラインのセグメンテーション性能を向上させるためにラベルセット損失関数を提案する。一般化性を促進するため,提案手法は追加のハイパーパラメータチューニングを導入しない。

関連論文リスト

SpaRG: Sparsely Reconstructed Graphs for Generalizable fMRI Analysis [8.489318619991534]
深層学習は、精神疾患や個人の特徴に関連する静止状態機能型磁気共鳴イメージング(rsfMRI)のパターンを明らかにするのに役立つ。しかし、深層学習の発見を解釈する問題は、fMRIによる分析よりも明らかではない。スパーシフィケーションと自己超越に基づくこれらの課題を緩和するための簡単なアプローチを提案する。
論文参考訳（メタデータ） (2024-09-24T18:35:57Z)
From Barlow Twins to Triplet Training: Differentiating Dementia with Limited Data [8.954593873296284]
本稿では,限られた対象データを用いたディファレンシャル診断のためのトリプルトトレーニングを提案する。 i)Barlow Twinsによるラベルなしデータに対する自己教師付き事前トレーニング、(ii)タスク関連データに対する自己蒸留、(iii)ターゲットデータセットに対する微調整の3つの重要なステージで構成されている。私たちのアプローチは従来のトレーニング戦略を著しく上回り、75.6%のバランスの取れた精度を実現しています。
論文参考訳（メタデータ） (2024-04-09T12:25:06Z)
Enhancing Weakly Supervised 3D Medical Image Segmentation through Probabilistic-aware Learning [52.249748801637196]
3次元医用画像のセグメンテーションは、疾患の診断と治療計画に重要な意味を持つ課題である。近年の深層学習の進歩は、完全に教師付き医療画像のセグメンテーションを著しく強化している。本稿では,3次元医用画像に特化して設計された,確率的適応型弱教師付き学習パイプラインを提案する。
論文参考訳（メタデータ） (2024-03-05T00:46:53Z)
Predicting Infant Brain Connectivity with Federated Multi-Trajectory GNNs using Scarce Data [54.55126643084341]
既存のディープラーニングソリューションには,3つの大きな制限がある。我々はフェデレートグラフベースの多軌道進化ネットワークであるFedGmTE-Net++を紹介する。フェデレーションの力を利用して、限られたデータセットを持つ多種多様な病院の地域学習を集約する。
論文参考訳（メタデータ） (2024-01-01T10:20:01Z)
Robust T-Loss for Medical Image Segmentation [56.524774292536264]
本稿では,医用画像分割のための新しいロバストな損失関数T-Lossを提案する。提案した損失は、Student-t分布の負のログ類似度に基づいており、データ内の外れ値の処理を効果的に行うことができる。実験の結果,T-Lossは2つの医療データセットのダイススコアにおいて従来の損失関数よりも優れていた。
論文参考訳（メタデータ） (2023-06-01T14:49:40Z)
CvS: Classification via Segmentation For Small Datasets [52.821178654631254]
本稿では,分類ラベルをセグメントマップの予測から導出する小型データセットのコスト効率の高い分類器であるCvSを提案する。我々は,CvSが従来の手法よりもはるかに高い分類結果が得られることを示す多種多様な問題に対して,本フレームワークの有効性を評価する。
論文参考訳（メタデータ） (2021-10-29T18:41:15Z)
Label-set Loss Functions for Partial Supervision: Application to Fetal Brain 3D MRI Parcellation [4.097894622001556]
ラベル集合損失関数の最初の公理的定義を提案する。完全分割画像に対する古典的損失関数を適切なラベルセット損失関数に変換する方法は1つと1つしかないことを示す。今回我々は, 胎児脳の3次元MRIセグメント化のための部分教師あり学習法として, リーフ・ディース・ロス法を新たに導入した。
論文参考訳（メタデータ） (2021-07-08T13:53:56Z)
Domain Generalization for Medical Imaging Classification with Linear-Dependency Regularization [59.5104563755095]
本稿では,医用画像分類分野におけるディープニューラルネットワークの一般化能力向上のための,シンプルだが効果的なアプローチを提案する。医用画像の領域変数がある程度コンパクトであることに感銘を受けて,変分符号化による代表的特徴空間の学習を提案する。
論文参考訳（メタデータ） (2020-09-27T12:30:30Z)
Learning Non-Unique Segmentation with Reward-Penalty Dice Loss [7.481722938212153]
我々は、ディープ畳み込みニューラルネットワーク(DCNN)の最適化目的として、報奨金損失(RPDL)関数を提案する。 RPDLは、DCNNが共通領域を拡大し、外部領域をペナルティ化することで、非共通セグメンテーションの学習を支援することができる。実験の結果、RPDLはDCNNモデルの性能を最大18.4%向上させることがわかった。
論文参考訳（メタデータ） (2020-09-23T07:59:49Z)
Multi-Site Infant Brain Segmentation Algorithms: The iSeg-2019 Challenge [53.48285637256203]
iSeg 2019 Challengeは、さまざまなプロトコル/スキャナーを持つ複数のサイトから6ヶ月の乳児のセットを提供する。執筆時点では、iSeg 2019には30の自動セグメンテーションメソッドが参加している。私たちは、パイプライン/実装の詳細を説明し、実験結果を示し、脳全体、関心領域、ジャラルランドマークカーブの観点からパフォーマンスを評価することで、上位8チームについてレビューします。
論文参考訳（メタデータ） (2020-07-04T13:39:48Z)
Train, Learn, Expand, Repeat [0.15833270109954134]
教師付き機械学習モデルのトレーニングに成功するためには、高品質なラベル付きデータが不可欠である。専門的にデータをラベル付けできる医療専門家は、希少で高価なリソースである。本手法は頭蓋内出血(ICH)の頭蓋内CT検査に応用する。
論文参考訳（メタデータ） (2020-03-18T20:55:38Z)

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。