Fugu-MT 論文翻訳(概要): Factorisation-based Image Labelling

論文の概要: Factorisation-based Image Labelling

arxiv url: http://arxiv.org/abs/2111.10326v1
Date: Fri, 19 Nov 2021 17:10:54 GMT
ステータス: 処理完了
システム内更新日: 2021-11-22 16:54:41.935069
Title: Factorisation-based Image Labelling
Title（参考訳）: ファクトリゼーションに基づく画像ラベリング
Authors: Yu Yan, Yael Balbastre, Mikael Brudfors, John Ashburner
Abstract要約: 本稿では,潜在変数を持つ生成モデルに基づくパッチベースのラベル伝搬手法を提案する。提案したモデルを,MICCAI 2012 Grand Challenge and Workshop on Multi-Atlas Labelingのデータを用いて,最先端のモデルと比較した。
参考スコア（独自算出の注目度）: 0.9319432628663639
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Segmentation of brain magnetic resonance images (MRI) into anatomical regions is a useful task in neuroimaging. Manual annotation is time consuming and expensive, so having a fully automated and general purpose brain segmentation algorithm is highly desirable. To this end, we propose a patched-based label propagation approach based on a generative model with latent variables. Once trained, our Factorisation-based Image Labelling (FIL) model is able to label target images with a variety of image contrasts. We compare the effectiveness of our proposed model against the state-of-the-art using data from the MICCAI 2012 Grand Challenge and Workshop on Multi-Atlas Labeling. As our approach is intended to be general purpose, we also assess how well it can handle domain shift by labelling images of the same subjects acquired with different MR contrasts.
Abstract（参考訳）: 脳磁気共鳴画像(MRI)の解剖学的領域への分割は神経イメージングに有用である。手動アノテーションは時間と費用がかかるため、完全に自動化され、汎用的な脳セグメンテーションアルゴリズムを持つことが非常に望ましい。そこで本研究では,潜在変数を持つ生成モデルに基づくパッチ付きラベル伝播手法を提案する。トレーニングが完了すると、Factisationベースのイメージラベリング(FIL)モデルは、さまざまなコントラストでターゲットイメージをラベル付けすることができます。提案手法の有効性を,MICCAI 2012 Grand Challenge and Workshop on Multi-Atlas Labelingのデータを用いて比較した。提案手法は汎用的な目的のため,異なるMRコントラストで取得した同一被験者の画像にラベルを付けることで,ドメインシフトの処理能力も評価する。

関連論文リスト

Stain-invariant self supervised learning for histopathology image analysis [74.98663573628743]
乳がんのヘマトキシリンおよびエオシン染色像におけるいくつかの分類課題に対する自己監督アルゴリズムを提案する。本手法は,いくつかの乳がんデータセット上での最先端のパフォーマンスを実現する。
論文参考訳（メタデータ） (2022-11-14T18:16:36Z)
Generalizable Medical Image Segmentation via Random Amplitude Mixup and Domain-Specific Image Restoration [17.507951655445652]
本稿では,新しい医用画像分割法を提案する。具体的には、セグメント化モデルと自己超越ドメイン固有の画像復元モジュールを組み合わせることで、マルチタスクパラダイムとしてアプローチを設計する。医用画像における2つの一般化可能なセグメンテーションベンチマークにおいて,本手法の有効性を示す。
論文参考訳（メタデータ） (2022-08-08T03:56:20Z)
Semantic Image Synthesis via Diffusion Models [159.4285444680301]
Denoising Diffusion Probabilistic Models (DDPM) は様々な画像生成タスクにおいて顕著な成功を収めた。セマンティック画像合成に関する最近の研究は、主に「GAN(Generative Adversarial Nets)」に追従している。
論文参考訳（メタデータ） (2022-06-30T18:31:51Z)
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)
Self-Ensembling Contrastive Learning for Semi-Supervised Medical Image Segmentation [6.889911520730388]
限られたラベルを持つ医用画像セグメンテーションにおける半教師あり学習の性能向上を目指す。我々は、ラベルのない画像に対照的な損失を与えることによって、特徴レベルで潜在表現を直接学習する。我々はMRIとCTのセグメンテーションデータセットの実験を行い、提案手法が最先端の性能を実現することを示す。
論文参考訳（メタデータ） (2021-05-27T03:27:58Z)
Semantic Segmentation with Generative Models: Semi-Supervised Learning and Strong Out-of-Domain Generalization [112.68171734288237]
本論文では,画像とラベルの再生モデルを用いた識別画素レベルのタスクのための新しいフレームワークを提案する。我々は,共同画像ラベルの分布を捕捉し,未ラベル画像の大規模な集合を用いて効率的に訓練する生成的対向ネットワークを学習する。ドメイン内性能をいくつかのベースラインと比較し,ドメイン外一般化を極端に示す最初の例である。
論文参考訳（メタデータ） (2021-04-12T21:41:25Z)
Modeling the Probabilistic Distribution of Unlabeled Data forOne-shot Medical Image Segmentation [40.41161371507547]
我々は1ショットの脳磁気共鳴画像(MRI)画像分割のためのデータ拡張法を開発した。提案手法は,MRI画像1枚(atlas)とラベルなし画像数枚のみを利用する。本手法は最先端のワンショット医療セグメンテーション法より優れている。
論文参考訳（メタデータ） (2021-02-03T12:28:04Z)
Improved Slice-wise Tumour Detection in Brain MRIs by Computing Dissimilarities between Latent Representations [68.8204255655161]
磁気共鳴画像(MRI)の異常検出は教師なし手法で行うことができる。本研究では,変分オートエンコーダの潜伏空間における相似関数の計算に基づいて,腫瘍検出のためのスライスワイズ半教師法を提案する。本研究では,高解像度画像上でのモデルをトレーニングし,再現の質を向上させることにより,異なるベースラインに匹敵する結果が得られることを示す。
論文参考訳（メタデータ） (2020-07-24T14:02:09Z)
Towards Unsupervised Learning for Instrument Segmentation in Robotic Surgery with Cycle-Consistent Adversarial Networks [54.00217496410142]
本稿では、入力された内視鏡画像と対応するアノテーションとのマッピングを学習することを目的として、未ペア画像から画像への変換を提案する。当社のアプローチでは,高価なアノテーションを取得することなく,イメージセグメンテーションモデルをトレーニングすることが可能です。提案手法をEndovis 2017チャレンジデータセットで検証し,教師付きセグメンテーション手法と競合することを示す。
論文参考訳（メタデータ） (2020-07-09T01:39:39Z)
An Inductive Transfer Learning Approach using Cycle-consistent Adversarial Domain Adaptation with Application to Brain Tumor Segmentation [1.9981375888949477]
本研究では,Cycle-GANをベースとした非教師付きドメイン適応(UDA)を用いて,ソースドメインデータセットのアノテーションラベルを対象ドメインデータセットのタスクに適用するためのインダクティブトランスファーラーニング(ITL)アプローチを提案する。その結果,脳腫瘍のセグメンテーション精度は有意に向上した。
論文参考訳（メタデータ） (2020-05-11T08:01:59Z)
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。