論文の概要: Localized Perturbations For Weakly-Supervised Segmentation of Glioma Brain Tumours

• arxiv url: http://arxiv.org/abs/2111.14953v1
• Date: Mon, 29 Nov 2021 21:01:20 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-02 07:38:46.087217
• Title: Localized Perturbations For Weakly-Supervised Segmentation of Glioma Brain Tumours
• Title（参考訳）: グリオーマ脳腫瘍の弱教師付き分節に対する局所摂動
• Authors: Sajith Rajapaksa and Farzad Khalvati
• Abstract要約: 本研究は,脳腫瘍のセグメンテーションマスクを事前訓練した3次元分類モデルから抽出するための,局所摂動を弱教師付きソリューションとして用いることを提案する。 また,U-netアーキテクチャを用いて,任意の分類において最も関連性の高い領域を見つけるために,3次元スーパーピクセルを利用する新しい摂動法を提案する。
• 参考スコア（独自算出の注目度）: 0.5801621787540266
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep convolutional neural networks (CNNs) have become an essential tool in the medical imaging-based computer-aided diagnostic pipeline. However, training accurate and reliable CNNs requires large fine-grain annotated datasets. To alleviate this, weakly-supervised methods can be used to obtain local information from global labels. This work proposes the use of localized perturbations as a weakly-supervised solution to extract segmentation masks of brain tumours from a pretrained 3D classification model. Furthermore, we propose a novel optimal perturbation method that exploits 3D superpixels to find the most relevant area for a given classification using a U-net architecture. Our method achieved a Dice similarity coefficient (DSC) of 0.44 when compared with expert annotations. When compared against Grad-CAM, our method outperformed both in visualization and localization ability of the tumour region, with Grad-CAM only achieving 0.11 average DSC.
• Abstract（参考訳）: 深層畳み込みニューラルネットワーク(deep convolutional neural networks, cnns)は、医療画像に基づく診断パイプラインにおいて必須のツールとなっている。 しかし、正確で信頼性の高いCNNのトレーニングには、大きな微粒なアノテートデータセットが必要である。 これを軽減するために、グローバルラベルからローカル情報を取得するために弱教師付き手法を用いることができる。 本研究は,脳腫瘍のセグメンテーションマスクを事前訓練した3次元分類モデルから抽出する手法として局所摂動を用いた。 さらに、u-netアーキテクチャを用いて、与えられた分類の最も適切な領域を見つけるために、3dスーパーピクセルを利用する新しい最適摂動法を提案する。 本手法は, エキスパートアノテーションとの比較により, ディス類似度係数 (dsc) を 0.44 とした。 grad-camと比較すると, 腫瘍領域の可視化能と局在能はともに優れ, grad-camは平均0.11dscであった。

関連論文リスト

• Self-supervised learning for classifying paranasal anomalies in the maxillary sinus [31.45131665942058]
  自己教師付き学習は、ラベルのないデータから表現を学習するために使用することができる。 上顎洞の副鼻腔奇形を分類する下流タスクのために設計されたSSLメソッドはない。 提案手法では,教師なし異常検出フレームワークで訓練された3次元畳み込みオートエンコーダを用いる。
  論文  参考訳（メタデータ） (2024-04-29T11:14:11Z)
• Class-Imbalanced Semi-Supervised Learning for Large-Scale Point Cloud Semantic Segmentation via Decoupling Optimization [64.36097398869774]
  半教師付き学習(SSL)は大規模3Dシーン理解のための活発な研究課題である。 既存のSSLベースのメソッドは、クラス不均衡とポイントクラウドデータのロングテール分布による厳しいトレーニングバイアスに悩まされている。 本稿では,特徴表現学習と分類器を別の最適化方法で切り離してバイアス決定境界を効果的にシフトする,新しいデカップリング最適化フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-01-13T04:16:40Z)
• 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)
• Explainable multiple abnormality classification of chest CT volumes with AxialNet and HiResCAM [89.2175350956813]
  本稿では,容積医用画像における多変量分類の課題について紹介する。 本稿では,複数のインスタンス学習型畳み込みニューラルネットワークであるAxialNetを提案する。 そして、HiResCAMと3D許容領域を利用した新しいマスクロスにより、モデルの学習を改善することを目指す。
  論文  参考訳（メタデータ） (2021-11-24T01:14:33Z)
• Pseudo-label refinement using superpixels for semi-supervised brain tumour segmentation [0.6767885381740952]
  限定アノテーションを用いたニューラルネットワークのトレーニングは、医療領域において重要な問題である。 半教師付き学習は、注釈付きデータが少ないセグメンテーションを学習することでこの問題を克服することを目的としている。 擬似ラベルの精度を向上させるために,スーパーピクセルに基づくフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-10-16T15:17:11Z)
• Automatic CT Segmentation from Bounding Box Annotations using Convolutional Neural Networks [2.554905387213585]
  提案手法は,1)k平均クラスタリングによる境界ボックスアノテーションを用いた擬似マスクの生成,2)分割モデルとして3次元U-Net畳み込みニューラルネットワークを反復的に訓練する。 肝臓、脾臓、腎臓のセグメンテーションでは、それぞれ95.19%、92.11%、91.45%の精度を達成した。
  論文  参考訳（メタデータ） (2021-05-29T14:48:16Z)
• DFENet: A Novel Dimension Fusion Edge Guided Network for Brain MRI Segmentation [0.0]
  本稿では,2次元CNNと3次元CNNの特徴を融合させることにより,これらの要件を満たす新しいDFENetを提案する。 提案手法は, 既存の方法よりも頑健で正確であり, バイオメディカルな応用に頼ることができる。
  論文  参考訳（メタデータ） (2021-05-17T15:43:59Z)
• Learning Hybrid Representations for Automatic 3D Vessel Centerline Extraction [57.74609918453932]
  3次元医用画像からの血管の自動抽出は血管疾患の診断に不可欠である。 既存の方法では、3次元画像からそのような細い管状構造を分割する際に、抽出された容器の不連続に悩まされることがある。 抽出された船舶の連続性を維持するためには、地球的幾何学を考慮に入れる必要があると論じる。 この課題を解決するためのハイブリッド表現学習手法を提案します。
  論文  参考訳（メタデータ） (2020-12-14T05:22:49Z)
• 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)
• Deep Q-Network-Driven Catheter Segmentation in 3D US by Hybrid Constrained Semi-Supervised Learning and Dual-UNet [74.22397862400177]
  本稿では,教師付き学習手法よりも少ないアノテーションを要求できる新しいカテーテルセグメンテーション手法を提案する。 提案手法では,Voxelレベルのアノテーションを避けるために,深層Q学習を事前局所化ステップとみなす。 検出されたカテーテルでは、パッチベースのDual-UNetを使用してカテーテルを3Dボリュームデータに分割する。
  論文  参考訳（メタデータ） (2020-06-25T21:10:04Z)
• Rectified Meta-Learning from Noisy Labels for Robust Image-based Plant Disease Diagnosis [64.82680813427054]
  植物病は食料安全保障と作物生産に対する主要な脅威の1つである。 1つの一般的なアプローチは、葉画像分類タスクとしてこの問題を変換し、強力な畳み込みニューラルネットワーク(CNN)によって対処できる。 本稿では,正規化メタ学習モジュールを共通CNNパラダイムに組み込んだ新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-03-17T09:51:30Z)

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。