論文の概要: Organ localisation using supervised and semi supervised approaches
combining reinforcement learning with imitation learning
- arxiv url: http://arxiv.org/abs/2112.03276v1
- Date: Mon, 6 Dec 2021 14:04:38 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-08 14:28:59.955331
- Title: Organ localisation using supervised and semi supervised approaches
combining reinforcement learning with imitation learning
- Title（参考訳）: 強化学習と模倣学習を組み合わせた教師付きおよび半教師付きアプローチによる臓器局在
- Authors: Sankaran Iyer, Alan Blair, Laughlin Dawes, Daniel Moses, Christopher
White and Arcot Sowmya
- Abstract要約: コンピュータ支援診断は、しばしば放射線検査における関心領域の分析を必要とする。
ディープラーニングアルゴリズムは、大量の注釈付きデータの可用性に依存している。
この制限に対処する必要性から、複数の臓器の局在化と検出へのアプローチが提示される。
- 参考スコア（独自算出の注目度）: 6.198237241838559
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Computer aided diagnostics often requires analysis of a region of interest
(ROI) within a radiology scan, and the ROI may be an organ or a suborgan.
Although deep learning algorithms have the ability to outperform other methods,
they rely on the availability of a large amount of annotated data. Motivated by
the need to address this limitation, an approach to localisation and detection
of multiple organs based on supervised and semi-supervised learning is
presented here. It draws upon previous work by the authors on localising the
thoracic and lumbar spine region in CT images. The method generates six
bounding boxes of organs of interest, which are then fused to a single bounding
box. The results of experiments on localisation of the Spleen, Left and Right
Kidneys in CT Images using supervised and semi supervised learning (SSL)
demonstrate the ability to address data limitations with a much smaller data
set and fewer annotations, compared to other state-of-the-art methods. The SSL
performance was evaluated using three different mixes of labelled and
unlabelled data (i.e.30:70,35:65,40:60) for each of lumbar spine, spleen left
and right kidneys respectively. The results indicate that SSL provides a
workable alternative especially in medical imaging where it is difficult to
obtain annotated data.
- Abstract（参考訳）: コンピュータ支援診断は、しばしば放射線検査における関心領域(ROI)の分析を必要とし、ROIは臓器またはサブオーガニゼーションである。
ディープラーニングアルゴリズムは、他の手法よりも優れているが、大量の注釈付きデータの可用性に依存している。
この制限に対処する必要性から、教師付きおよび半教師付き学習に基づく複数の臓器の局所化と検出へのアプローチが提示される。
これは、CT画像における胸椎と腰椎の領域のローカライズに関する著者による以前の研究に基づいている。
この方法では、6つの臓器のバウンディングボックスを生成し、それを1つのバウンディングボックスに融合する。
教師付きおよび半教師付き学習(SSL)を用いたCT画像における脾・左・右腎臓の局所化実験の結果、他の最先端手法と比較して、はるかに小さなデータセットと少ないアノテーションでデータ制限に対処できることが示されている。
SSL性能は, 腰椎, 脾, 右腎の3種類のラベル付きデータ(例:30:70,35:65,40:60)を用いて評価した。
その結果、SSLは特に注釈付きデータを得るのが難しい医療画像において、有効な代替手段であることがわかった。
関連論文リスト
- OPTiML: Dense Semantic Invariance Using Optimal Transport for Self-Supervised Medical Image Representation [6.4136876268620115]
自己教師付き学習(SSL)は、アノテーションなしで学習できることから、医用画像解析の有望な技術として登場した。
本稿では, 最適トランスポート(OT)を用いたSSLフレームワークOPTiMLを導入し, 密接なセマンティック不変性と細粒度の詳細を捉える。
実験の結果,OPTiMLはすべての評価課題において最先端の手法よりも優れていることがわかった。
論文 参考訳（メタデータ） (2024-04-18T02:59:48Z) - DeepLOC: Deep Learning-based Bone Pathology Localization and
Classification in Wrist X-ray Images [1.45543311565555]
本稿では,手首X線画像における骨病理像の局在と分類のための新しいアプローチを提案する。
提案手法は,手首X線解析における2つの重要な課題,骨の正確な局在化と異常の正確な分類に対処する。
論文 参考訳（メタデータ） (2023-08-24T12:06:10Z) - Multi-View Vertebra Localization and Identification from CT Images [57.56509107412658]
我々は,CT画像からの多視点椎体局在と同定を提案する。
本研究では,3次元問題を異なる視点における2次元局所化および識別タスクに変換する。
本手法は,多視点グローバル情報を自然に学習することができる。
論文 参考訳（メタデータ） (2023-07-24T14:43:07Z) - Robust Semi-Supervised Learning for Histopathology Images through
Self-Supervision Guided Out-of-Distribution Scoring [1.8558180119033003]
本稿では,デジタルヒストロジー画像におけるオープンセット型教師あり学習課題に対処するための新しいパイプラインを提案する。
我々のパイプラインは、自己教師付き学習に基づいて、各未ラベルデータポイントのOODスコアを効率的に推定する。
我々のフレームワークはどんなセミSLフレームワークとも互換性があり、我々の実験は人気のあるMixmatchセミSLフレームワークに基づいています。
論文 参考訳（メタデータ） (2023-03-17T12:38:28Z) - PCRLv2: A Unified Visual Information Preservation Framework for
Self-supervised Pre-training in Medical Image Analysis [56.63327669853693]
本稿では,ピクセルレベルの情報を高レベルなセマンティクスに明示的にエンコードするための画素復元タスクを提案する。
また,画像理解を支援する強力なツールであるスケール情報の保存についても検討する。
提案されている統合SSLフレームワークは、さまざまなタスクで自己管理されたフレームワークを超越している。
論文 参考訳（メタデータ） (2023-01-02T17:47:27Z) - Identification of lung nodules CT scan using YOLOv5 based on convolution
neural network [0.0]
本研究は, 肺に発生する結節を同定することを目的とした。
1段階検出器YOLOv5は280 CT SCANで訓練された。
論文 参考訳（メタデータ） (2022-12-31T17:31:22Z) - PCA: Semi-supervised Segmentation with Patch Confidence Adversarial
Training [52.895952593202054]
医用画像セグメンテーションのためのPatch Confidence Adrial Training (PCA) と呼ばれる半教師付き対向法を提案する。
PCAは各パッチの画素構造とコンテキスト情報を学習し、十分な勾配フィードバックを得る。
本手法は, 医用画像のセグメンテーションにおいて, 最先端の半教師付き手法より優れており, その有効性を示している。
論文 参考訳（メタデータ） (2022-07-24T07:45:47Z) - A unified 3D framework for Organs at Risk Localization and Segmentation
for Radiation Therapy Planning [56.52933974838905]
現在の医療ワークフローは、OAR(Organs-at-risk)のマニュアル記述を必要とする
本研究は,OARローカライゼーション・セグメンテーションのための統合された3Dパイプラインの導入を目的とする。
提案手法は医用画像に固有の3Dコンテキスト情報の活用を可能にする。
論文 参考訳（メタデータ） (2022-03-01T17:08:41Z) - Medical Instrument Segmentation in 3D US by Hybrid Constrained
Semi-Supervised Learning [62.13520959168732]
3DUSにおける楽器セグメンテーションのための半教師付き学習フレームワークを提案する。
SSL学習を実現するため、Dual-UNetが提案されている。
提案手法は,Diceの約68.6%-69.1%,推定時間約1秒を実現している。
論文 参考訳（メタデータ） (2021-07-30T07:59:45Z) - SAR: Scale-Aware Restoration Learning for 3D Tumor Segmentation [23.384259038420005]
3次元腫瘍分割のためのSAR(Scale-Aware Restoration)を提案する。
新たなプロキシタスク、すなわちスケール差別は、自己回復タスクと組み合わせて3Dニューラルネットワークを事前訓練するために定式化される。
脳腫瘍セグメンテーション(Brain tumor segmentation),すなわち膵腫瘍セグメンテーション(Pancreas tumor segmentation)の2つの課題に対して,本手法の有効性を実証した。
論文 参考訳（メタデータ） (2020-10-13T01:23:17Z) - Deep Reinforcement Learning for Organ Localization in CT [59.23083161858951]
我々はCTにおける臓器局所化のための深層強化学習手法を提案する。
この研究において、人工エージェントは、その主張や誤りから学習することで、CT内の臓器の局所化を積極的に行う。
本手法は,任意の臓器をローカライズするためのプラグイン・アンド・プレイモジュールとして利用できる。
論文 参考訳（メタデータ） (2020-05-11T10:06:13Z)
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。