論文の概要: Which images to label for few-shot medical landmark detection?
- arxiv url: http://arxiv.org/abs/2112.04386v3
- Date: Sun, 28 Apr 2024 05:13:35 GMT
- ステータス: 処理完了
- システム内更新日: 2024-05-01 03:53:07.146980
- Title: Which images to label for few-shot medical landmark detection?
- Title（参考訳）: 医療のランドマークを見つけるために、どの画像にラベルをつけるか?
- Authors: Quan Quan, Qingsong Yao, Jun Li, S. Kevin Zhou,
- Abstract要約: アノテーションの「最も価値のある」画像を選択するための新しいサンプル選択ポリシー(SCP)を提案する。
SCPは,(1)放射線画像から特徴を抽出するための事前学習深度モデルを構築するための自己指導訓練,(2)情報パッチの局所化のためのキーポイント提案,(3)最も代表的なサンプルやテンプレートを探索するための代表スコア推定という3つのパートから構成される。
一発の医学的ランドマーク検出では、ケパロメトリデータセットとハンドX線データセットの平均放射誤差をそれぞれ14.2%と35.5%削減する。
- 参考スコア（独自算出の注目度）: 27.23114378514831
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: The success of deep learning methods relies on the availability of well-labeled large-scale datasets. However, for medical images, annotating such abundant training data often requires experienced radiologists and consumes their limited time. Few-shot learning is developed to alleviate this burden, which achieves competitive performances with only several labeled data. However, a crucial yet previously overlooked problem in few-shot learning is about the selection of template images for annotation before learning, which affects the final performance. We herein propose a novel Sample Choosing Policy (SCP) to select "the most worthy" images for annotation, in the context of few-shot medical landmark detection. SCP consists of three parts: 1) Self-supervised training for building a pre-trained deep model to extract features from radiological images, 2) Key Point Proposal for localizing informative patches, and 3) Representative Score Estimation for searching the most representative samples or templates. The advantage of SCP is demonstrated by various experiments on three widely-used public datasets. For one-shot medical landmark detection, its use reduces the mean radial errors on Cephalometric and HandXray datasets by 14.2% (from 3.595mm to 3.083mm) and 35.5% (4.114mm to 2.653mm), respectively.
- Abstract（参考訳）: ディープラーニング手法の成功は、十分にラベル付けされた大規模データセットの可用性に依存している。
しかし、医用画像の場合、このような豊富なトレーニングデータに注釈をつけるには、経験豊富な放射線技師が必要で、限られた時間を消費することが多い。
この負担を軽減するために、ラベル付きデータのみを用いて、競争性能を達成するために、少ないショットラーニングが開発されている。
しかし、数ショット学習においてこれまで見過ごされてきた重要な問題は、学習前のアノテーションのためのテンプレートイメージの選択であり、最終的なパフォーマンスに影響する。
本稿では,アノテーションの「最も価値のある」画像を選択するための新しいサンプル選択ポリシー(SCP)を提案する。
SCPは3つの部分から構成される。
1)放射線画像から特徴を抽出する事前訓練された深部モデル構築のための自己指導型訓練
2)情報パッチのローカライズのためのキーポイント提案及び
3) 最も代表的なサンプルやテンプレートを検索するための代表スコア推定。
SCPの利点は、広く使われている3つの公開データセットに関する様々な実験によって示される。
一発の医用ランドマーク検出では、ケパロメトリデータセットとハンドX線データセットの平均放射誤差をそれぞれ14.2%(3.595mmから3.083mm)、35.5%(4.114mmから2.653mm)削減する。
関連論文リスト
- Self-supervised pre-training with diffusion model for few-shot landmark detection in x-ray images [0.8793721044482612]
本研究では,X線画像のランドマーク検出のための拡散モデルに基づく自己教師付き事前学習プロトコルを提案する。
提案する自己教師型フレームワークは,最小限のアノテート訓練画像を用いて,正確なランドマーク検出を実現することができることを示す。
論文 参考訳（メタデータ） (2024-07-25T15:32:59Z) - Leveraging Neural Radiance Fields for Uncertainty-Aware Visual
Localization [56.95046107046027]
我々は,Neural Radiance Fields (NeRF) を用いてシーン座標回帰のためのトレーニングサンプルを生成することを提案する。
レンダリングにおけるNeRFの効率にもかかわらず、レンダリングされたデータの多くはアーティファクトによって汚染されるか、最小限の情報ゲインしか含まない。
論文 参考訳（メタデータ） (2023-10-10T20:11:13Z) - OneSeg: Self-learning and One-shot Learning based Single-slice
Annotation for 3D Medical Image Segmentation [36.50258132379276]
本稿では,各3次元画像の1つのスライスに注釈を付けることで,3次元医用画像セグメンテーションのための自己学習とワンショット学習に基づくフレームワークを提案する。
提案手法は,(1)3次元画像中の2次元スライス間の意味的対応を学習する再構成ネットワークの自己学習,(2)1ショット手動アノテーションのための1つのスライスの代表的選択である。
我々の新しいフレームワークは、完全に教師された手法と比較して1%未満のアノテートデータで同等のパフォーマンスを達成する。
論文 参考訳（メタデータ） (2023-09-24T15:35:58Z) - FBA-Net: Foreground and Background Aware Contrastive Learning for
Semi-Supervised Atrium Segmentation [10.11072886547561]
半教師付き3次元医用画像セグメンテーションのための,前景と背景表現の対照的な学習戦略を提案する。
我々のフレームワークは、半教師付き3次元医用画像セグメンテーションの分野を前進させる可能性を秘めている。
論文 参考訳（メタデータ） (2023-06-27T04:14:50Z) - Significantly improving zero-shot X-ray pathology classification via
fine-tuning pre-trained image-text encoders [51.14431540035141]
下流のゼロショット病理分類性能を改善するために,文サンプリングと正対損失緩和に基づく新たな微調整手法を提案する。
4種類の胸部X線データセットを用いてゼロショット病理分類性能を劇的に改善した。
論文 参考訳（メタデータ） (2022-12-14T06:04:18Z) - Solving Sample-Level Out-of-Distribution Detection on 3D Medical Images [0.06117371161379209]
アウト・オブ・ディストリビューション(OOD)検出はデータサンプルの識別に役立ち、モデルの信頼性を高める。
近年,2次元医用画像に有望な結果をもたらすDLベースのOOD検出技術が開発されている。
しかし、これらのアプローチのほとんどを3D画像に拡張することは、計算的に難解である。
本稿では,DLを必要としないヒストグラムに基づく手法を提案する。
論文 参考訳（メタデータ） (2022-12-13T11:42:23Z) - Self-Supervised-RCNN for Medical Image Segmentation with Limited Data
Annotation [0.16490701092527607]
ラベルなしMRIスキャンによる自己教師付き事前学習に基づく新たなディープラーニング学習戦略を提案する。
我々の事前学習アプローチはまず、ラベルのない画像のランダム領域に異なる歪みをランダムに適用し、次に歪みの種類と情報の損失を予測する。
異なる事前学習シナリオと微調整シナリオにおけるセグメンテーション課題に対する提案手法の有効性を評価する。
論文 参考訳（メタデータ） (2022-07-17T13:28:52Z) - Self-Supervised Learning as a Means To Reduce the Need for Labeled Data
in Medical Image Analysis [64.4093648042484]
胸部X線画像のデータセットとバウンディングボックスラベルを用いて,13種類の異常の分類を行った。
ラベル付きデータの平均精度と精度を60%に抑えることで,完全教師付きモデルと同等の性能が得られることを示す。
論文 参考訳（メタデータ） (2022-06-01T09:20:30Z) - CutPaste: Self-Supervised Learning for Anomaly Detection and
Localization [59.719925639875036]
通常のトレーニングデータのみを用いて異常検知器を構築するためのフレームワークを提案する。
まず、自己教師付き深層表現を学習し、学習した表現の上に生成的1クラス分類器を構築する。
MVTec異常検出データセットに関する実証研究は,提案アルゴリズムが実世界の様々な欠陥を検出可能であることを実証している。
論文 参考訳（メタデータ） (2021-04-08T19:04:55Z) - Cascaded Robust Learning at Imperfect Labels for Chest X-ray
Segmentation [61.09321488002978]
不完全アノテーションを用いた胸部X線分割のための新しいカスケードロバスト学習フレームワークを提案する。
モデルは3つの独立したネットワークから成り,ピアネットワークから有用な情報を効果的に学習できる。
提案手法は,従来の手法と比較して,セグメント化タスクの精度を大幅に向上させることができる。
論文 参考訳（メタデータ） (2021-04-05T15:50:16Z) - 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)
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。