論文の概要: ASC-Net: Unsupervised Medical Anomaly Segmentation Using an
Adversarial-based Selective Cutting Network
- arxiv url: http://arxiv.org/abs/2112.09135v1
- Date: Thu, 16 Dec 2021 06:19:32 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-20 13:59:37.354065
- Title: ASC-Net: Unsupervised Medical Anomaly Segmentation Using an
Adversarial-based Selective Cutting Network
- Title（参考訳）: ASC-Net: 対向型選択切削ネットワークを用いた教師なし医療異常分類
- Authors: Raunak Dey, Wenbo Sun, Haibo Xu, Yi Hong
- Abstract要約: 逆数ベース選択切断ネットワーク(ASC-Net)は、クラスタベースのディープセグメンテーションと、逆数ベース異常検出アルゴリズムの2つの領域を橋渡しする。
ASC-Netは正常および異常な医療スキャンから学習し、監視用のマスクを使わずに医療スキャンの異常を分類する。
既存の手法と比較すると,教師なしの異常セグメンテーションタスクでは,性能が著しく向上することがわかった。
- 参考スコア（独自算出の注目度）: 6.866602076456783
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this paper we consider the problem of unsupervised anomaly segmentation in
medical images, which has attracted increasing attention in recent years due to
the expensive pixel-level annotations from experts and the existence of a large
amount of unannotated normal and abnormal image scans. We introduce a
segmentation network that utilizes adversarial learning to partition an image
into two cuts, with one of them falling into a reference distribution provided
by the user. This Adversarial-based Selective Cutting network (ASC-Net) bridges
the two domains of cluster-based deep segmentation and adversarial-based
anomaly/novelty detection algorithms. Our ASC-Net learns from normal and
abnormal medical scans to segment anomalies in medical scans without any masks
for supervision. We evaluate this unsupervised anomly segmentation model on
three public datasets, i.e., BraTS 2019 for brain tumor segmentation, LiTS for
liver lesion segmentation, and MS-SEG 2015 for brain lesion segmentation, and
also on a private dataset for brain tumor segmentation. Compared to existing
methods, our model demonstrates tremendous performance gains in unsupervised
anomaly segmentation tasks. Although there is still room to further improve
performance compared to supervised learning algorithms, the promising
experimental results and interesting observations shed light on building an
unsupervised learning algorithm for medical anomaly identification using
user-defined knowledge.
- Abstract（参考訳）: 本稿では,医用画像における教師なし異常分割の問題点について検討し,近年,専門家の高度なピクセルレベルのアノテーションや,大量の無記名正規画像および異常画像スキャンの存在などにより注目を集めている。
本稿では,画像の分割に逆学習を利用するセグメンテーションネットワークを導入し,その1つがユーザが提供する参照分布に陥る。
このadversarial-based selective cutting network(asc-net)は、クラスタベースのディープセグメンテーションと、adversarial-based anomaly/novelty detectionアルゴリズムの2つのドメインを橋渡しする。
asc-netは、正常および異常な医療スキャンから、監視のためのマスクなしで医療スキャンの異常をセグメント化する。
脳腫瘍セグメント化のためのBraTS 2019,肝病変セグメント化のためのLiTS,脳病変セグメント化のためのMS-SEG 2015,および脳腫瘍セグメント化のためのプライベートデータセットである。
既存の手法と比較すると,非教師付き異常分割タスクの性能向上は極めて大きい。
教師付き学習アルゴリズムと比較してさらにパフォーマンスを向上させる余地はあるものの、有望な実験結果と興味深い観察結果は、ユーザ定義の知識を用いた医学的異常識別のための教師なし学習アルゴリズムの構築に光を当てている。
関連論文リスト
- Scale-aware Super-resolution Network with Dual Affinity Learning for
Lesion Segmentation from Medical Images [50.76668288066681]
低解像度医用画像から様々な大きさの病変を適応的に分割する,スケールアウェアな超解像ネットワークを提案する。
提案するネットワークは,他の最先端手法と比較して一貫した改善を実現した。
論文 参考訳（メタデータ） (2023-05-30T14:25:55Z) - Uncertainty Driven Bottleneck Attention U-net for Organ at Risk
Segmentation [20.865775626533434]
CT画像におけるオルガン・アット・リスク(OAR)セグメンテーションは,自動セグメンテーション法では難しい課題である。
本稿では,複数のデコーダU-netアーキテクチャを提案し,ネットワークのボトルネックに注目するために,デコーダ間のセグメンテーションの不一致を利用する。
正確なセグメンテーションのために,CT強度統合正規化損失も提案した。
論文 参考訳（メタデータ） (2023-03-19T23:45:32Z) - Self-Supervised Correction Learning for Semi-Supervised Biomedical Image
Segmentation [84.58210297703714]
半教師付きバイオメディカルイメージセグメンテーションのための自己教師付き補正学習パラダイムを提案する。
共有エンコーダと2つの独立デコーダを含むデュアルタスクネットワークを設計する。
異なるタスクのための3つの医用画像分割データセットの実験により,本手法の優れた性能が示された。
論文 参考訳（メタデータ） (2023-01-12T08:19:46Z) - Reliable Joint Segmentation of Retinal Edema Lesions in OCT Images [55.83984261827332]
本稿では,信頼性の高いマルチスケールウェーブレットエンハンストランスネットワークを提案する。
本研究では,ウェーブレット型特徴抽出器ネットワークとマルチスケール変圧器モジュールを統合したセグメンテーションバックボーンを開発した。
提案手法は,他の最先端セグメンテーション手法と比較して信頼性の高いセグメンテーション精度を実現する。
論文 参考訳（メタデータ） (2022-12-01T07:32:56Z) - Generative Adversarial Networks for Weakly Supervised Generation and Evaluation of Brain Tumor Segmentations on MR Images [0.0]
本研究は2次元磁気共鳴画像におけるセグメント異常に対する弱教師付きアプローチを示す。
我々は,癌画像を健全な変種に変換するGAN(Generative Adversarial Network)を訓練する。
非共役な変種は、弱監督的な方法で分割を評価するためにも用いられる。
論文 参考訳（メタデータ） (2022-11-10T00:04:46Z) - 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) - Anomaly Detection-Inspired Few-Shot Medical Image Segmentation Through
Self-Supervision With Supervoxels [23.021720656733088]
そこで本研究では, 異常検出に着想を得た新規な医用画像分割手法を提案する。
我々は1つの前景のプロトタイプを使用して、全てのクエリピクセルの異常スコアを計算する。
セグメンテーションは、学習しきい値を用いてこれらの異常スコアをしきい値にすることで実行される。
論文 参考訳（メタデータ） (2022-03-03T22:36:39Z) - ASC-Net : Adversarial-based Selective Network for Unsupervised Anomaly
Segmentation [4.987581730476023]
本稿では、敵対学習を利用して画像を2つのカットに分割するニューラルネットワークフレームワークを提案する。
本研究では,BraTS脳腫瘍分節,LiTS肝病変分節,MS-SEG2015分節の非監視学習モデルを評価した。
論文 参考訳（メタデータ） (2021-03-05T13:38:24Z) - Few-shot Medical Image Segmentation using a Global Correlation Network
with Discriminative Embedding [60.89561661441736]
医療画像分割のための新しい手法を提案する。
深層畳み込みネットワークを用いた数ショット画像セグメンタを構築します。
深層埋め込みの識別性を高め,同一クラスの特徴領域のクラスタリングを促進する。
論文 参考訳（メタデータ） (2020-12-10T04:01:07Z) - Towards Robust Partially Supervised Multi-Structure Medical Image
Segmentation on Small-Scale Data [123.03252888189546]
データ不足下における部分教師付き学習(PSL)における方法論的ギャップを埋めるために,不確実性下でのビシナルラベル(VLUU)を提案する。
マルチタスク学習とヴィジナルリスク最小化によって動機づけられたVLUUは、ビジナルラベルを生成することによって、部分的に教師付き問題を完全な教師付き問題に変換する。
本研究は,ラベル効率の高い深層学習における新たな研究の方向性を示唆するものである。
論文 参考訳（メタデータ） (2020-11-28T16:31:00Z) - Robust Medical Instrument Segmentation Challenge 2019 [56.148440125599905]
腹腔鏡装置の術中追跡は、しばしばコンピュータとロボットによる介入の必要条件である。
本研究の課題は,30の手術症例から取得した10,040枚の注釈画像からなる外科的データセットに基づいていた。
結果は、初期仮説、すなわち、アルゴリズムの性能がドメインギャップの増大とともに低下することを確認する。
論文 参考訳（メタデータ） (2020-03-23T14:35:08Z)
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。