論文の概要: ECONet: Efficient Convolutional Online Likelihood Network for
Scribble-based Interactive Segmentation
- arxiv url: http://arxiv.org/abs/2201.04584v1
- Date: Wed, 12 Jan 2022 17:21:28 GMT
- ステータス: 処理完了
- システム内更新日: 2022-01-13 15:15:46.135627
- Title: ECONet: Efficient Convolutional Online Likelihood Network for
Scribble-based Interactive Segmentation
- Title(参考訳): econet:scribbleベースのインタラクティブセグメンテーションのための効率的な畳み込みオンラインラウンスネットワーク
- Authors: Muhammad Asad, Lucas Fidon, Tom Vercauteren
- Abstract要約: CT画像における COVID-19 関連肺病変の自動分画には, 大量の注記量が必要である。
我々は,アノテータがスクリブルベースインタラクションを提供する間,オンラインで学習できる効率的な畳み込みニューラルネットワーク(CNN)を提案する。
本研究は,新型コロナウイルス関連肺病変のアノテート,Diceスコアの16%,実行時間3$times$,スクリブルスをベースとしたラベル付きボキセル9000,といった課題において,既存の方法よりも優れていることを示す。
- 参考スコア(独自算出の注目度): 6.016521285275371
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Automatic segmentation of lung lesions associated with COVID-19 in CT images
requires large amount of annotated volumes. Annotations mandate expert
knowledge and are time-intensive to obtain through fully manual segmentation
methods. Additionally, lung lesions have large inter-patient variations, with
some pathologies having similar visual appearance as healthy lung tissues. This
poses a challenge when applying existing semi-automatic interactive
segmentation techniques for data labelling. To address these challenges, we
propose an efficient convolutional neural networks (CNNs) that can be learned
online while the annotator provides scribble-based interaction. To accelerate
learning from only the samples labelled through user-interactions, a
patch-based approach is used for training the network. Moreover, we use
weighted cross-entropy loss to address the class imbalance that may result from
user-interactions. During online inference, the learned network is applied to
the whole input volume using a fully convolutional approach. We compare our
proposed method with state-of-the-art and show that it outperforms existing
methods on the task of annotating lung lesions associated with COVID-19,
achieving 16% higher Dice score while reducing execution time by 3$\times$ and
requiring 9000 lesser scribbles-based labelled voxels. Due to the online
learning aspect, our approach adapts quickly to user input, resulting in high
quality segmentation labels. Source code will be made available upon
acceptance.
- Abstract(参考訳): CT画像におけるCOVID-19関連肺病変の自動分離には,大量の注記量が必要である。
アノテーションは専門家の知識を義務付けており、完全な手動セグメンテーションメソッドを通じて取得するのに時間を要する。
さらに、肺病変は患者間の変化が大きく、健康な肺組織と類似した外観を持つ病変もある。
これは、データラベリングに既存の半自動インタラクティブセグメンテーション技術を適用する際の課題である。
これらの課題に対処するために,アノテータがスクリブルベースのインタラクションを提供する間,オンラインで学習できる効率的な畳み込みニューラルネットワーク(cnns)を提案する。
ユーザインタラクションを通じてラベル付けされたサンプルのみからの学習を高速化するため、ネットワークのトレーニングにはパッチベースのアプローチが使用される。
さらに,重み付きクロスエントロピー損失を用いて,ユーザインタラクションによるクラス不均衡に対処する。
オンライン推論において、学習したネットワークは完全な畳み込みアプローチを用いて入力ボリューム全体に適用される。
提案法を最先端法と比較し,covid-19関連肺病変に注釈を付け,diceスコアを16%向上させるとともに,実行時間を3$\times$で短縮し,スクリブルベースのラベル付きボクセルを9000未満で使用する方法と比較した。
オンライン学習の側面から,我々のアプローチはユーザ入力に迅速に適応し,高品質なセグメンテーションラベルを生み出す。
ソースコードは受理次第公開される予定だ。
関連論文リスト
- Scale-aware Test-time Click Adaptation for Pulmonary Nodule and Mass
Segmentation [35.381677272157866]
肺結節と腫瘤は肺がん検診において重要な画像像である。
深層学習に基づく医用画像のセグメンテーションの成功にもかかわらず, 病変の大きさによる堅牢な評価はいまだに困難である。
この課題に対処するために,スケールアウェアなテスト時間適応を用いたマルチスケールニューラルネットワークを提案する。
論文 参考訳(メタデータ) (2023-07-28T16:04:34Z) - Incrementally-Computable Neural Networks: Efficient Inference for
Dynamic Inputs [75.40636935415601]
ディープラーニングは、センサーデータやユーザ入力などの動的入力を効率的に処理するという課題に直面していることが多い。
インクリメンタルな計算アプローチを採用し、入力の変化に応じて計算を再利用する。
本稿では,この手法をトランスフォーマーアーキテクチャに適用し,修正入力の分数に比例した複雑性を持つ効率的なインクリメンタル推論アルゴリズムを提案する。
論文 参考訳(メタデータ) (2023-07-27T16:30:27Z) - Unsupervised Segmentation of Fetal Brain MRI using Deep Learning
Cascaded Registration [2.494736313545503]
従来の深層学習に基づく自動セグメンテーションは、グランドトラストラベルによる広範なトレーニングデータを必要とする。
ラベル付きデータに頼らずに複数の組織を正確にセグメンテーションするマルチアトラスセグメンテーションに基づく新しい手法を提案する。
提案手法では,3次元画像登録のためのカスケード深層学習ネットワークを用いて,移動画像への小さなインクリメンタルな変形を計算し,それを固定画像と正確に整合させる。
論文 参考訳(メタデータ) (2023-07-07T13:17:12Z) - Adaptive Multi-scale Online Likelihood Network for AI-assisted
Interactive Segmentation [3.3909100561725127]
既存の対話的セグメンテーション手法はラベルリファインメントに自動セグメンテーションとユーザインタラクションを利用する。
データ効率の良いオンライン環境で適応的に学習する適応型マルチスケールオンライン可能性ネットワーク(MONET)を提案する。
我々のアプローチは、Diceのスコアが5.86%高く、NASA-TLXのワークロードスコアが最先端のものよりも24.67%低かった。
論文 参考訳(メタデータ) (2023-03-23T22:20:56Z) - Personalized Decentralized Multi-Task Learning Over Dynamic
Communication Graphs [59.96266198512243]
本稿では,正と負の相関関係を持つタスクに対する分散・フェデレーション学習アルゴリズムを提案する。
本アルゴリズムでは,タスク間の相関関係を自動的に計算し,コミュニケーショングラフを動的に調整して相互に有益なタスクを接続し,互いに悪影響を及ぼす可能性のあるタスクを分離する。
合成ガウスデータセットと大規模セレブ属性(CelebA)データセットについて実験を行った。
論文 参考訳(メタデータ) (2022-12-21T18:58:24Z) - Improved Speech Emotion Recognition using Transfer Learning and
Spectrogram Augmentation [56.264157127549446]
音声感情認識(SER)は、人間とコンピュータの相互作用において重要な役割を果たす課題である。
SERの主な課題の1つは、データの不足である。
本稿では,スペクトログラム拡張と併用した移動学習戦略を提案する。
論文 参考訳(メタデータ) (2021-08-05T10:39:39Z) - Dense Regression Activation Maps For Lesion Segmentation in CT scans of
COVID-19 patients [9.313053265087262]
重回帰アクティベーションマップ(dRAM)に基づく弱教師付きセグメンテーション手法を提案する。
提案手法は,CAMに基づく弱教師付きセグメンテーション方式の0.335から0.495への結合を著しく改善する。
論文 参考訳(メタデータ) (2021-05-25T08:29:35Z) - 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) - Learning and Exploiting Interclass Visual Correlations for Medical Image
Classification [30.88175218665726]
本稿では、クラス相関学習ネットワーク(CCL-Net)を提案し、与えられたトレーニングデータからクラス間の視覚的相関を学習する。
ネットワークが望ましい相関関係を直接学習させる代わりに,クラス固有の埋め込みの距離メートル法学習を通じて暗黙的に学習することを提案する。
相関関係の幾何学的説明に基づく直感的損失は、クラス間の相関関係の学習を促進するために設計されている。
論文 参考訳(メタデータ) (2020-07-13T13:31:38Z) - LRTD: Long-Range Temporal Dependency based Active Learning for Surgical
Workflow Recognition [67.86810761677403]
本稿では,費用対効果の高い手術ビデオ解析のための新しい能動的学習法を提案する。
具体的には,非局所的再帰的畳み込みネットワーク (NL-RCNet) を提案する。
手術ワークフロー認識タスクを実行することで,大規模な手術ビデオデータセット(Cholec80)に対するアプローチを検証する。
論文 参考訳(メタデータ) (2020-04-21T09:21:22Z) - 3D medical image segmentation with labeled and unlabeled data using
autoencoders at the example of liver segmentation in CT images [58.720142291102135]
本研究では、畳み込みニューラルネットワークによるセグメンテーションを改善するために、オートエンコーダ抽出機能の可能性を検討する。
コンボリューション・オートエンコーダを用いてラベルのないデータから特徴を抽出し,CT画像における3次元肝セグメンテーションの目標タスクを実行するために,マルチスケールの完全畳み込みCNNを用いた。
論文 参考訳(メタデータ) (2020-03-17T20:20:43Z)
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。
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。