論文の概要: Contrastive and Selective Hidden Embeddings for Medical Image
Segmentation
- arxiv url: http://arxiv.org/abs/2201.08779v1
- Date: Fri, 21 Jan 2022 16:52:19 GMT
- ステータス: 処理完了
- システム内更新日: 2022-01-24 15:26:59.936152
- Title: Contrastive and Selective Hidden Embeddings for Medical Image
Segmentation
- Title（参考訳）: 医用画像セグメンテーションのためのコントラストおよび選択的隠れ埋め込み
- Authors: Zhuowei Li, Zihao Liu, Zhiqiang Hu, Qing Xia, Ruiqin Xiong, Shaoting
Zhang, Dimitris Metaxas, Tingting Jiang
- Abstract要約: 医用画像セグメンテーションのための対照的な学習ベース重み事前トレーニングを提案する。
不確実性を考慮した特徴選択ブロック(UAFS)と呼ばれる新しい構造は、少数機能による学習目標シフトを処理するように設計されている。
6つのドメインから8つのパブリックデータセットにまたがって、最先端の結果が得られます。
- 参考スコア（独自算出の注目度）: 25.80192874762209
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Medical image segmentation has been widely recognized as a pivot procedure
for clinical diagnosis, analysis, and treatment planning. However, the
laborious and expensive annotation process lags down the speed of further
advances. Contrastive learning-based weight pre-training provides an
alternative by leveraging unlabeled data to learn a good representation. In
this paper, we investigate how contrastive learning benefits the general
supervised medical segmentation tasks. To this end, patch-dragsaw contrastive
regularization (PDCR) is proposed to perform patch-level tugging and repulsing
with the extent controlled by a continuous affinity score. And a new structure
dubbed uncertainty-aware feature selection block (UAFS) is designed to perform
the feature selection process, which can handle the learning target shift
caused by minority features with high uncertainty. By plugging the proposed 2
modules into the existing segmentation architecture, we achieve
state-of-the-art results across 8 public datasets from 6 domains. Newly
designed modules further decrease the amount of training data to a quarter
while achieving comparable, if not better, performances. From this perspective,
we take the opposite direction of the original self/un-supervised contrastive
learning by further excavating information contained within the label.
- Abstract（参考訳）: 医用画像分割は臨床診断,解析,治療計画の要点として広く認識されている。
しかし、面倒で高価なアノテーションプロセスは、さらなる進歩のスピードを遅らせる。
対照的な学習に基づくプレトレーニングは、ラベルのないデータを活用してよい表現を学ぶことで代替手段を提供する。
本稿では,一般的な医用セグメンテーションタスクにおいて,コントラスト学習がどのような効果をもたらすかを検討する。
この目的のために,パッチレベルのタギングと反発を連続親和性スコアで制御する範囲で行うパッチダグソーコントラスト正則化(pdcr)を提案する。
また,不確実性を考慮した特徴選択ブロック(UAFS)と呼ばれる新しい構造を設計し,不確実性の高い少数機能による学習目標シフトを処理する。
提案する2つのモジュールを既存のセグメンテーションアーキテクチャにプラグインすることで、6つのドメインから8つのパブリックデータセットで最先端の結果を得る。
新しく設計されたモジュールは、トレーニングデータの量をさらに4分の1に減らし、パフォーマンスも同等に向上した。
この観点から、ラベルに含まれる情報をさらに掘り下げることで、元の自己教師なしコントラスト学習とは反対の方向を取る。
関連論文リスト
- A Novel Momentum-Based Deep Learning Techniques for Medical Image Classification and Segmentation [3.268679466097746]
医療画像から臓器を正確に分割することは、コンピュータによる診断と介入計画にとって重要な前提条件である。
本研究は,CTおよびMRIスキャンから様々な臓器を抽出し,疾患を分類するための深層学習に基づくアプローチを提案する。
論文 参考訳（メタデータ） (2024-08-11T04:12:35Z) - Enhancing Weakly Supervised 3D Medical Image Segmentation through
Probabilistic-aware Learning [52.249748801637196]
3次元医用画像のセグメンテーションは、疾患の診断と治療計画に重要な意味を持つ課題である。
近年の深層学習の進歩は、完全に教師付き医療画像のセグメンテーションを著しく強化している。
本稿では,3次元医用画像に特化して設計された,確率的適応型弱教師付き学習パイプラインを提案する。
論文 参考訳（メタデータ） (2024-03-05T00:46:53Z) - Dual-scale Enhanced and Cross-generative Consistency Learning for Semi-supervised Medical Image Segmentation [49.57907601086494]
医用画像のセグメンテーションはコンピュータ支援診断において重要な役割を担っている。
半教師型医用画像(DEC-Seg)のための新しいDual-scale Enhanced and Cross-generative consistency learning frameworkを提案する。
論文 参考訳（メタデータ） (2023-12-26T12:56:31Z) - Cross-supervised Dual Classifiers for Semi-supervised Medical Image
Segmentation [10.18427897663732]
半教師付き医用画像分割は、大規模医用画像解析に有望な解決策を提供する。
本稿では、二重分類器(DC-Net)に基づくクロス教師あり学習フレームワークを提案する。
LAとPancreas-CTデータセットの実験は、DC-Netが半教師付きセグメンテーションの他の最先端手法よりも優れていることを示している。
論文 参考訳（メタデータ） (2023-05-25T16:23:39Z) - Weakly Supervised Intracranial Hemorrhage Segmentation using Head-Wise
Gradient-Infused Self-Attention Maps from a Swin Transformer in Categorical
Learning [0.6269243524465492]
頭蓋内出血(ICH、Intracranial hemorrhage)は、タイムリーな診断と正確な治療を必要とする救命救急疾患である。
深層学習技術は、医用画像解析と処理の先駆的なアプローチとして現れてきた。
ICH分類タスクで訓練されたSwin変換器と分類ラベルを併用した,新しいICHセグメンテーション手法を提案する。
論文 参考訳（メタデータ） (2023-04-11T00:17:34Z) - Rethinking Semi-Supervised Medical Image Segmentation: A
Variance-Reduction Perspective [51.70661197256033]
医用画像セグメンテーションのための階層化グループ理論を用いた半教師付きコントラスト学習フレームワークARCOを提案する。
まず、分散還元推定の概念を用いてARCOを構築することを提案し、特定の分散還元技術が画素/ボクセルレベルのセグメンテーションタスクにおいて特に有用であることを示す。
5つの2D/3D医療データセットと3つのセマンティックセグメンテーションデータセットのラベル設定が異なる8つのベンチマークで、我々のアプローチを実験的に検証する。
論文 参考訳（メタデータ） (2023-02-03T13:50:25Z) - 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) - Flip Learning: Erase to Segment [65.84901344260277]
弱い教師付きセグメンテーション(WSS)は、時間と面倒な手作業のアノテーションを減らすのに役立ちます。
ボックスアノテーションのみを必要とするFlip Learningという,斬新で汎用的なWSSフレームワークを提案する。
提案手法は,完全教師付き学習と弱教師付き学習のギャップを狭める大きな可能性を示す。
論文 参考訳（メタデータ） (2021-08-02T09:56:10Z) - Positional Contrastive Learning for Volumetric Medical Image
Segmentation [13.086140606803408]
コントラストデータペアを生成するための新しい位置コントラスト学習フレームワークを提案する。
提案手法は,半教師付き設定と移動学習の両方において既存の手法と比較して,セグメンテーション性能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） (2021-06-16T22:15:28Z) - 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)
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。