論文の概要: Data variation-aware medical image segmentation
- arxiv url: http://arxiv.org/abs/2202.12099v1
- Date: Thu, 24 Feb 2022 13:35:34 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-25 23:12:01.297926
- Title: Data variation-aware medical image segmentation
- Title（参考訳）: データ変異を考慮した医用画像セグメンテーション
- Authors: Arkadiy Dushatskiy, Gerry Lowe, Peter A. N. Bosman, Tanja Alderliesten
- Abstract要約: 我々は,この領域におけるこれまでの作業を改善するアプローチを提案する。
前立腺分画によるCTスキャンの実際の臨床データセットを用いた実験では,Diceおよび表面Dice係数の面で,いくつかのパーセンテージが向上した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Deep learning algorithms have become the golden standard for segmentation of
medical imaging data. In most works, the variability and heterogeneity of real
clinical data is acknowledged to still be a problem. One way to automatically
overcome this is to capture and exploit this variation explicitly. Here, we
propose an approach that improves on our previous work in this area and explain
how it potentially can improve clinical acceptance of (semi-)automatic
segmentation methods. In contrast to a standard neural network that produces
one segmentation, we propose to use a multi-pathUnet network that produces
multiple segmentation variants, presumably corresponding to the variations that
reside in the dataset. Different paths of the network are trained on disjoint
data subsets. Because a priori it may be unclear what variations exist in the
data, the subsets should be automatically determined. This is achieved by
searching for the best data partitioning with an evolutionary optimization
algorithm. Because each network path can become more specialized when trained
on a more homogeneous data subset, better segmentation quality can be achieved.
In practical usage, various automatically produced segmentations can be
presented to a medical expert, from which the preferred segmentation can be
selected. In experiments with a real clinical dataset of CT scans with prostate
segmentations, our approach provides an improvement of several percentage
points in terms of Dice and surface Dice coefficients compared to when all
network paths are trained on all training data. Noticeably, the largest
improvement occurs in the upper part of the prostate that is known to be most
prone to inter-observer segmentation variation.
- Abstract（参考訳）: 深層学習アルゴリズムは、医療画像データのセグメンテーションの黄金の標準となっている。
ほとんどの研究において、実際の臨床データの変動性と多様性は依然として問題であると認識されている。
これを自動的に克服する1つの方法は、このバリエーションを明示的に捕捉し、活用することである。
本稿では,この領域におけるこれまでの研究を改善させるアプローチを提案し,(半)自動分節法の臨床受容をいかに改善できるかを説明する。
1つのセグメンテーションを生成する標準的なニューラルネットワークとは対照的に、データセットに存在するバリエーションに対応する複数のセグメンテーション変異を生成するマルチパスUnetネットワークを提案する。
ネットワークの異なるパスは、分離されたデータサブセットで訓練される。
事前にデータにどのようなバリエーションが存在するかは明らかでないため、サブセットは自動的に決定されるべきである。
これは進化的最適化アルゴリズムで最適なデータ分割を探索することで達成される。
各ネットワークパスは、より均質なデータサブセットでトレーニングすると、より専門化できるため、よりセグメンテーション品質が向上できる。
実用的には、様々な自動セグメンテーションを医療専門家に提示することができ、そこから好みのセグメンテーションを選択することができる。
前立腺分節によるCTスキャンの実際の臨床データセットを用いた実験では,全ネットワークパスがトレーニングデータに基づいてトレーニングされた場合と比較して,Diceおよび表面Dice係数のいくつかのパーセンテージが向上した。
明らかなことに、最も大きな改善は前立腺の上部で起こり、これはオブザーバー間のセグメンテーションの変動の最もやすいことが知られている。
関連論文リスト
- AnatoMix: Anatomy-aware Data Augmentation for Multi-organ Segmentation [6.471203541258319]
本稿では,多臓器セグメンテーションデータセットの一般化性を高めるための新しいデータ拡張戦略を提案する。
オブジェクトレベルのマッチングと操作により,本手法は解剖学的に正しい画像を生成することができる。
拡張法は, ベースライン法74.8と比較して76.1ディスとなる。
論文 参考訳（メタデータ） (2024-03-05T21:07:50Z) - CvS: Classification via Segmentation For Small Datasets [52.821178654631254]
本稿では,分類ラベルをセグメントマップの予測から導出する小型データセットのコスト効率の高い分類器であるCvSを提案する。
我々は,CvSが従来の手法よりもはるかに高い分類結果が得られることを示す多種多様な問題に対して,本フレームワークの有効性を評価する。
論文 参考訳（メタデータ） (2021-10-29T18:41:15Z) - Multi-task Federated Learning for Heterogeneous Pancreas Segmentation [7.9720650899875825]
マルチタスク環境では,医用画像セグメンテーションのためのフェデレーション学習がより困難になる。
バニラフェデレーション平均化アルゴリズムにより、より一般化可能なディープラーニングベースのセグメンテーションモデルを得ることができる。
FL設定の腹部CT像では膵・膵腫瘍の自動分画が改善した。
論文 参考訳（メタデータ） (2021-08-19T07:24:32Z) - Co-Generation and Segmentation for Generalized Surgical Instrument
Segmentation on Unlabelled Data [49.419268399590045]
正確な機器追跡と拡張現実オーバーレイには、ロボット支援手術のための外科用機器セグメンテーションが必要です。
深層学習法では手術器具のセグメンテーションに最先端のパフォーマンスが示されたが,結果はラベル付きデータに依存する。
本稿では,ロボットによる手術を含むさまざまなデータセット上で,これらの手法の限定的な一般化性を実証する。
論文 参考訳（メタデータ） (2021-03-16T18:41:18Z) - Domain Generalization for Medical Imaging Classification with
Linear-Dependency Regularization [59.5104563755095]
本稿では,医用画像分類分野におけるディープニューラルネットワークの一般化能力向上のための,シンプルだが効果的なアプローチを提案する。
医用画像の領域変数がある程度コンパクトであることに感銘を受けて,変分符号化による代表的特徴空間の学習を提案する。
論文 参考訳（メタデータ） (2020-09-27T12:30:30Z) - Cross-Domain Segmentation with Adversarial Loss and Covariate Shift for
Biomedical Imaging [2.1204495827342438]
本論文は,異なるモダリティから異なるパターンと共有パターンをカプセル化することにより,ドメイン間データから堅牢な表現を学習できる新しいモデルの実現を目的とする。
正常な臨床試験で得られたCTおよびMRI肝データに対する試験は、提案したモデルが他のすべてのベースラインを大きなマージンで上回っていることを示している。
論文 参考訳（メタデータ） (2020-06-08T07:35:55Z) - Progressive Adversarial Semantic Segmentation [11.323677925193438]
深い畳み込みニューラルネットワークは、完全な監視が与えられた場合、非常によく機能する。
画像解析タスクのための完全教師付きモデルの成功は、大量のラベル付きデータの入手に限られる。
本稿では,新しい医用画像分割モデル,Progressive Adrial Semantic(PASS)を提案する。
論文 参考訳（メタデータ） (2020-05-08T22:48:00Z) - 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) - MS-Net: Multi-Site Network for Improving Prostate Segmentation with
Heterogeneous MRI Data [75.73881040581767]
本稿では,ロバスト表現を学習し,前立腺のセグメンテーションを改善するための新しいマルチサイトネットワーク(MS-Net)を提案する。
当社のMS-Netは,すべてのデータセットのパフォーマンスを一貫して改善し,マルチサイト学習における最先端の手法よりも優れています。
論文 参考訳（メタデータ） (2020-02-09T14:11:50Z) - VerSe: A Vertebrae Labelling and Segmentation Benchmark for
Multi-detector CT Images [121.31355003451152]
大規模Vertebrae Challenge(VerSe)は、2019年と2020年に開催されたMICCAI(International Conference on Medical Image Computing and Computer Assisted Intervention)と共同で設立された。
本評価の結果を報告するとともに,脊椎レベル,スキャンレベル,および異なる視野での性能変化について検討した。
論文 参考訳（メタデータ） (2020-01-24T21:09:18Z) - Observer variation-aware medical image segmentation by combining deep
learning and surrogate-assisted genetic algorithms [0.0]
セグメンテーションの異なるスタイルを模倣できるアプローチを提案する。
我々のアプローチは、全データでトレーニングされた1つのネットワークと比較して、Diceおよび表面Dice係数の最大23%の改善を提供する。
論文 参考訳（メタデータ） (2020-01-23T14:51:40Z)
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。