論文の概要: Histogram of Oriented Gradients Meet Deep Learning: A Novel Multi-task
Deep Network for Medical Image Semantic Segmentation
- arxiv url: http://arxiv.org/abs/2204.01712v1
- Date: Sat, 2 Apr 2022 23:50:29 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-07 04:54:10.568082
- Title: Histogram of Oriented Gradients Meet Deep Learning: A Novel Multi-task
Deep Network for Medical Image Semantic Segmentation
- Title（参考訳）: 向き付け勾配のヒストグラムがディープラーニングに適合する - 医用画像セマンティクスセグメンテーションのための新しいマルチタスク深層ネットワーク
- Authors: Binod Bhattarai, Ronast Subedi, Rebati Raman Gaire, Eduard Vazquez,
Danail Stoyanov
- Abstract要約: 医用画像セグメンテーションのための深層マルチタスク学習法を提案する。
教師なしの方法で補助作業の擬似ラベルを生成する。
本手法は, 対数部法と比較して連続的に性能を向上する。
- 参考スコア（独自算出の注目度）: 18.066680957993494
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We present our novel deep multi-task learning method for medical image
segmentation. Existing multi-task methods demand ground truth annotations for
both the primary and auxiliary tasks. Contrary to it, we propose to generate
the pseudo-labels of an auxiliary task in an unsupervised manner. To generate
the pseudo-labels, we leverage Histogram of Oriented Gradients (HOGs), one of
the most widely used and powerful hand-crafted features for detection. Together
with the ground truth semantic segmentation masks for the primary task and
pseudo-labels for the auxiliary task, we learn the parameters of the deep
network to minimise the loss of both the primary task and the auxiliary task
jointly. We employed our method on two powerful and widely used semantic
segmentation networks: UNet and U2Net to train in a multi-task setup. To
validate our hypothesis, we performed experiments on two different medical
image segmentation data sets. From the extensive quantitative and qualitative
results, we observe that our method consistently improves the performance
compared to the counter-part method. Moreover, our method is the winner of
FetReg Endovis Sub-challenge on Semantic Segmentation organised in conjunction
with MICCAI 2021.
- Abstract（参考訳）: 本稿では,医療画像分割のための深層マルチタスク学習手法を提案する。
既存のマルチタスクメソッドは、プライマリタスクと補助タスクの両方に基礎的な真理アノテーションを要求する。
それに対して,補助タスクの擬似ラベルを教師なしで生成することを提案する。
擬似ラベルを生成するために、最も広く使われ、強力な手作りによる検出機能である向き付け勾配(HOG)のヒストグラムを利用する。
基本タスクのための基底的真理セマンティクスセマンティクスマスクと補助タスクのための擬似ラベルとを組み合わせることで、深層ネットワークのパラメータを学習し、主タスクと補助タスクの両方の損失を最小化する。
unetとu2netという2つの強力で広く使われているセマンティクスセグメンテーションネットワークを用いて,マルチタスク環境でのトレーニングを行った。
本仮説を検証するために,2つの異なる医用画像セグメンテーションデータセットの実験を行った。
定量的および定性的な結果から,本手法は反部法と比較して常に性能を向上することを示した。
さらに,本手法は,MICCAI 2021とともに組織されたセマンティックセグメンテーションに関するFetReg Endovis Sub-challengeの勝者である。
関連論文リスト
- Auxiliary Tasks Enhanced Dual-affinity Learning for Weakly Supervised
Semantic Segmentation [79.05949524349005]
AuxSegNet+は、サリエンシマップから豊富な情報を探索する弱教師付き補助学習フレームワークである。
また,サリエンシとセグメンテーションの特徴マップから画素レベルの親和性を学習するためのクロスタスク親和性学習機構を提案する。
論文 参考訳（メタデータ） (2024-03-02T10:03:21Z) - Two-Stage Multi-task Self-Supervised Learning for Medical Image
Segmentation [1.5863809575305416]
医用画像のセグメンテーションは深層学習(DL)技術によって著しく進歩している。
医療応用に固有のデータ不足は、DLベースのセグメンテーション手法に大きな課題をもたらす。
論文 参考訳（メタデータ） (2024-02-11T07:49:35Z) - Distribution Matching for Multi-Task Learning of Classification Tasks: a
Large-Scale Study on Faces & Beyond [62.406687088097605]
マルチタスク学習(MTL)は、複数の関連するタスクを共同で学習し、共有表現空間から恩恵を受けるフレームワークである。
MTLは、ほとんど重複しない、あるいは重複しないアノテーションで分類タスクで成功することを示す。
本稿では,分散マッチングによるタスク間の知識交換を可能にする新しい手法を提案する。
論文 参考訳（メタデータ） (2024-01-02T14:18:11Z) - Semantics-Depth-Symbiosis: Deeply Coupled Semi-Supervised Learning of
Semantics and Depth [83.94528876742096]
我々は,意味的セグメンテーションと深さ推定という2つの密なタスクのMTL問題に取り組み,クロスチャネル注意モジュール(CCAM)と呼ばれる新しいアテンションモジュールを提案する。
次に,AffineMixと呼ばれる予測深度を用いた意味分節タスクのための新しいデータ拡張と,ColorAugと呼ばれる予測セマンティクスを用いた単純な深度増分を定式化する。
最後に,提案手法の性能向上をCityscapesデータセットで検証し,深度と意味に基づく半教師付きジョイントモデルにおける最先端結果の実現を支援する。
論文 参考訳（メタデータ） (2022-06-21T17:40:55Z) - Fast Inference and Transfer of Compositional Task Structures for
Few-shot Task Generalization [101.72755769194677]
本稿では,タスクがサブタスクグラフによって特徴づけられる,数発の強化学習問題として定式化する。
我々のマルチタスクサブタスクグラフ推論器(MTSGI)は、トレーニングタスクから、まず、サブタスクグラフの観点から、一般的なハイレベルなタスク構造を推測する。
提案手法は,2次元グリッドワールドおよび複雑なWebナビゲーション領域において,タスクの共通基盤構造を学習し,活用し,未知のタスクへの適応を高速化する。
論文 参考訳（メタデータ） (2022-05-25T10:44:25Z) - Scribble-Supervised Medical Image Segmentation via Dual-Branch Network
and Dynamically Mixed Pseudo Labels Supervision [15.414578073908906]
単純で効率的なスクリブル教師付き画像分割法を提案し,それを心臓MRIセグメント化に適用する。
このスクリブル・インスペクションと補助擬似ラベル・インスペクションを組み合わせることで、デュアルブランチ・ネットワークは、スクリブル・アノテーションからエンドツーエンドまで効率的に学習することができる。
論文 参考訳（メタデータ） (2022-03-04T02:50:30Z) - Leveraging Auxiliary Tasks with Affinity Learning for Weakly Supervised
Semantic Segmentation [88.49669148290306]
そこで我々はAuxSegNetと呼ばれる弱教師付きマルチタスク・フレームワークを提案し,サリエンシ検出とマルチラベル画像分類を補助タスクとして活用する。
同様の構造的セマンティクスに着想を得て,サリエンシとセグメンテーションの表現から,クロスタスクなグローバル画素レベルの親和性マップを学習することを提案する。
学習されたクロスタスク親和性は、両方のタスクに対して改善された擬似ラベルを提供するために、唾液度予測を洗練し、CAMマップを伝播するために使用することができる。
論文 参考訳（メタデータ） (2021-07-25T11:39:58Z) - Dual-Task Mutual Learning for Semi-Supervised Medical Image Segmentation [12.940103904327655]
半監督医療画像分割のための新しいデュアルタスク相互学習フレームワークを提案する。
我々のフレームワークは、2つのタスクに基づく2つの個別セグメンテーションネットワークの統合として定式化できる。
対象のセグメンテーション確率マップと符号付き距離マップを共同で学習することで,幾何学的形状制約を強制し,より信頼性の高い情報を得ることができる。
論文 参考訳（メタデータ） (2021-03-08T12:38:23Z) - Semi-supervised Medical Image Segmentation through Dual-task Consistency [18.18484640332254]
本稿では,画素単位のセグメンテーションマップと,ターゲットの幾何認識レベルセット表現を共同で予測する,新しいデュアルタスクディープネットワークを提案する。
本手法はラベルなしデータを組み込むことで性能を大幅に向上させることができる。
当フレームワークは,最先端の半教師付き医用画像分割法より優れている。
論文 参考訳（メタデータ） (2020-09-09T17:49:21Z) - HF-UNet: Learning Hierarchically Inter-Task Relevance in Multi-Task
U-Net for Accurate Prostate Segmentation [56.86396352441269]
我々は,CT画像における前立腺区分けの課題に取り組み,1)高速な局所化のための第1段階,2)正確に前立腺区分けを行う第2段階の2段階の2段階からなる2段階のネットワークを用いた。
前立腺のセグメンテーションを第2段階に正確に分割するために、前立腺のセグメンテーションを多タスク学習フレームワークに定式化し、前立腺のセグメンテーションをセグメンテーションするメインタスクと、前立腺の境界を規定する補助タスクを含む。
対照的に、従来のマルチタスクディープネットワークは、通常、すべてのタスクのパラメータ(つまり特徴表現)の大部分を共有しており、異なるタスクの特異性としてデータ適合性を制限している可能性がある。
論文 参考訳（メタデータ） (2020-05-21T02:53:52Z)
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。