論文の概要: Exemplar Learning for Medical Image Segmentation

• arxiv url: http://arxiv.org/abs/2204.01713v1
• Date: Sun, 3 Apr 2022 00:10:06 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-06 12:53:24.968013
• Title: Exemplar Learning for Medical Image Segmentation
• Title（参考訳）: 医用画像分割のためのexemplar learning
• Authors: Qing En, Yuhong Guo
• Abstract要約: 医用画像セグメンテーションのためのempllar Learning-based Synthesis Net (ELSNet) フレームワークを提案する。 ELSNetはイメージセグメンテーションのための2つの新しいモジュールを導入している。 いくつかの臓器セグメント化データセットの実験を行い,詳細な解析を行った。
• 参考スコア（独自算出の注目度）: 38.61378161105941
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Medical image annotation typically requires expert knowledge and hence incurs time-consuming and expensive data annotation costs. To reduce this burden, we propose a novel learning scenario, Exemplar Learning (EL), to explore automated learning processes for medical image segmentation from a single annotated image example. This innovative learning task is particularly suitable for medical image segmentation, where all categories of organs can be presented in one single image for annotation all at once. To address this challenging EL task, we propose an Exemplar Learning-based Synthesis Net (ELSNet) framework for medical image segmentation that enables innovative exemplar-based data synthesis, pixel-prototype based contrastive embedding learning, and pseudo-label based exploitation of the unlabeled data. Specifically, ELSNet introduces two new modules for image segmentation: an exemplar-guided synthesis module, which enriches and diversifies the training set by synthesizing annotated samples from the given exemplar, and a pixel-prototype based contrastive embedding module, which enhances the discriminative capacity of the base segmentation model via contrastive self-supervised learning. Moreover, we deploy a two-stage process for segmentation model training, which exploits the unlabeled data with predicted pseudo segmentation labels. To evaluate this new learning framework, we conduct extensive experiments on several organ segmentation datasets and present an in-depth analysis. The empirical results show that the proposed exemplar learning framework produces effective segmentation results.
• Abstract（参考訳）: 医用画像アノテーションは通常、専門家の知識を必要とするため、時間と高価なデータアノテーションコストが発生する。 この負担を軽減するために,医用画像分割のための自動学習過程を単一注釈画像例から探索する,新しい学習シナリオであるExemplar Learning (EL)を提案する。 この革新的な学習タスクは、医療画像のセグメンテーションに特に適しており、すべての臓器のカテゴリを1つの画像に一度に提示することができる。 そこで本研究では,この課題に対処するために,医療画像セグメント化のためのexemplar learning-based synthesis net(elsnet)フレームワークを提案する。 具体的には、画像セグメンテーションのための2つの新しいモジュールを紹介する: 与えられた例から注釈付きサンプルを合成することによってトレーニングセットを豊かにし、多様化する例誘導合成モジュールと、対比自己教師付き学習を通じてベースセグメンテーションモデルの識別能力を高める画素プロトタイプベースのコントラスト埋め込みモジュールである。 さらに,予測された擬似セグメンテーションラベルを用いたラベル付きデータを利用したセグメンテーションモデルトレーニングのための2段階プロセスを展開する。 この新たな学習フレームワークを評価するため,複数の臓器セグメント化データセットについて広範な実験を行い,詳細な分析を行った。 実験結果は,提案手法が効果的なセグメンテーション結果を生成することを示す。

関連論文リスト

• Cross-model Mutual Learning for Exemplar-based Medical Image Segmentation [25.874281336821685]
  Exemplar-based Medical Image(CMEMS)のためのクロスモデル相互学習フレームワーク 外来医用画像のためのクロスモデル相互学習フレームワーク(CMEMS)について紹介する。
  論文  参考訳（メタデータ） (2024-04-18T00:18:07Z)
• SamDSK: Combining Segment Anything Model with Domain-Specific Knowledge for Semi-Supervised Learning in Medical Image Segmentation [27.044797468878837]
  Segment Anything Model (SAM)は、自然画像に広範囲のオブジェクトを分割する機能を示す。 本稿では、SAMとドメイン固有の知識を組み合わせて、ラベルなし画像の信頼性の高い利用法を提案する。 本研究は,医用画像セグメンテーションのための半教師あり学習の新たな方向性を創出する。
  論文  参考訳（メタデータ） (2023-08-26T04:46:10Z)
• Semantic-SAM: Segment and Recognize Anything at Any Granularity [83.64686655044765]
  本稿では,任意の粒度でセグメンテーションと認識を可能にする汎用画像セグメンテーションモデルであるSemantic-SAMを紹介する。 複数のデータセットを3つの粒度に集約し、オブジェクトとパーツの分離した分類を導入する。 マルチグラニュラリティ機能を実現するために,各クリックで複数のレベルのマスクを生成できるマルチ選択学習方式を提案する。
  論文  参考訳（メタデータ） (2023-07-10T17:59:40Z)
• Which Pixel to Annotate: a Label-Efficient Nuclei Segmentation Framework [70.18084425770091]
  ディープニューラルネットワークは、H&E染色病理像の核インスタンスセグメンテーションに広く応用されている。 通常、類似したパターンと冗長なパターンを含む核画像のデータセットに全てのピクセルをラベル付けするのは非効率で不要である。 そこで本研究では,アノテートするイメージパッチを数個だけ選択し,選択したサンプルからトレーニングセットを増強し,半教師付きで核分割を実現する,新しいフル核分割フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-12-20T14:53:26Z)
• Suggestive Annotation of Brain MR Images with Gradient-guided Sampling [12.928940875474378]
  そこで我々は,脳MRI画像に対する効率的なアノテーションフレームワークを提案し,アノテートを行うための情報的サンプル画像を提案する。 脳腫瘍の分節と全脳の分節という2つの異なる脳画像解析タスクの枠組みを評価する。 提案フレームワークは,手動アノテーションのコストを削減し,医用画像アプリケーションにおけるデータ効率を向上させるための有望な方法を示す。
  論文  参考訳（メタデータ） (2022-06-02T12:23:44Z)
• Self-Ensembling Contrastive Learning for Semi-Supervised Medical Image Segmentation [6.889911520730388]
  限られたラベルを持つ医用画像セグメンテーションにおける半教師あり学習の性能向上を目指す。 我々は、ラベルのない画像に対照的な損失を与えることによって、特徴レベルで潜在表現を直接学習する。 我々はMRIとCTのセグメンテーションデータセットの実験を行い、提案手法が最先端の性能を実現することを示す。
  論文  参考訳（メタデータ） (2021-05-27T03:27:58Z)
• SCNet: Enhancing Few-Shot Semantic Segmentation by Self-Contrastive Background Prototypes [56.387647750094466]
  Few-shot セマンティックセマンティックセマンティクスは,クエリイメージ内の新規クラスオブジェクトを,アノテーション付きの例で分割することを目的としている。 先進的なソリューションのほとんどは、各ピクセルを学習した前景のプロトタイプに合わせることでセグメンテーションを行うメトリクス学習フレームワークを利用している。 このフレームワークは、前景プロトタイプのみとのサンプルペアの不完全な構築のために偏った分類に苦しんでいます。
  論文  参考訳（メタデータ） (2021-04-19T11:21:47Z)
• Uncertainty guided semi-supervised segmentation of retinal layers in OCT images [4.046207281399144]
  セグメンテーションネットワークを訓練する学生・教師のアプローチに基づく,新しい不確実性誘導半教師学習を提案する。 提案するフレームワークは,様々な画像モダリティにまたがるバイオメディカルイメージセグメンテーションに有効である。
  論文  参考訳（メタデータ） (2021-03-02T23:14:25Z)
• 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)
• Pathological Retinal Region Segmentation From OCT Images Using Geometric Relation Based Augmentation [84.7571086566595]
  本稿では,幾何学と形状の内在的関係を共同で符号化することで,従来のGANベースの医用画像合成法よりも優れた手法を提案する。 提案手法は,取得手順の異なる画像を有する公開RETOUCHデータセット上で,最先端のセグメンテーション手法より優れている。
  論文  参考訳（メタデータ） (2020-03-31T11:50:43Z)

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。