論文の概要: Rapid model transfer for medical image segmentation via iterative
human-in-the-loop update: from labelled public to unlabelled clinical
datasets for multi-organ segmentation in CT
- arxiv url: http://arxiv.org/abs/2204.06243v1
- Date: Wed, 13 Apr 2022 08:22:42 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-14 20:26:47.351358
- Title: Rapid model transfer for medical image segmentation via iterative
human-in-the-loop update: from labelled public to unlabelled clinical
datasets for multi-organ segmentation in CT
- Title（参考訳）: 繰り返しヒューマン・イン・ザ・ループ更新による医用画像セグメンテーションの迅速なモデル転送:ctにおけるマルチオルガンセグメンテーションのためのラベル付き公開からラベル付き臨床データセットへ
- Authors: Wenao Ma, Shuang Zheng, Lei Zhang, Huimao Zhang, Qi Dou
- Abstract要約: 本稿では,大規模ラベル付きデータセットからCTにおけるマルチ組織セグメント化のための大規模アンラベリングデータセットへのセグメンテーションモデルを効率的に転送するための,新規で汎用的なヒューマン・イン・ザ・ループ方式を提案する。
以上の結果から,本手法はDiceで19.7%向上するだけでなく, モデル移行時の手指ラベリングのコストを1CTあたり13.87分から1.51分に短縮し, 有望な電位で臨床的有用性を示した。
- 参考スコア（独自算出の注目度）: 22.411929051477912
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Despite the remarkable success on medical image analysis with deep learning,
it is still under exploration regarding how to rapidly transfer AI models from
one dataset to another for clinical applications. This paper presents a novel
and generic human-in-the-loop scheme for efficiently transferring a
segmentation model from a small-scale labelled dataset to a larger-scale
unlabelled dataset for multi-organ segmentation in CT. To achieve this, we
propose to use an igniter network which can learn from a small-scale labelled
dataset and generate coarse annotations to start the process of human-machine
interaction. Then, we use a sustainer network for our larger-scale dataset, and
iteratively updated it on the new annotated data. Moreover, we propose a
flexible labelling strategy for the annotator to reduce the initial annotation
workload. The model performance and the time cost of annotation in each subject
evaluated on our private dataset are reported and analysed. The results show
that our scheme can not only improve the performance by 19.7% on Dice, but also
expedite the cost time of manual labelling from 13.87 min to 1.51 min per CT
volume during the model transfer, demonstrating the clinical usefulness with
promising potentials.
- Abstract（参考訳）: 深層学習による医用画像解析の顕著な成功にもかかわらず、臨床応用のためにaiモデルをあるデータセットから別のデータセットに迅速に転送する方法については、まだ調査中である。
本稿では,大規模ラベル付きデータセットからCTにおけるマルチ組織セグメント化のための大規模アンラベリングデータセットへのセグメンテーションモデルを効率的に転送するための,新規で汎用的なヒューマン・イン・ザ・ループ方式を提案する。
そこで本研究では,小規模のラベル付きデータセットから学習し,ヒューマンマシンインタラクションのプロセスを開始するための粗いアノテーションを生成するignatorネットワークを提案する。
そして、大規模データセットにサステナネットワークを使用し、新しい注釈付きデータに対して反復的に更新します。
さらに,アノテータが初期アノテーション作業量を削減するための柔軟なラベリング戦略を提案する。
プライベートデータセットで評価した各主題におけるアノテーションのモデル性能と時間コストを報告し、分析する。
以上の結果から,本手法はDiceで19.7%向上するだけでなく, モデル移行時の手指ラベリングのコストを1CTあたり13.87分から1.51分に短縮し, 有望な電位で臨床的有用性を示した。
関連論文リスト
- Federated Foundation Model for Cardiac CT Imaging [25.98149779380328]
これまでで最も大きな心エコー画像解析を行い、部分的にラベル付けされたデータセットに焦点をあてた。
タスク固有のCNNからの知識を1つのトランスフォーマーモデルに抽出する2段階の半教師付き学習戦略を開発した。
論文 参考訳（メタデータ） (2024-07-10T11:30:50Z) - Towards Unifying Anatomy Segmentation: Automated Generation of a
Full-body CT Dataset via Knowledge Aggregation and Anatomical Guidelines [113.08940153125616]
我々は533巻のボクセルレベルのラベルを142ドル(約1万2000円)で、全身CTスキャンのデータセットを作成し、解剖学的包括的カバレッジを提供する。
提案手法はラベル集約段階において手作業によるアノテーションに依存しない。
我々はCTデータに142ドルの解剖学的構造を予測できる統一解剖学的セグメンテーションモデルをリリースする。
論文 参考訳（メタデータ） (2023-07-25T09:48:13Z) - Learnable Weight Initialization for Volumetric Medical Image Segmentation [66.3030435676252]
本稿では,学習可能な重みに基づくハイブリッド医療画像セグメンテーション手法を提案する。
我々のアプローチはどんなハイブリッドモデルにも簡単に統合でき、外部のトレーニングデータを必要としない。
多臓器・肺がんセグメンテーションタスクの実験は、我々のアプローチの有効性を実証している。
論文 参考訳（メタデータ） (2023-06-15T17:55:05Z) - 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) - Longitudinal detection of new MS lesions using Deep Learning [0.0]
新たなMS病変の検出・分節作業に対処するディープラーニングベースのパイプラインについて述べる。
まず,1つの時間点を用いたセグメンテーションタスクで訓練されたモデルからの移動学習を提案する。
第2に、新しい病変を伴う現実的な縦断時間を生成するためのデータ合成戦略を提案する。
論文 参考訳（メタデータ） (2022-06-16T16:09:04Z) - Interactive Segmentation for COVID-19 Infection Quantification on
Longitudinal CT scans [40.721386089781895]
病状進行と治療に対する反応を正確に評価するためには,複数の時点にまたがる患者のCTスキャンの連続的セグメンテーションが不可欠である。
既存の医用画像の自動および対話的セグメンテーションモデルでは、単一の時点からのデータのみを使用する(静的)。
本稿では,過去の情報をすべて活用し,フォローアップスキャンのセグメンテーションを改良する,インタラクティブセグメンテーションのための新しい単一ネットワークモデルを提案する。
論文 参考訳（メタデータ） (2021-10-03T08:06:38Z) - 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) - ATSO: Asynchronous Teacher-Student Optimization for Semi-Supervised
Medical Image Segmentation [99.90263375737362]
教師-学生最適化の非同期版であるATSOを提案する。
ATSOはラベルのないデータを2つのサブセットに分割し、モデルの微調整に1つのサブセットを交互に使用し、他のサブセットのラベルを更新する。
医用画像のセグメンテーションデータセットを2つ評価し,様々な半教師付き環境において優れた性能を示す。
論文 参考訳（メタデータ） (2020-06-24T04:05:12Z) - A generic ensemble based deep convolutional neural network for
semi-supervised medical image segmentation [7.141405427125369]
深層畳み込みニューラルネットワーク(DCNN)に基づく画像セグメンテーションのための汎用的な半教師付き学習フレームワークを提案する。
本手法は,ラベルなしデータを組み込むことで,完全教師付きモデル学習を超えて大幅に改善することができる。
論文 参考訳（メタデータ） (2020-04-16T23:41:50Z) - 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。