論文の概要: Mixed-UNet: Refined Class Activation Mapping for Weakly-Supervised
Semantic Segmentation with Multi-scale Inference
- arxiv url: http://arxiv.org/abs/2205.04227v1
- Date: Fri, 6 May 2022 08:37:02 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-15 15:21:55.079905
- Title: Mixed-UNet: Refined Class Activation Mapping for Weakly-Supervised
Semantic Segmentation with Multi-scale Inference
- Title（参考訳）: Mixed-UNet:マルチスケール推論を用いた弱改良セマンティックセマンティックセグメンテーションのためのクラス活性化マッピング
- Authors: Yang Liu, Ersi Zhang, Lulu Xu, Chufan Xiao, Xiaoyun Zhong, Lijin Lian,
Fang Li, Bin Jiang, Yuhan Dong, Lan Ma, Qiming Huang, Ming Xu, Yongbing
Zhang, Dongmei Yu, Chenggang Yan, and Peiwu Qin
- Abstract要約: 我々は、デコードフェーズに2つの並列分岐を持つMixed-UNetという新しいモデルを開発する。
地域病院や公開データセットから収集したデータセットに対して,いくつかの一般的なディープラーニングに基づくセグメンテーションアプローチに対して,設計したMixed-UNetを評価した。
- 参考スコア（独自算出の注目度）: 28.409679398886304
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Deep learning techniques have shown great potential in medical image
processing, particularly through accurate and reliable image segmentation on
magnetic resonance imaging (MRI) scans or computed tomography (CT) scans, which
allow the localization and diagnosis of lesions. However, training these
segmentation models requires a large number of manually annotated pixel-level
labels, which are time-consuming and labor-intensive, in contrast to
image-level labels that are easier to obtain. It is imperative to resolve this
problem through weakly-supervised semantic segmentation models using
image-level labels as supervision since it can significantly reduce human
annotation efforts. Most of the advanced solutions exploit class activation
mapping (CAM). However, the original CAMs rarely capture the precise boundaries
of lesions. In this study, we propose the strategy of multi-scale inference to
refine CAMs by reducing the detail loss in single-scale reasoning. For
segmentation, we develop a novel model named Mixed-UNet, which has two parallel
branches in the decoding phase. The results can be obtained after fusing the
extracted features from two branches. We evaluate the designed Mixed-UNet
against several prevalent deep learning-based segmentation approaches on our
dataset collected from the local hospital and public datasets. The validation
results demonstrate that our model surpasses available methods under the same
supervision level in the segmentation of various lesions from brain imaging.
- Abstract（参考訳）: 深層学習技術は、特にmri(mri)スキャンやctスキャンで高精度で信頼性の高い画像分割を行い、病変の局在と診断を可能にすることで、医療画像処理において大きな可能性を秘めている。
しかし、これらのセグメンテーションモデルのトレーニングには、画像レベルのラベルの入手が容易とは対照的に、時間と労力がかかる多数の手作業によるピクセルレベルのラベルが必要である。
画像レベルのラベルを監督として用い,弱い教師付きセマンティックセマンティックセマンティクスモデルを用いてこの問題を解決することが不可欠である。
高度なソリューションのほとんどは、クラスアクティベーションマッピング(CAM)を利用している。
しかし、オリジナルのCAMは、病変の正確な境界を捉えることは滅多にない。
本研究では,シングルスケール推論における詳細損失を低減し,CAMを洗練するためのマルチスケール推論手法を提案する。
セグメンテーションのために、デコードフェーズに2つの並列分岐を持つMixed-UNetという新しいモデルを開発する。
その結果、2つの枝から抽出した特徴を融合させて得られる。
地域病院や公開データセットから収集したデータセットに対して,いくつかの一般的なディープラーニングに基づくセグメンテーションアプローチに対して,設計したMixed-UNetを評価した。
検証の結果,本モデルは脳画像から得られた各種病変の分節において,同一の監督レベルで利用可能な方法を超えることが判明した。
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) - 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) - 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) - Self-Supervised Correction Learning for Semi-Supervised Biomedical Image
Segmentation [84.58210297703714]
半教師付きバイオメディカルイメージセグメンテーションのための自己教師付き補正学習パラダイムを提案する。
共有エンコーダと2つの独立デコーダを含むデュアルタスクネットワークを設計する。
異なるタスクのための3つの医用画像分割データセットの実験により,本手法の優れた性能が示された。
論文 参考訳（メタデータ） (2023-01-12T08:19:46Z) - Reliable Joint Segmentation of Retinal Edema Lesions in OCT Images [55.83984261827332]
本稿では,信頼性の高いマルチスケールウェーブレットエンハンストランスネットワークを提案する。
本研究では,ウェーブレット型特徴抽出器ネットワークとマルチスケール変圧器モジュールを統合したセグメンテーションバックボーンを開発した。
提案手法は,他の最先端セグメンテーション手法と比較して信頼性の高いセグメンテーション精度を実現する。
論文 参考訳（メタデータ） (2022-12-01T07:32:56Z) - Weakly Supervised Medical Image Segmentation With Soft Labels and Noise
Robust Loss [0.16490701092527607]
ディープラーニングモデルのトレーニングには、エキスパートラベル付きアノテーションを備えた大規模なデータセットが一般的に必要である。
不正確なセグメンテーションラベルで訓練されたディープラーニングモデルを用いた画像ベースの医療診断ツールは、誤診断や治療提案につながる可能性がある。
本研究の目的は, マルチラターアノテーションとMRIにおける病変の特徴の解剖学的知識に基づいて, 確率ラベルを生成する手法を開発し, 評価することである。
論文 参考訳（メタデータ） (2022-09-16T21:07:59Z) - A Multi-Task Cross-Task Learning Architecture for Ad-hoc Uncertainty
Estimation in 3D Cardiac MRI Image Segmentation [0.0]
画素レベル(セグメンテーション)タスクと幾何学レベル(距離マップ)タスクの相関を強制するマルチタスククロスタスク学習整合性アプローチを提案する。
本研究は、与えられたモデルから低品質セグメンテーションをフラグする我々のモデルの可能性をさらに示すものである。
論文 参考訳（メタデータ） (2021-09-16T03:53:24Z) - 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) - 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) - Weakly-Supervised Segmentation for Disease Localization in Chest X-Ray
Images [0.0]
医用胸部X線画像のセマンティックセグメンテーションに対する新しいアプローチを提案する。
本手法は肺と胸壁の間の異常な空気量を検出するための胸部X線検査に適用可能である。
論文 参考訳（メタデータ） (2020-07-01T20:48:35Z)
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。