論文の概要: Leveraging Global Binary Masks for Structure Segmentation in Medical Images

• arxiv url: http://arxiv.org/abs/2205.09107v2
• Date: Thu, 24 Aug 2023 15:00:34 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-25 19:01:24.577685
• Title: Leveraging Global Binary Masks for Structure Segmentation in Medical Images
• Title（参考訳）: 医用画像における構造分割のためのグローバルバイナリマスクの活用
• Authors: Mahdieh Kazemimoghadam, Zi Yang, Lin Ma, Mingli Chen, Weiguo Lu and Xuejun Gu
• Abstract要約: 臓器分割のためのグローバルなバイナリマスクを用いて, 解剖学的パターンを再現するフレームワークを提案する。 その結果,グローバルなバイナリマスクを通じて,驚くほどの位置と形状情報を符号化できることが示唆された。
• 参考スコア（独自算出の注目度）: 6.207536182203388
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Deep learning (DL) models for medical image segmentation are highly influenced by intensity variations of input images and lack generalization due to primarily utilizing pixels' intensity information for inference. Acquiring sufficient training data is another challenge limiting models' applications. We proposed to leverage the consistency of organs' anatomical shape and position information in medical images. We introduced a framework leveraging recurring anatomical patterns through global binary masks for organ segmentation. Two scenarios were studied.1) Global binary masks were the only model's (i.e. U-Net) input, forcing exclusively encoding organs' position and shape information for segmentation/localization.2) Global binary masks were incorporated as an additional channel functioning as position/shape clues to mitigate training data scarcity. Two datasets of the brain and heart CT images with their ground-truth were split into (26:10:10) and (12:3:5) for training, validation, and test respectively. Training exclusively on global binary masks led to Dice scores of 0.77(0.06) and 0.85(0.04), with the average Euclidian distance of 3.12(1.43)mm and 2.5(0.93)mm relative to the center of mass of the ground truth for the brain and heart structures respectively. The outcomes indicate that a surprising degree of position and shape information is encoded through global binary masks. Incorporating global binary masks led to significantly higher accuracy relative to the model trained on only CT images in small subsets of training data; the performance improved by 4.3-125.3% and 1.3-48.1% for 1-8 training cases of the brain and heart datasets respectively. The findings imply the advantages of utilizing global binary masks for building generalizable models and to compensate for training data scarcity.
• Abstract（参考訳）: 医用画像セグメンテーションのための深層学習(DL)モデルは,入力画像の強度変化の影響を強く受けており,主に画像の強度情報を利用した推論による一般化が欠如している。 十分なトレーニングデータを取得することは、モデルのアプリケーションを制限する別の課題である。 医療画像における臓器の解剖学的形状と位置情報の一貫性を活用することを提案した。 我々は,臓器分割のためのグローバルなバイナリマスクを通して,解剖学的パターンを再現する枠組みを導入した。 2)グローバルバイナリマスクは,トレーニングデータ不足を軽減するための位置/形状の手がかりとして機能する追加チャネルとして,臓器の位置と形状情報を排他的に符号化する唯一のモデル(U-Net)入力であった。 脳と心臓のct画像の2つのデータセットをそれぞれ26:10:10と12:3:5に分割し、トレーニング、検証、テストを行った。 グローバルな二乗マスクを専門に訓練した結果、ディースのスコアは0.77(0.06)と0.85(0.04)となり、平均ユークリッド距離は3.12(1.43)mmと2.5(0.93)mmであり、それぞれ脳と心臓の構造における基底真理の中心である。 結果として、驚くべき位置と形状の情報がグローバルバイナリマスクを通じて符号化されていることが示される。 グローバル・バイナリ・マスクを組み込むことで、訓練データの小さなサブセットでct画像のみを訓練したモデルと比較して精度が著しく向上し、脳と心臓データセットの1-8のトレーニングケースでは、それぞれ4.3-125.3%と1.3-48.1%向上した。 この結果から,グローバルなバイナリマスクを用いた一般化可能なモデルの構築と,データ不足のトレーニングを補完するメリットが示唆された。

関連論文リスト

• SM2C: Boost the Semi-supervised Segmentation for Medical Image by using Meta Pseudo Labels and Mixed Images [13.971120210536995]
  医用画像のセマンティックな特徴を学習する能力を向上させるために,SM2C(Scaling-up Mix with Multi-Class)を導入した。 セグメンテーションオブジェクトの形状を多様化し、各サンプル内の意味情報を豊かにすることにより、SM2Cはそのポテンシャルを示す。 提案したフレームワークは、最先端のフレームワークよりも大幅に改善されている。
  論文  参考訳（メタデータ） (2024-03-24T04:39:40Z)
• Disruptive Autoencoders: Leveraging Low-level features for 3D Medical Image Pre-training [51.16994853817024]
  本研究は、3Dラジオグラフィ画像のための効果的な事前学習フレームワークの設計に焦点をあてる。 ローカルマスキングと低レベルの摂動の組み合わせによって生成された破壊から、オリジナルのイメージを再構築しようとする事前トレーニングフレームワークであるDisruptive Autoencodersを紹介する。 提案する事前トレーニングフレームワークは、複数のダウンストリームタスクでテストされ、最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2023-07-31T17:59:42Z)
• FBA-Net: Foreground and Background Aware Contrastive Learning for Semi-Supervised Atrium Segmentation [10.11072886547561]
  半教師付き3次元医用画像セグメンテーションのための,前景と背景表現の対照的な学習戦略を提案する。 我々のフレームワークは、半教師付き3次元医用画像セグメンテーションの分野を前進させる可能性を秘めている。
  論文  参考訳（メタデータ） (2023-06-27T04:14:50Z)
• LVM-Med: Learning Large-Scale Self-Supervised Vision Models for Medical Imaging via Second-order Graph Matching [59.01894976615714]
  LVM-Medは、大規模医療データセットに基づいてトレーニングされた、最初のディープネットワークファミリーである。 55の公開データセットから約13万の医療画像を収集しました。 LVM-Medは、多くの最先端の教師付き、自己監督型、基礎モデルよりも経験的に優れている。
  論文  参考訳（メタデータ） (2023-06-20T22:21:34Z)
• Multi-Level Global Context Cross Consistency Model for Semi-Supervised Ultrasound Image Segmentation with Diffusion Model [0.0]
  本研究では,Latent Diffusion Model (LDM) によって生成された画像を,半教師付き学習のためのラベル付き画像として利用するフレームワークを提案する。 提案手法により,確率分布の知識をセグメント化ネットワークに効果的に伝達することが可能となり,セグメント化精度が向上する。
  論文  参考訳（メタデータ） (2023-05-16T14:08:24Z)
• Mine yOur owN Anatomy: Revisiting Medical Image Segmentation with Extremely Limited Labels [54.58539616385138]
  我々は、Mine yOur owN Anatomy (MONA) と呼ばれる、新しい半教師付き2次元医用画像セグメンテーションフレームワークを紹介する。 まず、先行研究では、すべてのピクセルがモデルトレーニングに等しく重要であると論じており、我々はこの1つだけで意味のある解剖学的特徴を定義できないことを経験的に観察している。 第2に,医療画像を解剖学的特徴の集合に分解できるモデルを構築する。
  論文  参考訳（メタデータ） (2022-09-27T15:50:31Z)
• Feature-enhanced Adversarial Semi-supervised Semantic Segmentation Network for Pulmonary Embolism Annotation [6.142272540492936]
  本研究は,肺塞栓病変領域を自動診断する機能強化逆行性半教師付きセマンティックセマンティックセグメンテーションモデルを構築した。 近年のPEAイメージセグメンテーション手法は,教師あり学習によって訓練されている。 本研究では,少量の未ラベル画像を追加することで,異なるデータセットに適用可能なモデルを構築するための半教師付き学習手法を提案する。
  論文  参考訳（メタデータ） (2022-04-08T04:21:02Z)
• Cross-Modality Brain Tumor Segmentation via Bidirectional Global-to-Local Unsupervised Domain Adaptation [61.01704175938995]
  本論文では,UDAスキームに基づくBiGL(Bidirectional Global-to-Local)適応フレームワークを提案する。 具体的には、脳腫瘍をセグメント化するために、双方向画像合成およびセグメンテーションモジュールを提案する。 提案手法は, 最先端の非教師なし領域適応法を大きなマージンで上回っている。
  論文  参考訳（メタデータ） (2021-05-17T10:11:45Z)
• 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)
• Does anatomical contextual information improve 3D U-Net based brain tumor segmentation? [0.0]
  脳解剖学からの文脈情報の追加は、U-Netベースの脳腫瘍のセグメンテーションを改善するか検討した。 対象者ごとのMRモダリティを減らし, セグメンテーション精度, モデルトレーニング時間, ドメインの一般化, 補償の観点から, 文脈情報の追加が与える影響について検討した。
  論文  参考訳（メタデータ） (2020-10-26T09:57:58Z)
• 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。