Fugu-MT 論文翻訳(概要): CORPS: Cost-free Rigorous Pseudo-labeling based on Similarity-ranking for Brain MRI Segmentation

論文の概要: CORPS: Cost-free Rigorous Pseudo-labeling based on Similarity-ranking for Brain MRI Segmentation

arxiv url: http://arxiv.org/abs/2205.09601v1
Date: Thu, 19 May 2022 14:42:49 GMT
ステータス: 処理完了
システム内更新日: 2022-05-20 13:58:43.223439
Title: CORPS: Cost-free Rigorous Pseudo-labeling based on Similarity-ranking for Brain MRI Segmentation
Title（参考訳）: CORPS:脳MRI分類における類似度に基づく費用不要な厳密な擬似ラベル
Authors: Can Taylan Sari, Sila Kurugol, Onur Afacan, Simon K. Warfield
Abstract要約: 本稿では,新しいアトラスを用いた擬似ラベル法と3次元脳MRI分割のための3次元深部畳み込みニューラルネットワーク(DCNN)に基づく半教師付きセグメンテーションフレームワークを提案する。実験により, 定性的, 定量的に比較して, 提案手法の優位性を示した。
参考スコア（独自算出の注目度）: 3.1657395760137406
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Segmentation of brain magnetic resonance images (MRI) is crucial for the analysis of the human brain and diagnosis of various brain disorders. The drawbacks of time-consuming and error-prone manual delineation procedures are aimed to be alleviated by atlas-based and supervised machine learning methods where the former methods are computationally intense and the latter methods lack a sufficiently large number of labeled data. With this motivation, we propose CORPS, a semi-supervised segmentation framework built upon a novel atlas-based pseudo-labeling method and a 3D deep convolutional neural network (DCNN) for 3D brain MRI segmentation. In this work, we propose to generate expert-level pseudo-labels for unlabeled set of images in an order based on a local intensity-based similarity score to existing labeled set of images and using a novel atlas-based label fusion method. Then, we propose to train a 3D DCNN on the combination of expert and pseudo labeled images for binary segmentation of each anatomical structure. The binary segmentation approach is proposed to avoid the poor performance of multi-class segmentation methods on limited and imbalanced data. This also allows to employ a lightweight and efficient 3D DCNN in terms of the number of filters and reserve memory resources for training the binary networks on full-scale and full-resolution 3D MRI volumes instead of 2D/3D patches or 2D slices. Thus, the proposed framework can encapsulate the spatial contiguity in each dimension and enhance context-awareness. The experimental results demonstrate the superiority of the proposed framework over the baseline method both qualitatively and quantitatively without additional labeling cost for manual labeling.
Abstract（参考訳）: 脳磁気共鳴画像(MRI)のセグメンテーションは、ヒト脳の分析と様々な脳疾患の診断に不可欠である。時間的およびエラーに起因した手動記述の欠点は、従来の手法が計算的に強力であり、後者の手法には十分な数のラベル付きデータがないアトラスベースおよび教師付き機械学習手法によって緩和される。このモチベーションを生かした,新しいアトラスを用いた擬似ラベル法に基づく半教師付きセグメンテーションフレームワークCORPSと,3次元脳MRIセグメンテーションのための3次元深部畳み込みニューラルネットワーク(DCNN)を提案する。本研究では,既存のラベル付き画像集合に対する局所的強度に基づく類似度スコアと,新しいatlasに基づくラベル融合法を用いて,ラベル付き画像集合に対するエキスパートレベル擬似ラベルを生成する。次に,各解剖学的構造のバイナリセグメンテーションのためのエキスパート画像と擬似ラベル画像の組み合わせについて,3次元dcnnを訓練することを提案する。限定データおよび不均衡データに対するマルチクラスセグメンテーション法の性能低下を回避するため,バイナリセグメンテーション手法を提案する。また、2D/3Dパッチや2Dスライスではなく、フルスケールでフル解像度の3D MRIボリューム上でバイナリネットワークをトレーニングするためのフィルタと予備メモリリソースの数の観点から、軽量で効率的な3D DCNNを使用することもできる。そこで,提案手法は各次元の空間的連続性をカプセル化し,文脈認識性を高める。実験により,手動ラベリングに付加的なラベリングコストを伴わずに,定性的かつ定量的にベースライン法よりも優れた手法が提案された。

関連論文リスト

Label-Efficient 3D Brain Segmentation via Complementary 2D Diffusion Models with Orthogonal Views [10.944692719150071]
相補的な2次元拡散モデルを用いた新しい3次元脳分割法を提案する。私たちのゴールは、個々の主題に対して完全なラベルを必要とせずに、信頼性の高いセグメンテーション品質を達成することです。
論文参考訳（メタデータ） (2024-07-17T06:14:53Z)
Decoupled Pseudo-labeling for Semi-Supervised Monocular 3D Object Detection [108.672972439282]
SSM3ODに対するDPL(decoupled pseudo-labeling)アプローチを提案する。提案手法は,擬似ラベルを効率的に生成するためのDPGモジュールを特徴とする。また,擬似ラベルの雑音深度監視による最適化競合を軽減するために,DGPモジュールを提案する。
論文参考訳（メタデータ） (2024-03-26T05:12:18Z)
Med-DANet: Dynamic Architecture Network for Efficient Medical Volumetric Segmentation [13.158995287578316]
我々は,Med-DANetという動的アーキテクチャネットワークを提案し,効率的な精度と効率のトレードオフを実現する。入力された3次元MRIボリュームのスライス毎に,提案手法は決定ネットワークによってスライス固有の決定を学習する。提案手法は, 従来の3次元MRI脳腫瘍セグメント化法と比較して, 同等あるいは良好な結果が得られる。
論文参考訳（メタデータ） (2022-06-14T03:25:58Z)
Two-Stream Graph Convolutional Network for Intra-oral Scanner Image Segmentation [133.02190910009384]
本稿では,2ストリームグラフ畳み込みネットワーク(TSGCN)を提案する。 TSGCNは3次元歯(表面)セグメンテーションにおいて最先端の方法よりも優れています。
論文参考訳（メタデータ） (2022-04-19T10:41:09Z)
Semi-Supervised Hybrid Spine Network for Segmentation of Spine MR Images [14.190504802866288]
半教師付き複合脊椎ネットワーク (SSHSNet) という2段階のアルゴリズムを提案し, 同時椎体 (VBs) と椎間板 (IVDs) のセグメンテーションを実現する。まず,2次元半監督型DeepLabv3+をクロス擬似監督を用いて構築し,スライス内特徴と粗いセグメンテーションを得た。 2段目では、3Dフル解像度のパッチベースのDeepLabv3+がスライス間情報を抽出するために構築された。その結果,提案手法はデータ不均衡問題に対処する上で大きな可能性を秘めていることがわかった。
論文参考訳（メタデータ） (2022-03-23T02:57:14Z)
3-Dimensional Deep Learning with Spatial Erasing for Unsupervised Anomaly Segmentation in Brain MRI [55.97060983868787]
我々は,MRIボリュームと空間消去を組み合わせた空間文脈の増大が,教師なしの異常セグメンテーション性能の向上に繋がるかどうかを検討する。本稿では,2次元変分オートエンコーダ(VAE)と3次元の相違点を比較し,3次元入力消去を提案し,データセットサイズが性能に与える影響を体系的に検討する。入力消去による最高の3D VAEは、平均DICEスコアが31.40%となり、2D VAEは25.76%となった。
論文参考訳（メタデータ） (2021-09-14T09:17:27Z)
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)
Convolutional 3D to 2D Patch Conversion for Pixel-wise Glioma Segmentation in MRI Scans [22.60715394470069]
畳み込み3Dから2次元MRパッチ変換モデルにより,新しい画素ワイドセグメンテーションフレームワークを考案する。本アーキテクチャでは, 局所スライス特性とグローバルスライス特性を併用して, 中央ボクセルのクラスラベルを推定する。
論文参考訳（メタデータ） (2020-10-20T20:42:52Z)
Weakly-supervised Learning For Catheter Segmentation in 3D Frustum Ultrasound [74.22397862400177]
超音波を用いた新しいカテーテルセグメンテーション法を提案する。提案手法は,1ボリュームあたり0.25秒の効率で最先端の性能を実現した。
論文参考訳（メタデータ） (2020-10-19T13:56:22Z)
Automated Segmentation of Brain Gray Matter Nuclei on Quantitative Susceptibility Mapping Using Deep Convolutional Neural Network [16.733578721523898]
脳皮質下核の鉄蓄積異常は、様々な神経変性疾患と相関していると報告されている。本稿では3次元畳み込みニューラルネットワーク(CNN)に基づく2分岐残基構造U-Net(DB-ResUNet)を提案する。
論文参考訳（メタデータ） (2020-08-03T14:32:30Z)
Deep Q-Network-Driven Catheter Segmentation in 3D US by Hybrid Constrained Semi-Supervised Learning and Dual-UNet [74.22397862400177]
本稿では,教師付き学習手法よりも少ないアノテーションを要求できる新しいカテーテルセグメンテーション手法を提案する。提案手法では,Voxelレベルのアノテーションを避けるために,深層Q学習を事前局所化ステップとみなす。検出されたカテーテルでは、パッチベースのDual-UNetを使用してカテーテルを3Dボリュームデータに分割する。
論文参考訳（メタデータ） (2020-06-25T21:10:04Z)

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。