論文の概要: ClamNet: Using contrastive learning with variable depth Unets for
medical image segmentation
- arxiv url: http://arxiv.org/abs/2206.05225v1
- Date: Fri, 10 Jun 2022 16:55:45 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-13 17:11:06.053386
- Title: ClamNet: Using contrastive learning with variable depth Unets for
medical image segmentation
- Title（参考訳）: clamnet: 医用画像分割のための可変深度unetsを用いたコントラスト学習
- Authors: Samayan Bhattacharya, Sk Shahnawaz, Avigyan Bhattacharya
- Abstract要約: ユニッツは、完全な畳み込みネットワーク(FCN)とともに、医療画像のセマンティックセグメンテーションの標準手法となった。
Unet++は、UnetとFCNが直面している問題のいくつかを解決するために、Unetの亜種として導入された。
医用画像のセマンティックセグメンテーションにUnet++を訓練するために, コントラスト学習を用いる。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Unets have become the standard method for semantic segmentation of medical
images, along with fully convolutional networks (FCN). Unet++ was introduced as
a variant of Unet, in order to solve some of the problems facing Unet and FCNs.
Unet++ provided networks with an ensemble of variable depth Unets, hence
eliminating the need for professionals estimating the best suitable depth for a
task. While Unet and all its variants, including Unet++ aimed at providing
networks that were able to train well without requiring large quantities of
annotated data, none of them attempted to eliminate the need for pixel-wise
annotated data altogether. Obtaining such data for each disease to be diagnosed
comes at a high cost. Hence such data is scarce. In this paper we use
contrastive learning to train Unet++ for semantic segmentation of medical
images using medical images from various sources including magnetic resonance
imaging (MRI) and computed tomography (CT), without the need for pixel-wise
annotations. Here we describe the architecture of the proposed model and the
training method used. This is still a work in progress and so we abstain from
including results in this paper. The results and the trained model would be
made available upon publication or in subsequent versions of this paper on
arxiv.
- Abstract（参考訳）: ユニッツは、完全な畳み込みネットワーク(FCN)とともに、医療画像のセマンティックセグメンテーションの標準手法となっている。
unet++は、unetとfcnsが直面するいくつかの問題を解決するために、unetの変種として導入された。
Unet++はネットワークに可変深度Unetsのアンサンブルを提供し、タスクに適した深度を推定する専門家の必要性を排除した。
unetとunet++を含むすべての派生型は、大量の注釈付きデータを必要とせずにうまくトレーニングできるネットワークを提供することを目的としていたが、いずれも、ピクセル単位で注釈付きデータの必要性を完全に排除しようとはしなかった。
診断される疾患ごとにそのようなデータを得るには、高いコストがかかる。
したがって、そのようなデータは乏しい。
本稿では,磁気共鳴画像(MRI)やCT(CT)などの医用画像を用いた医用画像のセマンティックセマンティックセマンティクスのためのUnet++の学習に,画素単位のアノテーションを必要とせず,コントラスト学習を用いる。
本稿では,提案モデルのアーキテクチャと使用するトレーニング手法について述べる。
これはまだ進行中の作業なので、この論文に結果を含めることは控えます。
結果とトレーニングされたモデルは、arxivの論文の公開またはその後のバージョンで利用可能になる。
関連論文リスト
- Connecting the Dots: Graph Neural Network Powered Ensemble and
Classification of Medical Images [0.0]
医療画像の深層学習は、大量のトレーニングデータを必要とするため、制限されている。
画像フォレスティング変換を用いて、画像を最適にスーパーピクセルに分割する。
これらのスーパーピクセルはその後、グラフ構造化データに変換され、特徴の巧妙な抽出と関係のモデリングを可能にする。
論文 参考訳（メタデータ） (2023-11-13T13:20:54Z) - 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) - 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) - MIPR:Automatic Annotation of Medical Images with Pixel Rearrangement [7.39560318487728]
医用画像画素再構成(MIPR)という,別の角度からの注釈付きデータの欠如を解決する新しい手法を提案する。
MIPRは画像編集と擬似ラベル技術を組み合わせてラベル付きデータを取得する。
ISIC18での実験では,本手法による分節処理が医師のアノテーションと同等かそれ以上の効果があることが示されている。
論文 参考訳（メタデータ） (2022-04-22T05:54:14Z) - 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) - Duo-SegNet: Adversarial Dual-Views for Semi-Supervised Medical Image
Segmentation [14.535295064959746]
マルチビュー学習の概念に基づく半教師付き画像分割手法を提案する。
提案手法は,最先端の医用画像分割アルゴリズムを一貫して,快適に向上させる。
論文 参考訳（メタデータ） (2021-08-25T10:16:12Z) - About Explicit Variance Minimization: Training Neural Networks for
Medical Imaging With Limited Data Annotations [2.3204178451683264]
VAT(Variance Aware Training)法は、モデル損失関数に分散誤差を導入することにより、この特性を利用する。
多様な領域から得られた3つの医用画像データセットと様々な学習目標に対するVATの有効性を検証した。
論文 参考訳（メタデータ） (2021-05-28T21:34:04Z) - Reducing Labelled Data Requirement for Pneumonia Segmentation using
Image Augmentations [0.0]
画像拡張が肺炎検出のための胸部x線意味セグメンテーションにおけるラベル付きデータの必要性を減らす効果について検討した。
我々は、トレーニングデータから異なるサイズのサブセットで完全な畳み込みネットワークモデルを訓練する。
回転と混合は、回転、混合、翻訳、ガンマ、水平フリップの中で最高の増強であり、ラベル付きデータの要件を70%削減します。
論文 参考訳（メタデータ） (2021-02-25T10:11:30Z) - Generative Adversarial U-Net for Domain-free Medical Image Augmentation [49.72048151146307]
注釈付き医用画像の不足は、医用画像コンピューティングの分野における最大の課題の1つだ。
本稿では,生成逆U-Netという新しい生成手法を提案する。
当社の新しいモデルは、ドメインフリーで、さまざまな医療画像に汎用性があります。
論文 参考訳（メタデータ） (2021-01-12T23:02:26Z) - Fed-Sim: Federated Simulation for Medical Imaging [131.56325440976207]
本稿では、2つの学習可能なニューラルモジュールからなる物理駆動型生成手法を提案する。
データ合成フレームワークは、複数のデータセットの下流セグメンテーション性能を改善する。
論文 参考訳（メタデータ） (2020-09-01T19:17:46Z) - Towards Unsupervised Learning for Instrument Segmentation in Robotic
Surgery with Cycle-Consistent Adversarial Networks [54.00217496410142]
本稿では、入力された内視鏡画像と対応するアノテーションとのマッピングを学習することを目的として、未ペア画像から画像への変換を提案する。
当社のアプローチでは,高価なアノテーションを取得することなく,イメージセグメンテーションモデルをトレーニングすることが可能です。
提案手法をEndovis 2017チャレンジデータセットで検証し,教師付きセグメンテーション手法と競合することを示す。
論文 参考訳（メタデータ） (2020-07-09T01:39:39Z)
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。