論文の概要: DU-Net based Unsupervised Contrastive Learning for Cancer Segmentation in Histology Images

• arxiv url: http://arxiv.org/abs/2206.08791v1
• Date: Fri, 17 Jun 2022 14:04:31 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-20 13:02:18.007245
• Title: DU-Net based Unsupervised Contrastive Learning for Cancer Segmentation in Histology Images
• Title（参考訳）: DU-Netを用いた癌分離のための非教師付きコントラスト学習
• Authors: Yilong Li, Yaqi Wang, Huiyu Zhou, Huaqiong Wang, Gangyong Jia, Qianni Zhang
• Abstract要約: このフレームワークは、セグメンテーションのための独特の視覚的表現を抽出する効果的なコントラスト学習スキームを含んでいる。 実験では、セグメンテーションにおける競争性能が、一般的な教師ネットワークよりも優れていることを示した。
• 参考スコア（独自算出の注目度）: 14.90768557126822
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: In this paper, we introduce an unsupervised cancer segmentation framework for histology images. The framework involves an effective contrastive learning scheme for extracting distinctive visual representations for segmentation. The encoder is a Deep U-Net (DU-Net) structure that contains an extra fully convolution layer compared to the normal U-Net. A contrastive learning scheme is developed to solve the problem of lacking training sets with high-quality annotations on tumour boundaries. A specific set of data augmentation techniques are employed to improve the discriminability of the learned colour features from contrastive learning. Smoothing and noise elimination are conducted using convolutional Conditional Random Fields. The experiments demonstrate competitive performance in segmentation even better than some popular supervised networks.
• Abstract（参考訳）: 本稿では,組織像に対する教師なし癌分割フレームワークを提案する。 このフレームワークは、セグメンテーションのための視覚表現を抽出する効果的なコントラスト学習スキームを含む。 エンコーダはDeep U-Net(DU-Net)構造であり、通常のU-Netと比較して完全な畳み込み層を含む。 腫瘍境界の良質なアノテーションを用いた訓練セットの欠如を解消するために,対照学習方式を開発した。 コントラスト学習から学習した色彩特徴の識別性を向上させるために,特定のデータ拡張手法が用いられる。 畳み込み条件付きランダム場を用いて、平滑化とノイズ除去を行う。 この実験は、人気のある教師付きネットワークよりも、セグメンテーションにおける競合性能がさらに優れていることを示している。

関連論文リスト

• Deep Spectral Methods for Unsupervised Ultrasound Image Interpretation [53.37499744840018]
  本稿では, 超音波を応用した非教師型深層学習手法を提案する。 我々は、スペクトルグラフ理論と深層学習法を組み合わせた教師なしディープスペクトル法から重要な概念を統合する。 スペクトルクラスタリングの自己教師型トランスフォーマー機能を利用して、超音波特有のメトリクスと形状と位置の先行値に基づいて意味のあるセグメントを生成し、データセット間のセマンティック一貫性を確保する。
  論文  参考訳（メタデータ） (2024-08-04T14:30:14Z)
• Localized Region Contrast for Enhancing Self-Supervised Learning in Medical Image Segmentation [27.82940072548603]
  本稿では,地域コントラスト(LRC)を統合した新しいコントラスト学習フレームワークを提案する。 提案手法では,Felzenszwalbのアルゴリズムによるスーパーピクセルの同定と,新しいコントラッシブサンプリング損失を用いた局所コントラスト学習を行う。
  論文  参考訳（メタデータ） (2023-04-06T22:43:13Z)
• Learning of Inter-Label Geometric Relationships Using Self-Supervised Learning: Application To Gleason Grade Segmentation [4.898744396854313]
  そこで本研究では,PCaの病理組織像に対して,異なる疾患ラベル間の幾何学的関係を学習して合成する方法を提案する。 我々はGleasonスコアを用いた弱教師付きセグメンテーション手法を用いて、疾患領域をセグメンテーションする。 得られたセグメンテーションマップは、行方不明のマスクセグメントを予測するためにShaRe-Net(ShaRe-Net)をトレーニングするために使用される。
  論文  参考訳（メタデータ） (2021-10-01T13:47:07Z)
• Self-Ensembling Contrastive Learning for Semi-Supervised Medical Image Segmentation [6.889911520730388]
  限られたラベルを持つ医用画像セグメンテーションにおける半教師あり学習の性能向上を目指す。 我々は、ラベルのない画像に対照的な損失を与えることによって、特徴レベルで潜在表現を直接学習する。 我々はMRIとCTのセグメンテーションデータセットの実験を行い、提案手法が最先端の性能を実現することを示す。
  論文  参考訳（メタデータ） (2021-05-27T03:27:58Z)
• Cascaded Robust Learning at Imperfect Labels for Chest X-ray Segmentation [61.09321488002978]
  不完全アノテーションを用いた胸部X線分割のための新しいカスケードロバスト学習フレームワークを提案する。 モデルは3つの独立したネットワークから成り,ピアネットワークから有用な情報を効果的に学習できる。 提案手法は,従来の手法と比較して,セグメント化タスクの精度を大幅に向上させることができる。
  論文  参考訳（メタデータ） (2021-04-05T15:50:16Z)
• 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)
• Group-Wise Semantic Mining for Weakly Supervised Semantic Segmentation [49.90178055521207]
  この研究は、画像レベルのアノテーションとピクセルレベルのセグメンテーションのギャップを埋めることを目標に、弱い監督されたセマンティックセグメンテーション(WSSS)に対処する。 画像群における意味的依存関係を明示的にモデル化し,より信頼性の高い擬似的基盤構造を推定する,新たなグループ学習タスクとしてWSSSを定式化する。 特に、入力画像がグラフノードとして表現されるグループ単位のセマンティックマイニングのためのグラフニューラルネットワーク(GNN)を考案する。
  論文  参考訳（メタデータ） (2020-12-09T12:40:13Z)
• CaCL: Class-aware Codebook Learning for Weakly Supervised Segmentation on Diffuse Image Patterns [9.22349617343802]
  拡散画像パターンに対する弱教師付き学習を行うために,新しいクラス認識型コードブック学習(CaCL)アルゴリズムを提案する。 具体的には、ヒト十二指腸の組織像からブラシ境界領域に発現するタンパク質にCaCLアルゴリズムを配置する。
  論文  参考訳（メタデータ） (2020-11-02T07:47:10Z)
• A Teacher-Student Framework for Semi-supervised Medical Image Segmentation From Mixed Supervision [62.4773770041279]
  そこで我々は,臓器と病変のセグメンテーションのための教師と学生のスタイルに基づくセミ教師付き学習フレームワークを開発した。 我々は,本モデルがバウンディングボックスの品質に対して堅牢であることを示し,フル教師付き学習手法と比較した性能を実現する。
  論文  参考訳（メタデータ） (2020-10-23T07:58:20Z)
• Unpaired Multi-modal Segmentation via Knowledge Distillation [77.39798870702174]
  本稿では,不対向画像分割のための新しい学習手法を提案する。 提案手法では,CTおよびMRI間での畳み込みカーネルの共有により,ネットワークパラメータを多用する。 我々は2つの多クラスセグメンテーション問題に対するアプローチを広範囲に検証した。
  論文  参考訳（メタデータ） (2020-01-06T20:03:17Z)

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。