論文の概要: Deep Reinforcement Learning for Small Bowel Path Tracking using Different Types of Annotations

• arxiv url: http://arxiv.org/abs/2206.14847v1
• Date: Wed, 29 Jun 2022 18:18:20 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-01 15:24:01.437152
• Title: Deep Reinforcement Learning for Small Bowel Path Tracking using Different Types of Annotations
• Title（参考訳）: 異なる種類のアノテーションを用いた小声道追跡のための深層強化学習
• Authors: Seung Yeon Shin and Ronald M. Summers
• Abstract要約: 我々は,異なる種類のアノテーションを持つデータセットを用いて,深層強化学習トラッカーを訓練することを提案する。 具体的には,GT経路のみを有するCTスキャンと,GT経路を有するCTスキャンを併用する。 提案手法は,弱いアノテーションでスキャンを利用できることにより,高いユーザビリティを確保できる。
• 参考スコア（独自算出の注目度）: 5.337492044537044
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Small bowel path tracking is a challenging problem considering its many folds and contact along its course. For the same reason, it is very costly to achieve the ground-truth (GT) path of the small bowel in 3D. In this work, we propose to train a deep reinforcement learning tracker using datasets with different types of annotations. Specifically, we utilize CT scans that have only GT small bowel segmentation as well as ones with the GT path. It is enabled by designing a unique environment that is compatible for both, including a reward definable even without the GT path. The performed experiments proved the validity of the proposed method. The proposed method holds a high degree of usability in this problem by being able to utilize the scans with weak annotations, and thus by possibly reducing the required annotation cost.
• Abstract（参考訳）: 小腸の経路追跡は、多くの折りたたみやコースに沿った接触を考えると難しい問題である。 同じ理由から、3dで小便の地中道(gt)を達成するのは非常に費用がかかる。 本研究では,異なる種類のアノテーションを用いたデータセットを用いた深層強化学習トラッカのトレーニングを提案する。 具体的には,gt小腸分節のみを有するctスキャンとgtパスを有するctスキャンを用いた。 GTパスなしでも定義可能な報酬を含む、両方の互換性のあるユニークな環境を設計することで実現されている。 実験により提案手法の有効性が示された。 提案手法は,弱いアノテーションでスキャンを利用可能にすることで,必要となるアノテーションコストを低減し,高いユーザビリティを有する。

関連論文リスト

• Are Dense Labels Always Necessary for 3D Object Detection from Point Cloud? [72.40353149833109]
  現在のSOTA(State-of-the-art)3Dオブジェクト検出法は、トレーニングのために大量の3Dバウンディングボックスアノテーションを必要とすることが多い。 シーン毎に1つの3Dオブジェクトにアノテートするだけでよい,スプリスアノテートされた新しいフレームワークを提案する。 SS3D++法は、代わりに3D検出器のトレーニングを改善し、完全に注釈付けされたシーン生成を確実にする。
  論文  参考訳（メタデータ） (2024-03-05T09:38:11Z)
• Weakly Supervised 3D Instance Segmentation without Instance-level Annotations [57.615325809883636]
  3Dセマンティックシーン理解タスクは、ディープラーニングの出現によって大きな成功を収めた。 本稿では,分類的セマンティックラベルのみを監督対象とする,弱制御型3Dインスタンスセマンティクス手法を提案する。 分類的セマンティックラベルから擬似インスタンスラベルを生成することで,アノテーションコストの低減で既存の3Dインスタンスセグメンテーションの学習を支援することができる。
  論文  参考訳（メタデータ） (2023-08-03T12:30:52Z)
• 3D Medical Image Segmentation with Sparse Annotation via Cross-Teaching between 3D and 2D Networks [26.29122638813974]
  本稿では,3次元ネットワークと2次元ネットワークの相互学習を用いて,スパースアノテーションから頑健に学習できるフレームワークを提案する。 MMWHSデータセットに対する実験結果から,本手法は最先端(SOTA)半教師付きセグメンテーション法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2023-07-30T15:26:17Z)
• Exploring Active 3D Object Detection from a Generalization Perspective [58.597942380989245]
  不確実性に基づくアクティブな学習ポリシーは、ポイントクラウドの情報性とボックスレベルのアノテーションコストの間のトレードオフのバランスを取れません。 冗長な3次元境界ボックスラベルの点群を階層的にフィルタリングするtextscCrbを提案する。 実験により,提案手法が既存のアクティブラーニング戦略より優れていることが示された。
  論文  参考訳（メタデータ） (2023-01-23T02:43:03Z)
• ALSO: Automotive Lidar Self-supervision by Occupancy estimation [70.70557577874155]
  本稿では,ポイントクラウド上で動作している深層知覚モデルのバックボーンを事前学習するための自己教師型手法を提案する。 中心となる考え方は、3Dポイントがサンプリングされる表面の再構成であるプリテキストタスクでモデルをトレーニングすることである。 直感的には、もしネットワークがわずかな入力ポイントのみを考慮し、シーン表面を再構築できるなら、おそらく意味情報の断片をキャプチャする。
  論文  参考訳（メタデータ） (2022-12-12T13:10:19Z)
• Graph-Based Small Bowel Path Tracking with Cylindrical Constraints [5.402130309966167]
  他の臓器と比較すると、小腸の特徴的な特徴は、その経路に沿った部分間の接触である。 小型の腸に沿って取り付けられた一連のシリンダーを使用して、より信頼性の高い方向に追跡を誘導する。 提案手法は, 誤りを犯さずに経路を追尾するベースライン法に比べ, 明らかな改善を示した。
  論文  参考訳（メタデータ） (2022-07-29T02:17:56Z)
• GreedyNASv2: Greedier Search with a Greedy Path Filter [70.64311838369707]
  ワンショットNAS法では、検索スペースは通常かなり大きい(例えば1321ドル)。 本稿では,明示的な経路フィルタを用いて経路の特性を抽出し,弱い経路を直接フィルタする。 例えば、取得したGreedyNASv2-Lは、ImageNetデータセットで811.1%のTop-1精度を実現し、ResNet-50の強いベースラインを著しく上回っている。
  論文  参考訳（メタデータ） (2021-11-24T16:32:29Z)
• Grasp-Oriented Fine-grained Cloth Segmentation without Real Supervision [66.56535902642085]
  本稿では, 深度画像のみを用いて, 変形した衣服のきめ細かい領域検出の問題に取り組む。 最大で6つの意味領域を定義し, 首の縁, スリーブカフ, ヘム, 上と下をつかむ点を含む。 これらの部品のセグメント化とラベル付けを行うために,U-net ベースのネットワークを導入する。 合成データのみを用いてネットワークをトレーニングし、提案したDAが実データでトレーニングしたモデルと競合する結果が得られることを示す。
  論文  参考訳（メタデータ） (2021-10-06T16:31:20Z)
• Learning by Sampling and Compressing: Efficient Graph Representation Learning with Extremely Limited Annotations [38.32803097073598]
  本稿では,この課題を克服するために,サンプル戦略とモデル圧縮を用いた新しい学習手法を提案する。 適応型サンプリング手法は, 均一サンプリングよりもGCNのトレーニング偏差を大幅に抑制する; 2) パラメータが小さい圧縮GCNベースの手法では, トレーニングにラベル付きデータが少ない; 3) トレーニングデータの小型化は, ラベル付けに要する人的資源コストを削減するのに有用である。
  論文  参考訳（メタデータ） (2020-03-13T04:11:41Z)
• Off-Road Drivable Area Extraction Using 3D LiDAR Data [7.215858861186277]
  本稿では,3次元LiDARデータを用いたオフロード乾燥領域抽出手法を提案する。 特定のディープラーニングフレームワークは、オフロード環境における主要な課題の1つである曖昧な領域を扱うように設計されています。
  論文  参考訳（メタデータ） (2020-03-10T14:44:45Z)

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。