論文の概要: Combining Hybrid Architecture and Pseudo-label for Semi-supervised Abdominal Organ Segmentation

• arxiv url: http://arxiv.org/abs/2207.11512v1
• Date: Sat, 23 Jul 2022 13:02:43 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-26 14:30:31.457339
• Title: Combining Hybrid Architecture and Pseudo-label for Semi-supervised Abdominal Organ Segmentation
• Title（参考訳）: 半教師付き腹部臓器セグメンテーションのためのハイブリッドアーキテクチャと擬似ラベルの併用
• Authors: Wentao Liu, Weijin Xu, Songlin Yan, Lemeng Wang, Huihua Yang, Haoyuan Li
• Abstract要約: 本研究では,CNNとTransformerのハイブリッドアーキテクチャ(PHTrans)を教師モデルと学生モデルの両方に適用し,正確な擬似ラベルを生成する。 FLARE2022の検証実験により,提案手法は高速かつ低リソースなモデル推論だけでなく,セグメンテーション性能にも優れることを示した。
• 参考スコア（独自算出の注目度）: 8.392397691020232
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Abdominal organ segmentation has many important clinical applications, such as organ quantification, surgical planning, and disease diagnosis. However, manually annotating organs from CT scans is time-consuming and labor-intensive. Semi-supervised learning has shown the potential to alleviate this challenge by learning from a large set of unlabeled images and limited labeled samples. In this work, we follow the self-training strategy and employ a hybrid architecture (PHTrans) with CNN and Transformer for both teacher and student models to generate precise pseudo-labels. Afterward, we introduce them with label data together into a two-stage segmentation framework with lightweight PHTrans for training to improve the performance and generalization ability of the model while remaining efficient. Experiments on the validation set of FLARE2022 demonstrate that our method achieves excellent segmentation performance as well as fast and low-resource model inference. The average DSC and HSD are 0.8956 and 0.9316, respectively. Under our development environments, the average inference time is 18.62 s, the average maximum GPU memory is 1995.04 MB, and the area under the GPU memory-time curve and the average area under the CPU utilization-time curve are 23196.84 and 319.67.
• Abstract（参考訳）: 腹部臓器セグメンテーションは、臓器定量化、手術計画、疾患診断など、多くの重要な臨床応用がある。 しかし、CTスキャンから手動で臓器に注釈をつけるのは時間と労力がかかる。 半教師付き学習は、大量のラベル付き画像と限定ラベル付きサンプルから学習することで、この課題を軽減する可能性を示している。 本研究では,教師モデルと学生モデルの両方において,自己学習戦略に従い,CNNとTransformerとのハイブリッドアーキテクチャ(PHTrans)を用いて,正確な擬似ラベルを生成する。 その後、高速なPHTransを用いた2段階セグメンテーションフレームワークにラベルデータと共に導入し、効率を保ちながらモデルの性能と一般化能力を向上させる。 FLARE2022の検証実験により,提案手法は高速かつ低リソースなモデル推論だけでなく,セグメンテーション性能にも優れることを示した。 DSC と HSD はそれぞれ 0.8956 と 0.9316 である。 開発環境では、平均推定時間は18.62秒、最大GPUメモリは1995.04MB、GPUメモリタイム曲線以下の領域とCPU利用時間曲線の平均面積は23196.84および319.67である。

関連論文リスト

• PMT: Progressive Mean Teacher via Exploring Temporal Consistency for Semi-Supervised Medical Image Segmentation [51.509573838103854]
  医用画像セグメンテーションのための半教師付き学習フレームワークであるプログレッシブ平均教師(PMT)を提案する。 我々のPMTは、トレーニングプロセスにおいて、堅牢で多様な特徴を学習することで、高忠実な擬似ラベルを生成する。 CT と MRI の異なる2つのデータセットに対する実験結果から,本手法が最先端の医用画像分割法より優れていることが示された。
  論文  参考訳（メタデータ） (2024-09-08T15:02:25Z)
• Label-efficient Multi-organ Segmentation Method with Diffusion Model [6.413416851085592]
  我々は,CT画像における多臓器分割作業のための事前学習拡散モデルを用いたラベル効率の学習手法を提案する。 提案手法は, FLARE 2022データセットの最先端手法と比較して, 競合する多臓器セグメンテーション性能を実現する。
  論文  参考訳（メタデータ） (2024-02-23T09:25:57Z)
• Augmentation is AUtO-Net: Augmentation-Driven Contrastive Multiview Learning for Medical Image Segmentation [3.1002416427168304]
  この論文は網膜血管セグメンテーションの課題に焦点を当てている。 深層学習に基づく医用画像セグメンテーションアプローチの広範な文献レビューを提供する。 効率的でシンプルな多視点学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-11-02T06:31:08Z)
• Two-Stage Hybrid Supervision Framework for Fast, Low-resource, and Accurate Organ and Pan-cancer Segmentation in Abdomen CT [12.506232623163665]
  腹腔内臓器と腫瘍の分節化のための自己訓練と平均教師を統合したハイブリッド・教師付きフレームワークStMtを提案する。 FLARE2023の検証実験により,本手法が優れたセグメンテーション性能を実現することを示す。
  論文  参考訳（メタデータ） (2023-09-11T12:12:25Z)
• PCA: Semi-supervised Segmentation with Patch Confidence Adversarial Training [52.895952593202054]
  医用画像セグメンテーションのためのPatch Confidence Adrial Training (PCA) と呼ばれる半教師付き対向法を提案する。 PCAは各パッチの画素構造とコンテキスト情報を学習し、十分な勾配フィードバックを得る。 本手法は, 医用画像のセグメンテーションにおいて, 最先端の半教師付き手法より優れており, その有効性を示している。
  論文  参考訳（メタデータ） (2022-07-24T07:45:47Z)
• Lightweight Encoder-Decoder Architecture for Foot Ulcer Segmentation [12.729149322066249]
  足の潰瘍治癒の継続的なモニタリングは、所定の治療の有効性を確保し、劣化の可能性を回避するために必要である。 我々は、確立されたエンコーダデコーダと残差畳み込みニューラルネットワークに類似したモデルを開発した。 モデルトレーニング、テスト時間拡張、および得られた予測に対する多数決のための単純なパッチベースのアプローチにより、パフォーマンスが向上した。
  論文  参考訳（メタデータ） (2022-07-06T08:42:29Z)
• Generalizing electrocardiogram delineation: training convolutional neural networks with synthetic data augmentation [63.51064808536065]
  ECGのデライン化のための既存のデータベースは小さく、サイズやそれらが表す病態の配列に不足している。 まず、原データベースから抽出した基本セグメントのプールを与えられたECGトレースを確率的に合成し、その整合性のある合成トレースに配置するための一連のルールを考案した。 第二に、2つの新しいセグメンテーションに基づく損失関数が開発され、これは、正確な数の独立構造の予測を強制し、サンプル数の削減に焦点をあてて、より密接なセグメンテーション境界を創出することを目的としている。
  論文  参考訳（メタデータ） (2021-11-25T10:11:41Z)
• Medulloblastoma Tumor Classification using Deep Transfer Learning with Multi-Scale EfficientNets [63.62764375279861]
  本稿では,エンド・ツー・エンドのMB腫瘍分類を提案し,様々な入力サイズとネットワーク次元の一致した移動学習を提案する。 161ケースのデータセットを用いて、より大規模な入力解像度を持つ事前学習されたEfficientNetが、大幅な性能改善をもたらすことを実証した。
  論文  参考訳（メタデータ） (2021-09-10T13:07:11Z)
• Improving Semantic Segmentation via Self-Training [75.07114899941095]
  半教師付きアプローチ,特に自己学習パラダイムを用いて,最先端の成果を得ることができることを示す。 まず、ラベル付きデータに基づいて教師モデルを訓練し、次にラベルなしデータの大規模なセット上で擬似ラベルを生成する。 私たちの堅牢なトレーニングフレームワークは、人名と擬似ラベルを共同で消化し、Cityscapes、CamVid、KITTIデータセット上で最高のパフォーマンスを達成することができます。
  論文  参考訳（メタデータ） (2020-04-30T17:09:17Z)
• 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。