論文の概要: Generalizable multi-task, multi-domain deep segmentation of sparse pediatric imaging datasets via multi-scale contrastive regularization and multi-joint anatomical priors

• arxiv url: http://arxiv.org/abs/2207.13502v1
• Date: Wed, 27 Jul 2022 12:59:16 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-28 13:58:29.774951
• Title: Generalizable multi-task, multi-domain deep segmentation of sparse pediatric imaging datasets via multi-scale contrastive regularization and multi-joint anatomical priors
• Title（参考訳）: マルチスケールコントラスト正規化とマルチジョイント解剖学的前駆体によるスパース小児画像データセットの一般化可能なマルチタスク・マルチドメインディープセグメンテーション
• Authors: Arnaud Boutillon, Pierre-Henri Conze, Christelle Pons, Val\'erie Burdin, Bhushan Borotikar
• Abstract要約: 本稿では,複数のデータセットに対して単一セグメンテーションネットワークを最適化する,新しいマルチタスク・マルチドメイン学習フレームワークを提案する。 足関節, 膝関節, 肩関節の3つの軽度, 小児画像データセットを用いた骨分節術の成績について検討した。
• 参考スコア（独自算出の注目度）: 0.41998444721319217
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Clinical diagnosis of the pediatric musculoskeletal system relies on the analysis of medical imaging examinations. In the medical image processing pipeline, semantic segmentation using deep learning algorithms enables an automatic generation of patient-specific three-dimensional anatomical models which are crucial for morphological evaluation. However, the scarcity of pediatric imaging resources may result in reduced accuracy and generalization performance of individual deep segmentation models. In this study, we propose to design a novel multi-task, multi-domain learning framework in which a single segmentation network is optimized over the union of multiple datasets arising from distinct parts of the anatomy. Unlike previous approaches, we simultaneously consider multiple intensity domains and segmentation tasks to overcome the inherent scarcity of pediatric data while leveraging shared features between imaging datasets. To further improve generalization capabilities, we employ a transfer learning scheme from natural image classification, along with a multi-scale contrastive regularization aimed at promoting domain-specific clusters in the shared representations, and multi-joint anatomical priors to enforce anatomically consistent predictions. We evaluate our contributions for performing bone segmentation using three scarce and pediatric imaging datasets of the ankle, knee, and shoulder joints. Our results demonstrate that the proposed approach outperforms individual, transfer, and shared segmentation schemes in Dice metric with statistically sufficient margins. The proposed model brings new perspectives towards intelligent use of imaging resources and better management of pediatric musculoskeletal disorders.
• Abstract（参考訳）: 小児筋骨格系の臨床診断は、医用画像検査の分析に依存する。 医用画像処理パイプラインでは、ディープラーニングアルゴリズムを用いた意味セグメンテーションにより、形態学的評価に不可欠な患者固有の3次元解剖モデルの自動生成を可能にする。 しかし、小児画像資源の不足は、個々の深部セグメンテーションモデルの精度と一般化性能を低下させる可能性がある。 本研究では,単一のセグメンテーションネットワークを,解剖学の異なる部分から発生する複数のデータセットの結合に対して最適化する,新しいマルチタスクマルチドメイン学習フレームワークの設計を提案する。 従来のアプローチと異なり,複数の強度領域とセグメンテーションタスクを同時に考慮し,画像データセット間の共有特徴を活用しながら,小児データの本質的不足を克服する。 一般化能力をさらに向上するために,自然画像分類からの転送学習方式と,共有表現におけるドメイン固有クラスタの促進を目的としたマルチスケールのコントラスト正規化と,マルチジョイント解剖学前駆的手法を採用し,解剖学的に一貫した予測を強制する。 足関節, 膝関節, 肩関節の3つの画像データセットを用いて, 骨切り術の貢献度を評価した。 提案手法は,統計的に十分なマージンを持つサイス計量において,個別,転送,共有セグメンテーションスキームよりも優れることを示す。 提案モデルは、画像資源のインテリジェントな利用と小児筋骨格障害のより良い管理に新たな視点をもたらす。

関連論文リスト

• QUBIQ: Uncertainty Quantification for Biomedical Image Segmentation Challenge [93.61262892578067]
  医用画像分割作業の不確実性、特にラター間変動性は重要な課題である。 この可変性は、自動セグメンテーションアルゴリズムの開発と評価に直接影響を及ぼす。 バイオメディカル画像量化チャレンジ(QUBIQ)における不確実性の定量化のベンチマーク結果を報告する。
  論文  参考訳（メタデータ） (2024-03-19T17:57:24Z)
• Diagonal Hierarchical Consistency Learning for Semi-supervised Medical Image Segmentation [0.0]
  対角的階層的整合学習(DiHC-Net)を用いた半教師付き医用画像セグメンテーションのための新しい枠組みを提案する。 同一のマルチスケールアーキテクチャを持つが、アップサンプリング層や正規化層のような異なるサブレイヤを持つ複数のサブモデルで構成されている。 簡単なフレームワークの有効性を検証する一連の実験は、臓器と腫瘍をカバーする公開ベンチマークデータセットにおいて、これまでのすべてのアプローチより優れている。
  論文  参考訳（メタデータ） (2023-11-10T12:38:16Z)
• 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)
• Learnable Weight Initialization for Volumetric Medical Image Segmentation [66.3030435676252]
  本稿では,学習可能な重みに基づくハイブリッド医療画像セグメンテーション手法を提案する。 我々のアプローチはどんなハイブリッドモデルにも簡単に統合でき、外部のトレーニングデータを必要としない。 多臓器・肺がんセグメンテーションタスクの実験は、我々のアプローチの有効性を実証している。
  論文  参考訳（メタデータ） (2023-06-15T17:55:05Z)
• Ambiguous Medical Image Segmentation using Diffusion Models [60.378180265885945]
  我々は,グループ洞察の分布を学習することで,複数の可算出力を生成する単一拡散モデルに基づくアプローチを提案する。 提案モデルでは,拡散の固有のサンプリングプロセスを利用してセグメンテーションマスクの分布を生成する。 その結果,提案手法は既存の最先端曖昧なセグメンテーションネットワークよりも優れていることがわかった。
  論文  参考訳（メタデータ） (2023-04-10T17:58:22Z)
• Multi-Task, Multi-Domain Deep Segmentation with Shared Representations and Contrastive Regularization for Sparse Pediatric Datasets [0.5249805590164902]
  マルチタスクおよびマルチドメイン学習フレームワークを用いて,解剖学の異なる部分から生じるセグメンテーションモデルをトレーニングすることを提案する。 提案するセグメンテーションネットワークは、共有畳み込みフィルタ、各データセット統計を計算するドメイン固有のバッチ正規化パラメータを含む。 骨分節に対する足関節および肩関節の2つの小児画像データセットについて検討した。
  論文  参考訳（メタデータ） (2021-05-21T12:26:05Z)
• Multi-Structure Deep Segmentation with Shape Priors and Latent Adversarial Regularization [0.5249805590164902]
  MR画像における多構造骨変形の深層学習に基づく正規化セグメンテーション法を提案する。 新たに考案した形状コード判別器に基づき,本手法は深層ネットワークに解剖学の学習可能な形状表現に従うよう強制する。 本研究は足関節および肩関節からの2つの小児筋骨格イメージングデータセットにおける術中正規化法と比較した。
  論文  参考訳（メタデータ） (2021-01-25T15:43:40Z)
• 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)
• Multi-structure bone segmentation in pediatric MR images with combined regularization from shape priors and adversarial network [0.4588028371034407]
  異種小児磁気共鳴(MR)画像のセグメント化に難渋する課題に対して,新たにトレーニングした正規化畳み込みエンコーダデコーダネットワークを提案する。 グローバルに一貫した予測を得るために,オートエンコーダで学習した非線形形状表現から得られる,形状先行に基づく正規化を組み込む。 提案手法は,Dice, 感度, 特異性, 最大対称表面距離, 平均対称表面距離, および相対絶対体積差の測定値について, 従来提案した手法と同等あるいは同等に動作した。
  論文  参考訳（メタデータ） (2020-09-15T13:39:53Z)
• Pathological Retinal Region Segmentation From OCT Images Using Geometric Relation Based Augmentation [84.7571086566595]
  本稿では,幾何学と形状の内在的関係を共同で符号化することで,従来のGANベースの医用画像合成法よりも優れた手法を提案する。 提案手法は,取得手順の異なる画像を有する公開RETOUCHデータセット上で,最先端のセグメンテーション手法より優れている。
  論文  参考訳（メタデータ） (2020-03-31T11:50:43Z)

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。