論文の概要: One-Shot Medical Landmark Localization by Edge-Guided Transform and Noisy Landmark Refinement

• arxiv url: http://arxiv.org/abs/2208.00453v1
• Date: Sun, 31 Jul 2022 15:42:28 GMT
• ステータス: 処理完了
• システム内更新日: 2022-08-02 13:53:35.060735
• Title: One-Shot Medical Landmark Localization by Edge-Guided Transform and Noisy Landmark Refinement
• Title（参考訳）: エッジガイド変換とノイズランドマーク再構成によるワンショット医療用ランドマーク位置決め
• Authors: Zihao Yin, Ping Gong, Chunyu Wang, Yizhou Yu and Yizhou Wang
• Abstract要約: 医用ランドマークのワンショット化のための2段階のフレームワークを提案する。 ステージIでは,新たな損失関数の指導の下で,グローバルアライメントと局所変形のエンドツーエンドのカスケードを学習する。 ステージIIでは,信頼性の高い擬似ラベルを選択するための自己整合性や,半教師付き学習のための相互整合性について検討する。
• 参考スコア（独自算出の注目度）: 59.14062241534754
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: As an important upstream task for many medical applications, supervised landmark localization still requires non-negligible annotation costs to achieve desirable performance. Besides, due to cumbersome collection procedures, the limited size of medical landmark datasets impacts the effectiveness of large-scale self-supervised pre-training methods. To address these challenges, we propose a two-stage framework for one-shot medical landmark localization, which first infers landmarks by unsupervised registration from the labeled exemplar to unlabeled targets, and then utilizes these noisy pseudo labels to train robust detectors. To handle the significant structure variations, we learn an end-to-end cascade of global alignment and local deformations, under the guidance of novel loss functions which incorporate edge information. In stage II, we explore self-consistency for selecting reliable pseudo labels and cross-consistency for semi-supervised learning. Our method achieves state-of-the-art performances on public datasets of different body parts, which demonstrates its general applicability.
• Abstract（参考訳）: 多くの医療アプリケーションにとって重要な上流タスクとして、教師付きランドマークのローカライゼーションは、望ましいパフォーマンスを達成するために、いまだに不要なアノテーションコストを必要とする。 さらに、面倒な収集手順のため、医学的ランドマークデータセットの限られたサイズは、大規模な自己監督型事前学習方法の有効性に影響を与える。 これらの課題に対処するために,まず,ラベル付きexemplarからラベルなしターゲットへの教師なし登録によりランドマークを推定し,さらにこれらのノイズの多い擬似ラベルを用いてロバスト検出器を訓練する,ワンショット医療ランドマークローカライズのための2段階フレームワークを提案する。 重要な構造変化に対処するために,エッジ情報を含む新しい損失関数の指導のもと,グローバルアライメントと局所変形のエンドツーエンドカスケードを学習する。 ステージIIでは,信頼性の高い擬似ラベルを選択するための自己整合性や,半教師付き学習のための相互整合性について検討する。 本手法は,様々なボディ部分の公開データセット上での最先端のパフォーマンスを実現し,その汎用性を示す。

関連論文リスト

• Beyond Point Annotation: A Weakly Supervised Network Guided by Multi-Level Labels Generated from Four-Point Annotation for Thyroid Nodule Segmentation in Ultrasound Image [8.132809580086565]
  微妙な結節セグメンテーションの制約を洗練するために、4点アノテーションから多レベルラベルを生成する弱教師付きネットワークを提案する。 提案するネットワークは,2つの公開データセットにおいて,精度とロバスト性に関して,既存の弱教師付き手法よりも優れている。
  論文  参考訳（メタデータ） (2024-10-25T06:34:53Z)
• Shifting Focus: From Global Semantics to Local Prominent Features in Swin-Transformer for Knee Osteoarthritis Severity Assessment [42.09313885494969]
  我々はSwin Transformerの能力を利用して階層的な枠組みを通じて画像内の空間的依存関係を識別する。 我々の新しい貢献は、局所的な特徴表現を精細化し、分類器の最終的な分布に特化することにある。 Knee osteoArthritis (KOA) グレード分類のための2つの確立されたベンチマークを広範囲に検証した結果,本モデルは有意な堅牢性と精度を示した。
  論文  参考訳（メタデータ） (2024-03-15T01:09:58Z)
• Adaptive Semi-Supervised Segmentation of Brain Vessels with Ambiguous Labels [63.415444378608214]
  提案手法は, 進歩的半教師付き学習, 適応的学習戦略, 境界拡張など, 革新的な手法を取り入れたものである。 3DRAデータセットによる実験結果から,メッシュベースのセグメンテーション指標を用いて,本手法の優位性を示す。
  論文  参考訳（メタデータ） (2023-08-07T14:16:52Z)
• Taxonomy Adaptive Cross-Domain Adaptation in Medical Imaging via Optimization Trajectory Distillation [73.83178465971552]
  自動医用画像解析の成功は、大規模かつ専門家による注釈付きトレーニングセットに依存する。 非教師なしドメイン適応(UDA)はラベル付きデータ収集の負担を軽減するための有望なアプローチである。 本稿では,2つの技術的課題に新しい視点から対処する統一的手法である最適化トラジェクトリ蒸留を提案する。
  論文  参考訳（メタデータ） (2023-07-27T08:58:05Z)
• S$^2$ME: Spatial-Spectral Mutual Teaching and Ensemble Learning for Scribble-supervised Polyp Segmentation [21.208071679259604]
  本研究では,空間スペクトルデュアルブランチ相互指導とエントロピー誘導擬似ラベルアンサンブル学習の枠組みを開発する。 我々は、アンサンブル学習の有効性を高めるために、信頼度の高い混合擬似ラベルを作成する。 疑似ラベルに存在する不確実性やノイズの有害な影響を効果的に軽減する。
  論文  参考訳（メタデータ） (2023-06-01T08:47:58Z)
• Semi-supervised Anatomical Landmark Detection via Shape-regulated Self-training [37.691539309804426]
  よく注釈付けされた医療画像は費用がかかり、時には入手も不可能で、目印検出の精度をある程度損なう。 半教師付きランドマーク検出のためのモデルに依存しない形状制御型自己学習フレームワークを提案する。 当社のフレームワークは柔軟で,ほとんどの教師付きメソッドに統合されたプラグイン・アンド・プレイモジュールとして使用することで,パフォーマンスをさらに向上する。
  論文  参考訳（メタデータ） (2021-05-28T05:23:07Z)
• Deep Semi-supervised Metric Learning with Dual Alignment for Cervical Cancer Cell Detection [49.78612417406883]
  子宮頸癌細胞検出のための新しい半教師付き深度測定法を提案する。 私たちのモデルは、埋め込みメトリック空間を学習し、提案レベルとプロトタイプレベルの両方でセマンティック機能の二重アライメントを行います。 本研究は,240,860個の頸部細胞画像からなる半監督型頸部がん細胞検出のための大規模データセットを初めて構築した。
  論文  参考訳（メタデータ） (2021-04-07T17:11:27Z)
• Dual-Refinement: Joint Label and Feature Refinement for Unsupervised Domain Adaptive Person Re-Identification [51.98150752331922]
  Unsupervised Domain Adaptive (UDA) Person Re-identification (再ID) は、ターゲットドメインデータのラベルが欠落しているため、難しい作業です。 オフラインクラスタリングフェーズにおける擬似ラベルとオンライントレーニングフェーズにおける特徴を共同で改良する,デュアルリファインメントと呼ばれる新しいアプローチを提案する。 本手法は最先端手法を大きなマージンで上回っている。
  論文  参考訳（メタデータ） (2020-12-26T07:35:35Z)
• Weakly-Supervised Cross-Domain Adaptation for Endoscopic Lesions Segmentation [79.58311369297635]
  異なるデータセットにまたがるトランスファー可能なドメイン不変知識を探索できる,新しい弱い教師付き病巣移動フレームワークを提案する。 wasserstein quantified transferability frameworkは、広い範囲の転送可能なコンテキスト依存性を強調するために開発されている。 新規な自己監督型擬似ラベル生成器は、送信困難かつ転送容易なターゲットサンプルの両方に対して、確実な擬似ピクセルラベルを等しく提供するように設計されている。
  論文  参考訳（メタデータ） (2020-12-08T02:26:03Z)

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。