論文の概要: Constrained self-supervised method with temporal ensembling for fiber bundle detection on anatomic tracing data

• arxiv url: http://arxiv.org/abs/2208.03569v1
• Date: Sat, 6 Aug 2022 19:17:02 GMT
• ステータス: 処理完了
• システム内更新日: 2022-08-09 12:58:11.427914
• Title: Constrained self-supervised method with temporal ensembling for fiber bundle detection on anatomic tracing data
• Title（参考訳）: 解剖学的追跡データを用いた繊維束検出のための時間的アンサンブルを用いた制約付き自己監督法
• Authors: Vaanathi Sundaresan, Julia F. Lehman, Sean Fitzgibbon, Saad Jbabdi, Suzanne N. Haber, Anastasia Yendiki
• Abstract要約: 本研究では,マカク脳のトレーサ部における繊維束の正確なセグメンテーションのための自己教師付き損失関数を用いた深層学習法を提案する。 異なるマカクの未確認区間における本手法の評価は, 真正率0.90の有望な結果をもたらす。
• 参考スコア（独自算出の注目度）: 0.08329098197319453
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Anatomic tracing data provides detailed information on brain circuitry essential for addressing some of the common errors in diffusion MRI tractography. However, automated detection of fiber bundles on tracing data is challenging due to sectioning distortions, presence of noise and artifacts and intensity/contrast variations. In this work, we propose a deep learning method with a self-supervised loss function that takes anatomy-based constraints into account for accurate segmentation of fiber bundles on the tracer sections from macaque brains. Also, given the limited availability of manual labels, we use a semi-supervised training technique for efficiently using unlabeled data to improve the performance, and location constraints for further reduction of false positives. Evaluation of our method on unseen sections from a different macaque yields promising results with a true positive rate of ~0.90. The code for our method is available at https://github.com/v-sundaresan/fiberbundle_seg_tracing.
• Abstract（参考訳）: anatomic tracing dataは、拡散mriでよく見られるエラーに対処するのに必要な脳回路に関する詳細な情報を提供する。 しかし, 追跡データ上での繊維束の自動検出は, 歪み, ノイズ, アーティファクトの存在, 強度・コントラストの変動などにより困難である。 本研究では,マカク脳のトレーサ部における繊維束の正確なセグメンテーションを考慮した,解剖学的制約を考慮した自己教師付き損失関数を用いた深層学習法を提案する。 また,手動ラベルの可用性が限られているため,ラベルなしデータを効率よく使用して性能を向上させるための半教師付きトレーニング手法と,偽陽性のさらなる低減のための位置制約を用いる。 異なるマカクの未確認区間における本手法の評価は, 真正率~0.90の有望な結果をもたらす。 このメソッドのコードはhttps://github.com/v-sundaresan/fiberbundle_seg_tracingで入手できる。

関連論文リスト

• Noisy Correspondence Learning with Self-Reinforcing Errors Mitigation [63.180725016463974]
  クロスモーダル検索は、実際は精力的な、十分に整合した大規模データセットに依存している。 我々は、新しい雑音対応学習フレームワーク、textbfSelf-textbfReinforcing textbfErrors textbfMitigation(SREM)を導入する。
  論文  参考訳（メタデータ） (2023-12-27T09:03:43Z)
• Cross-Dataset Adaptation for Instrument Classification in Cataract Surgery Videos [54.1843419649895]
  特定のデータセットでこのタスクをうまく実行する最先端モデルでは、別のデータセットでテストすると、パフォーマンスが低下する。 本稿では,Barlow Adaptorと呼ばれる新しいエンドツーエンドのUnsupervised Domain Adaptation (UDA)手法を提案する。 さらに,BFAL(Barlow Feature Alignment Loss)と呼ばれる,異なるドメインにまたがる特徴を整列させる新たな損失を導入する。
  論文  参考訳（メタデータ） (2023-07-31T18:14:18Z)
• Fuzzy Attention Neural Network to Tackle Discontinuity in Airway Segmentation [67.19443246236048]
  気道セグメンテーションは肺疾患の検査、診断、予後に重要である。 いくつかの小型の気道支線(気管支や終端など)は自動セグメンテーションの難しさを著しく増す。 本稿では,新しいファジィアテンションニューラルネットワークと包括的損失関数を備える,気道セグメンテーションの効率的な手法を提案する。
  論文  参考訳（メタデータ） (2022-09-05T16:38:13Z)
• 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)
• Unsupervised Anomaly Detection in 3D Brain MRI using Deep Learning with impured training data [53.122045119395594]
  トレーニングデータ中の不健康なサンプルが脳MRIスキャンの異常検出性能に与える影響について検討した。 AEの再構成誤差に基づいて,トレーニング中に誤ラベル付きサンプルを直接識別する手法の評価を行った。
  論文  参考訳（メタデータ） (2022-04-12T13:05:18Z)
• Breast Mass Detection with Faster R-CNN: On the Feasibility of Learning from Noisy Annotations [6.262658726461965]
  医療領域における物体検出ネットワークのトレーニングにおけるノイズの影響について検討する。 地上の真理とネットワーク境界ボックスの提案との間の不完全なマッチングにより、トレーニング中にノイズが伝播する方法を示します。 ノイズに対する耐性を向上させるために,新しいマッチング基準を提案する。
  論文  参考訳（メタデータ） (2021-04-25T17:43:58Z)
• Belief function-based semi-supervised learning for brain tumor segmentation [23.21410263735263]
  ディープラーニングは、注釈付きデータを使用して病変フィールドを検出し、セグメンテーションすることを可能にする。 しかし、医療分野では、正確に注釈付きデータを取得することが非常に難しい。 本稿では,情報融合戦略を持つ新しい明示的ニューラルネットワークを用いて,不確実な境界問題に対処する。
  論文  参考訳（メタデータ） (2021-01-29T22:39:16Z)
• Filtering in tractography using autoencoders (FINTA) [5.8135956130576965]
  拡散MRIからストリームラインをフィルタリングするオートエンコーダに基づく新しい学習法について述べる。 我々の手法はFINTAと呼ばれ、生の未計算のトラクトグラムを用いてオートエンコーダを訓練し、脳の流動性の堅牢な表現を学習する。 その結果,FINTAは従来の解剖学的手法に比べてフィルタ性能が優れていることがわかった。
  論文  参考訳（メタデータ） (2020-10-07T16:45:55Z)
• Improved Slice-wise Tumour Detection in Brain MRIs by Computing Dissimilarities between Latent Representations [68.8204255655161]
  磁気共鳴画像(MRI)の異常検出は教師なし手法で行うことができる。 本研究では,変分オートエンコーダの潜伏空間における相似関数の計算に基づいて,腫瘍検出のためのスライスワイズ半教師法を提案する。 本研究では,高解像度画像上でのモデルをトレーニングし,再現の質を向上させることにより,異なるベースラインに匹敵する結果が得られることを示す。
  論文  参考訳（メタデータ） (2020-07-24T14:02:09Z)
• Defect segmentation: Mapping tunnel lining internal defects with ground penetrating radar data using a convolutional neural network [13.469645178974638]
  本研究では, トンネル内部欠陥の非破壊検出のための地中貫入レーダ(GPR)データ処理手法を提案する。 この手法では、内部欠陥構造をGPR合成データにマッピングするために、Segnetと呼ばれるCNNとLov'aszソフトマックス損失関数を組み合わせる。
  論文  参考訳（メタデータ） (2020-03-29T19:30:59Z)

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。