論文の概要: Heatmap Regression for Lesion Detection using Pointwise Annotations

• arxiv url: http://arxiv.org/abs/2208.05939v1
• Date: Thu, 11 Aug 2022 17:26:09 GMT
• ステータス: 処理完了
• システム内更新日: 2022-08-12 13:14:32.666136
• Title: Heatmap Regression for Lesion Detection using Pointwise Annotations
• Title（参考訳）: ポイントワイズアノテーションを用いた病変検出のためのヒートマップ回帰
• Authors: Chelsea Myers-Colet, Julien Schroeter, Douglas L. Arnold, Tal Arbel
• Abstract要約: 本稿では,点ラベルのみに依存する病変検出手法を提案する。 熱マップ回帰を用いてトレーニングした本モデルでは, 確率論的手法により, 種々の病変を検出できる。 Gad病変検出実験の結果,高額なセグメンテーションラベルのトレーニングと比較し,ポイントベース法と競合する結果が得られた。
• 参考スコア（独自算出の注目度）: 3.6513059119482145
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In many clinical contexts, detecting all lesions is imperative for evaluating disease activity. Standard approaches pose lesion detection as a segmentation problem despite the time-consuming nature of acquiring segmentation labels. In this paper, we present a lesion detection method which relies only on point labels. Our model, which is trained via heatmap regression, can detect a variable number of lesions in a probabilistic manner. In fact, our proposed post-processing method offers a reliable way of directly estimating the lesion existence uncertainty. Experimental results on Gad lesion detection show our point-based method performs competitively compared to training on expensive segmentation labels. Finally, our detection model provides a suitable pre-training for segmentation. When fine-tuning on only 17 segmentation samples, we achieve comparable performance to training with the full dataset.
• Abstract（参考訳）: 多くの臨床的文脈において、すべての病変を検出することは疾患活動を評価するのに不可欠である。 標準的アプローチは、セグメンテーションラベル取得の時間を要する性質にもかかわらず、セグメンテーション問題として病変検出を提起する。 本稿では,点ラベルのみに依存する病変検出手法を提案する。 熱マップ回帰を用いてトレーニングした本モデルでは, 確率論的手法により, 種々の病変を検出できる。 実際,提案手法は病変の存在不確かさを直接推定する信頼性の高い方法である。 gad病変検出実験の結果,本手法は高価なセグメンテーションラベルのトレーニングと比較し,比較評価を行った。 最後に,検出モデルはセグメント化に適した事前学習を提供する。 17のセグメンテーションサンプルのみを微調整すると、完全なデータセットによるトレーニングに匹敵するパフォーマンスが得られる。

関連論文リスト

• Unlearnable Examples Detection via Iterative Filtering [84.59070204221366]
  ディープニューラルネットワークは、データ中毒攻撃に弱いことが証明されている。 混合データセットから有毒なサンプルを検出することは極めて有益であり、困難である。 UE識別のための反復フィルタリング手法を提案する。
  論文  参考訳（メタデータ） (2024-08-15T13:26:13Z)
• Multi-task Explainable Skin Lesion Classification [54.76511683427566]
  少ないラベル付きデータでよく一般化する皮膚病変に対する数発のショットベースアプローチを提案する。 提案手法は,アテンションモジュールや分類ネットワークとして機能するセグメンテーションネットワークの融合を含む。
  論文  参考訳（メタデータ） (2023-10-11T05:49:47Z)
• Domain Adaptive Synapse Detection with Weak Point Annotations [63.97144211520869]
  弱点アノテーションを用いたドメイン適応型シナプス検出のためのフレームワークであるAdaSynを提案する。 I SBI 2023のWASPSYNチャレンジでは、我々の手法が第1位にランクインした。
  論文  参考訳（メタデータ） (2023-08-31T05:05:53Z)
• Self-training with dual uncertainty for semi-supervised medical image segmentation [9.538419502275975]
  従来の自己学習手法は、反復学習のための擬似ラベルを生成することによって、ラベル付きデータ不足の問題を部分的に解決することができる。 サンプルレベルと画素レベルの不確実性を加えて,自己学習フレームワークに基づくトレーニングプロセスの安定化を図る。 提案手法は,同じ設定下で両方のデータセットのセグメンテーション性能を向上する。
  論文  参考訳（メタデータ） (2023-04-10T07:57:24Z)
• 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)
• Segmentation-Consistent Probabilistic Lesion Counting [3.6513059119482145]
  病変数は、疾患の重症度、患者の予後、治療効果の重要な指標であるが、医療画像の課題として数えられることは、しばしばセグメンテーションを支持するために見過ごされる。 本研究は、病変分割予測と病変数確率分布を一貫した方法でマッピングする、新しい連続微分可能な関数を導入する。
  論文  参考訳（メタデータ） (2022-04-11T17:26:49Z)
• RECIST-Net: Lesion detection via grouping keypoints on RECIST-based annotation [37.006151248641125]
  病変検出のための新しいアプローチであるRECIST-Netを提案し,RECIST径の4つの極点と中心点を検出する。 実験により、RECIST-Netはイメージ毎に4つの偽陽性で92.49%の感度を達成することが示された。
  論文  参考訳（メタデータ） (2021-07-19T09:41:13Z)
• Dense Regression Activation Maps For Lesion Segmentation in CT scans of COVID-19 patients [9.313053265087262]
  重回帰アクティベーションマップ(dRAM)に基づく弱教師付きセグメンテーション手法を提案する。 提案手法は,CAMに基づく弱教師付きセグメンテーション方式の0.335から0.495への結合を著しく改善する。
  論文  参考訳（メタデータ） (2021-05-25T08:29:35Z)
• Minimax Active Learning [61.729667575374606]
  アクティブラーニングは、人間のアノテーションによってラベル付けされる最も代表的なサンプルをクエリすることによって、ラベル効率の高いアルゴリズムを開発することを目指している。 現在のアクティブラーニング技術は、最も不確実なサンプルを選択するためにモデルの不確実性に頼るか、クラスタリングを使うか、最も多様なラベルのないサンプルを選択するために再構築する。 我々は,不確実性と多様性を両立させる半教師付きミニマックスエントロピーに基づく能動学習アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2020-12-18T19:03:40Z)
• Tracking disease outbreaks from sparse data with Bayesian inference [55.82986443159948]
  新型コロナウイルス(COVID-19)のパンデミックは、感染発生時の感染率を推定する新たな動機を与える。 標準的な手法は、より細かいスケールで共通する部分的な観測可能性とスパースなデータに対応するのに苦労する。 原理的に部分観測可能なベイズ的枠組みを提案する。
  論文  参考訳（メタデータ） (2020-09-12T20:37:33Z)
• Local Temperature Scaling for Probability Calibration [22.069749881109992]
  本稿では,セマンティックセグメンテーションに着目した学習に基づくキャリブレーション手法を提案する。 具体的には、確率校正のための局所的な温度値を予測するために畳み込みニューラルネットワークを採用する。 COCO、CamVid、LPBA40データセットの実験では、さまざまなメトリクスのキャリブレーション性能が改善された。
  論文  参考訳（メタデータ） (2020-08-12T04:39:32Z)

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。