論文の概要: PyMIC: A deep learning toolkit for annotation-efficient medical image segmentation

• arxiv url: http://arxiv.org/abs/2208.09350v1
• Date: Fri, 19 Aug 2022 14:00:37 GMT
• ステータス: 処理完了
• システム内更新日: 2022-08-22 17:37:45.565145
• Title: PyMIC: A deep learning toolkit for annotation-efficient medical image segmentation
• Title（参考訳）: PyMIC: アノテーション効率の良い医用画像セグメンテーションのためのディープラーニングツールキット
• Authors: Guotai Wang, Xiangde Luo, Ran Gu, Shuojue Yang, Yijie Qu, Shuwei Zhai, Qianfei Zhao, Kang Li, Shaoting Zhang
• Abstract要約: 医用画像セグメンテーションのための既存のディープラーニングプラットフォームは主に、完全に教師付きセグメンテーションに焦点を当てている。 医用画像セグメンテーションのためのアノテーション効率のよい学習を支援するための新しいディープラーニングツールキットの開発を目指している。 提案するツールキットであるPyMICは,医用画像分割タスクのためのモジュール型ディープラーニングプラットフォームである。
• 参考スコア（独自算出の注目度）: 12.791700161798094
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Background and Objective: Existing deep learning platforms for medical image segmentation mainly focus on fully supervised segmentation that assumes full and accurate pixel-level annotations are available. We aim to develop a new deep learning toolkit to support annotation-efficient learning for medical image segmentation, which can accelerate and simply the development of deep learning models with limited annotation budget, e.g., learning from partial, sparse or noisy annotations. Methods: Our proposed toolkit named PyMIC is a modular deep learning platform for medical image segmentation tasks. In addition to basic components that support development of high-performance models for fully supervised segmentation, it contains several advanced components that are tailored for learning from imperfect annotations, such as loading annotated and unannounced images, loss functions for unannotated, partially or inaccurately annotated images, and training procedures for co-learning between multiple networks, etc. PyMIC is built on the PyTorch framework and supports development of semi-supervised, weakly supervised and noise-robust learning methods for medical image segmentation. Results: We present four illustrative medical image segmentation tasks based on PyMIC: (1) Achieving competitive performance on fully supervised learning; (2) Semi-supervised cardiac structure segmentation with only 10% training images annotated; (3) Weakly supervised segmentation using scribble annotations; and (4) Learning from noisy labels for chest radiograph segmentation. Conclusions: The PyMIC toolkit is easy to use and facilitates efficient development of medical image segmentation models with imperfect annotations. It is modular and flexible, which enables researchers to develop high-performance models with low annotation cost. The source code is available at: https://github.com/HiLab-git/PyMIC.
• Abstract（参考訳）: 背景と目的: 医用画像セグメンテーションのための既存のディープラーニングプラットフォームは主に、フルかつ正確なピクセルレベルのアノテーションが利用できると仮定する完全に教師付きセグメンテーションに焦点を当てています。 医用画像セグメンテーションのためのアノテーション効率のよい学習を支援するための新しいディープラーニングツールキットを開発することを目的としている。 方法: 提案したPyMICは医用画像分割タスクのためのモジュール型ディープラーニングプラットフォームである。 完全教師付きセグメンテーションのための高性能モデルの開発をサポートする基本的なコンポーネントに加えて、アノテーションや未発表の画像のロード、注釈なし、一部または不正確な注釈付き画像の損失関数、複数ネットワーク間のコラーニングのトレーニング手順など、不完全なアノテーションから学ぶためのいくつかの高度なコンポーネントが含まれている。 PyMICはPyTorchフレームワーク上に構築されており、医療画像セグメンテーションのための半教師付き、弱教師付き、ノイズロスト学習手法の開発をサポートする。 結果: PyMICに基づく医用画像分割作業は,(1)完全教師付き学習における競争力向上,(2)トレーニング画像10%に注釈付き半教師付き心構造分割,(3)スクリブルアノテーションを用いた弱教師付きセグメンテーション,(4)胸部X線写真セグメンテーションのためのノイズラベルからの学習の4つの課題を提示した。 結論: PyMICツールキットは使いやすく、不完全なアノテーションを持つ医用画像分割モデルの効率的な開発を容易にする。 モジュラーで柔軟性があり、研究者はアノテーションコストの低い高性能モデルを開発することができる。 ソースコードはhttps://github.com/hilab-git/pymic。

関連論文リスト

• Dual-scale Enhanced and Cross-generative Consistency Learning for Semi-supervised Medical Image Segmentation [49.57907601086494]
  医用画像のセグメンテーションはコンピュータ支援診断において重要な役割を担っている。 半教師型医用画像(DEC-Seg)のための新しいDual-scale Enhanced and Cross-generative consistency learning frameworkを提案する。
  論文  参考訳（メタデータ） (2023-12-26T12:56:31Z)
• Self-Supervised Correction Learning for Semi-Supervised Biomedical Image Segmentation [84.58210297703714]
  半教師付きバイオメディカルイメージセグメンテーションのための自己教師付き補正学習パラダイムを提案する。 共有エンコーダと2つの独立デコーダを含むデュアルタスクネットワークを設計する。 異なるタスクのための3つの医用画像分割データセットの実験により,本手法の優れた性能が示された。
  論文  参考訳（メタデータ） (2023-01-12T08:19:46Z)
• 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)
• Suggestive Annotation of Brain MR Images with Gradient-guided Sampling [12.928940875474378]
  そこで我々は,脳MRI画像に対する効率的なアノテーションフレームワークを提案し,アノテートを行うための情報的サンプル画像を提案する。 脳腫瘍の分節と全脳の分節という2つの異なる脳画像解析タスクの枠組みを評価する。 提案フレームワークは,手動アノテーションのコストを削減し,医用画像アプリケーションにおけるデータ効率を向上させるための有望な方法を示す。
  論文  参考訳（メタデータ） (2022-06-02T12:23:44Z)
• Exemplar Learning for Medical Image Segmentation [38.61378161105941]
  医用画像セグメンテーションのためのempllar Learning-based Synthesis Net (ELSNet) フレームワークを提案する。 ELSNetはイメージセグメンテーションのための2つの新しいモジュールを導入している。 いくつかの臓器セグメント化データセットの実験を行い,詳細な解析を行った。
  論文  参考訳（メタデータ） (2022-04-03T00:10:06Z)
• Uncertainty guided semi-supervised segmentation of retinal layers in OCT images [4.046207281399144]
  セグメンテーションネットワークを訓練する学生・教師のアプローチに基づく,新しい不確実性誘導半教師学習を提案する。 提案するフレームワークは,様々な画像モダリティにまたがるバイオメディカルイメージセグメンテーションに有効である。
  論文  参考訳（メタデータ） (2021-03-02T23:14:25Z)
• 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)
• Group-Wise Semantic Mining for Weakly Supervised Semantic Segmentation [49.90178055521207]
  この研究は、画像レベルのアノテーションとピクセルレベルのセグメンテーションのギャップを埋めることを目標に、弱い監督されたセマンティックセグメンテーション(WSSS)に対処する。 画像群における意味的依存関係を明示的にモデル化し,より信頼性の高い擬似的基盤構造を推定する,新たなグループ学習タスクとしてWSSSを定式化する。 特に、入力画像がグラフノードとして表現されるグループ単位のセマンティックマイニングのためのグラフニューラルネットワーク(GNN)を考案する。
  論文  参考訳（メタデータ） (2020-12-09T12:40:13Z)
• Going to Extremes: Weakly Supervised Medical Image Segmentation [12.700841704699615]
  セグメンテーションモデルをトレーニングするために、極端点クリックという形で最小限のユーザインタラクションを使うことを提案する。 ランダムウォーカアルゴリズムを利用した極端点に基づいて初期セグメンテーションを生成する。 この初期セグメンテーションは、完全な畳み込みネットワークを訓練するためにノイズの多い監視信号として使用される。
  論文  参考訳（メタデータ） (2020-09-25T00:28:10Z)
• Towards Unsupervised Learning for Instrument Segmentation in Robotic Surgery with Cycle-Consistent Adversarial Networks [54.00217496410142]
  本稿では、入力された内視鏡画像と対応するアノテーションとのマッピングを学習することを目的として、未ペア画像から画像への変換を提案する。 当社のアプローチでは,高価なアノテーションを取得することなく,イメージセグメンテーションモデルをトレーニングすることが可能です。 提案手法をEndovis 2017チャレンジデータセットで検証し,教師付きセグメンテーション手法と競合することを示す。
  論文  参考訳（メタデータ） (2020-07-09T01:39:39Z)
• Suggestive Annotation of Brain Tumour Images with Gradient-guided Sampling [14.092503407739422]
  本稿では,脳腫瘍画像に対する効率的なアノテーションフレームワークを提案する。 実験によると、BraTS 2019データセットから、わずか19%の注釈付き患者スキャンでセグメンテーションモデルをトレーニングすることは、腫瘍セグメンテーションタスク全体のデータセット上でモデルをトレーニングするのと同等のパフォーマンスを達成することができる。
  論文  参考訳（メタデータ） (2020-06-26T13:39:49Z)

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。