論文の概要: Self-Supervised Endoscopic Image Key-Points Matching
- arxiv url: http://arxiv.org/abs/2208.11424v1
- Date: Wed, 24 Aug 2022 10:47:21 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-25 12:53:33.556208
- Title: Self-Supervised Endoscopic Image Key-Points Matching
- Title（参考訳）: 自己監督型内視鏡画像キーポイントマッチング
- Authors: Manel Farhat, Houda Chaabouni-Chouayakh, and Achraf Ben-Hamadou
- Abstract要約: 本稿では,深層学習技術に基づく内視鏡画像マッチングのための新しい自己教師型アプローチを提案する。
提案手法は,手作りの標準的なローカル特徴記述子よりも精度とリコールの点で優れていた。
- 参考スコア（独自算出の注目度）: 1.3764085113103222
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Feature matching and finding correspondences between endoscopic images is a
key step in many clinical applications such as patient follow-up and generation
of panoramic image from clinical sequences for fast anomalies localization.
Nonetheless, due to the high texture variability present in endoscopic images,
the development of robust and accurate feature matching becomes a challenging
task. Recently, deep learning techniques which deliver learned features
extracted via convolutional neural networks (CNNs) have gained traction in a
wide range of computer vision tasks. However, they all follow a supervised
learning scheme where a large amount of annotated data is required to reach
good performances, which is generally not always available for medical data
databases. To overcome this limitation related to labeled data scarcity, the
self-supervised learning paradigm has recently shown great success in a number
of applications. This paper proposes a novel self-supervised approach for
endoscopic image matching based on deep learning techniques. When compared to
standard hand-crafted local feature descriptors, our method outperformed them
in terms of precision and recall. Furthermore, our self-supervised descriptor
provides a competitive performance in comparison to a selection of
state-of-the-art deep learning based supervised methods in terms of precision
and matching score.
- Abstract（参考訳）: 内視鏡画像間の特徴マッチングと対応を見つけることは、患者追跡や臨床シーケンスからのパノラマ画像の生成など、多くの臨床応用において重要なステップである。
それにもかかわらず、内視鏡画像に高いテクスチャ変動が存在するため、ロバストで正確な特徴マッチングの開発は難しい課題となる。
近年,畳み込みニューラルネットワーク(CNN)によって抽出された学習機能を実現するディープラーニング技術が,幅広いコンピュータビジョンタスクで注目を集めている。
しかし,これらはすべて,医用データデータベースでは必ずしも利用できない,大量の注釈付きデータを必要とする教師付き学習方式を踏襲している。
ラベル付きデータ不足に関連するこの制限を克服するため、自己教師付き学習パラダイムは近年、多くのアプリケーションで大きな成功を収めている。
本稿では,深層学習技術に基づく内視鏡画像マッチングのための新しい自己教師型アプローチを提案する。
標準的な手作りの局所特徴記述子と比較すると,本手法は精度と記憶力で比較した。
さらに,自己教師付きディスクリプタは,精度とマッチングスコアの面で,最先端のディープラーニングに基づく教師付き手法の選択と比較して,競争力の高い性能を提供する。
関連論文リスト
- RIDE: Self-Supervised Learning of Rotation-Equivariant Keypoint
Detection and Invariant Description for Endoscopy [83.4885991036141]
RIDEは回転同変検出と不変記述のための学習に基づく手法である。
内視鏡画像の大規模なキュレーションを自己指導的に行う。
マッチングと相対的なポーズ推定タスクに対して、最先端のパフォーマンスを新たに設定する。
論文 参考訳（メタデータ） (2023-09-18T08:16:30Z) - Graph Self-Supervised Learning for Endoscopic Image Matching [1.8275108630751844]
鍵点間の空間関係をモデル化するために,局所的な視覚的外観を捉える畳み込みニューラルネットワークと注目に基づくグラフニューラルネットワークを組み合わせた,新たな自己教師型アプローチを提案する。
我々のアプローチはラベル付きデータを必要とせず、完全に自己管理されたスキームで訓練されている。
提案手法は,最先端の手工法と深層学習法より優れ,精度(1)とマッチングスコア(99.3%)で優れた性能を示す。
論文 参考訳（メタデータ） (2023-06-19T19:53:41Z) - Weakly Supervised Intracranial Hemorrhage Segmentation using Head-Wise
Gradient-Infused Self-Attention Maps from a Swin Transformer in Categorical
Learning [0.6269243524465492]
頭蓋内出血(ICH、Intracranial hemorrhage)は、タイムリーな診断と正確な治療を必要とする救命救急疾患である。
深層学習技術は、医用画像解析と処理の先駆的なアプローチとして現れてきた。
ICH分類タスクで訓練されたSwin変換器と分類ラベルを併用した,新しいICHセグメンテーション手法を提案する。
論文 参考訳（メタデータ） (2023-04-11T00:17:34Z) - Intelligent Masking: Deep Q-Learning for Context Encoding in Medical
Image Analysis [48.02011627390706]
我々は,対象地域を排除し,事前訓練の手順を改善する,新たな自己指導型アプローチを開発した。
予測モデルに対してエージェントを訓練することで、下流の分類タスクで抽出した意味的特徴を大幅に改善できることを示す。
論文 参考訳（メタデータ） (2022-03-25T19:05:06Z) - Voice-assisted Image Labelling for Endoscopic Ultrasound Classification
using Neural Networks [48.732863591145964]
本稿では,臨床医が提示した生音声からのEUS画像にラベルを付けるマルチモーダル畳み込みニューラルネットワークアーキテクチャを提案する。
その結果,5つのラベルを持つデータセットにおいて,画像レベルでの予測精度は76%であった。
論文 参考訳（メタデータ） (2021-10-12T21:22:24Z) - 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) - Self supervised contrastive learning for digital histopathology [0.0]
我々はSimCLRと呼ばれる対照的な自己教師型学習手法を用いて、自然シーン画像の最先端結果を得た。
異なる種類の染色特性と分解特性とを組み合わせることで,学習した特徴の質が向上することがわかった。
学習した機能に基づいてトレーニングされた線形分類器は、デジタル病理学データセットで事前トレーニングされたネットワークが、ImageNet事前トレーニングされたネットワークよりも優れたパフォーマンスを示すことを示している。
論文 参考訳（メタデータ） (2020-11-27T19:18:45Z) - Self-Loop Uncertainty: A Novel Pseudo-Label for Semi-Supervised Medical
Image Segmentation [30.644905857223474]
本稿では,医療画像セグメンテーションのためのラベル付きデータと大量のラベル付き画像を用いて,ニューラルネットワークを訓練するための半教師付きアプローチを提案する。
未ラベル画像に対する新たな擬似ラベル(いわゆる自己ループ不確実性)を基盤として、トレーニングセットを増強し、セグメンテーション精度を高める。
論文 参考訳（メタデータ） (2020-07-20T02:52:07Z) - 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) - Deep Q-Network-Driven Catheter Segmentation in 3D US by Hybrid
Constrained Semi-Supervised Learning and Dual-UNet [74.22397862400177]
本稿では,教師付き学習手法よりも少ないアノテーションを要求できる新しいカテーテルセグメンテーション手法を提案する。
提案手法では,Voxelレベルのアノテーションを避けるために,深層Q学習を事前局所化ステップとみなす。
検出されたカテーテルでは、パッチベースのDual-UNetを使用してカテーテルを3Dボリュームデータに分割する。
論文 参考訳（メタデータ） (2020-06-25T21:10:04Z) - Breast lesion segmentation in ultrasound images with limited annotated
data [2.905751301655124]
セグメント化ネットワークを事前学習するために,アメリカのシミュレーション画像と自然画像を補助的データセットとして用いることを提案する。
プレトレーニングネットワークの微調整により,スクラッチによるトレーニングに比べて,ダイススコアが21%向上することを示す。
論文 参考訳（メタデータ） (2020-01-21T03:34:42Z)
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。