論文の概要: Q-Net: Query-Informed Few-Shot Medical Image Segmentation
- arxiv url: http://arxiv.org/abs/2208.11451v1
- Date: Wed, 24 Aug 2022 11:36:53 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-25 12:52:21.019820
- Title: Q-Net: Query-Informed Few-Shot Medical Image Segmentation
- Title（参考訳）: q-net:クエリインフォームドな医療画像セグメンテーション
- Authors: Qianqian Shen, Yanan Li, Jiyong Jin, Bin Liu
- Abstract要約: 本稿では,専門医の学習機構を模倣したクエリインフォームドメタFSSアプローチを提案する。
我々は最近提案された異常検出にインスパイアされたADNetに基づいてQ-Netを構築する。
Q-Netは2つの広く使用されているデータセットで最先端のパフォーマンスを達成する。
- 参考スコア（独自算出の注目度）: 5.615188751640673
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Deep learning has achieved tremendous success in computer vision, while
medical image segmentation (MIS) remains a challenge, due to the scarcity of
data annotations. Meta-learning techniques for few-shot segmentation (Meta-FSS)
have been widely used to tackle this challenge, while they neglect possible
distribution shifts between the query image and the support set. In contrast,
an experienced clinician can perceive and address such shifts by borrowing
information from the query image, then fine-tune or calibrate his (her) prior
cognitive model accordingly. Inspired by this, we propose Q-Net, a
Query-informed Meta-FSS approach, which mimics in spirit the learning mechanism
of an expert clinician. We build Q-Net based on ADNet, a recently proposed
anomaly detection-inspired method. Specifically, we add two query-informed
computation modules into ADNet, namely a query-informed threshold adaptation
module and a query-informed prototype refinement module. Combining them with a
dual-path extension of the feature extraction module, Q-Net achieves
state-of-the-art performance on two widely used datasets, which are composed of
abdominal MR images and cardiac MR images, respectively. Our work sheds light
on a novel way to improve Meta-FSS techniques by leveraging query information.
- Abstract（参考訳）: 深層学習はコンピュータビジョンにおいて大きな成功を収め、医療画像セグメンテーション(MIS)はデータアノテーションが不足しているため、依然として課題である。
マルチショットセグメンテーション(Meta-FSS)のためのメタラーニング技術は、クエリイメージとサポートセット間の分散シフトを無視しながら、この問題に対処するために広く用いられている。
対照的に、経験豊富な臨床医は、問合せ画像から情報を借りてそのような変化を知覚し、対処し、それに応じて自分の(自分の)事前認知モデルを微調整または校正することができる。
そこで我々は,専門家臨床医の学習機構を模倣したクエリインフォームメタfssアプローチであるq-netを提案する。
我々は最近提案された異常検出にインスパイアされたADNetに基づいてQ-Netを構築する。
具体的には,クエリインフォームドしきい値適応モジュールとクエリインフォームドプロトタイプリファインメントモジュールという,2つのクエリインフォームド計算モジュールをadnetに追加する。
特徴抽出モジュールのデュアルパス拡張と組み合わせて、Q-Netは腹部MR画像と心臓MR画像からなる2つの広く使われているデータセットに対して最先端のパフォーマンスを達成する。
我々の研究は、クエリ情報を活用することでメタFSS技術を改善する新しい方法に光を当てている。
関連論文リスト
- Advancing Medical Image Segmentation: Morphology-Driven Learning with Diffusion Transformer [4.672688418357066]
本稿では,雑音の存在下での頑健なセグメンテーションのためのトランスフォーマー拡散(DTS)モデルを提案する。
画像の形態的表現を解析する本モデルでは, 種々の医用画像モダリティにおいて, 従来のモデルよりも良好な結果が得られた。
論文 参考訳（メタデータ） (2024-08-01T07:35:54Z) - A Mutual Inclusion Mechanism for Precise Boundary Segmentation in Medical Images [2.9137615132901704]
医用画像の正確な境界セグメンテーションのための新しい深層学習手法MIPC-Netを提案する。
位置特徴抽出時のチャネル情報に重点を置くMIPCモジュールを提案する。
また,エンコーダとデコーダの統合性を高めるグローバルな残差接続であるGL-MIPC-Residueを提案する。
論文 参考訳（メタデータ） (2024-04-12T02:14:35Z) - 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) - LVM-Med: Learning Large-Scale Self-Supervised Vision Models for Medical
Imaging via Second-order Graph Matching [59.01894976615714]
LVM-Medは、大規模医療データセットに基づいてトレーニングされた、最初のディープネットワークファミリーである。
55の公開データセットから約13万の医療画像を収集しました。
LVM-Medは、多くの最先端の教師付き、自己監督型、基礎モデルよりも経験的に優れている。
論文 参考訳（メタデータ） (2023-06-20T22:21:34Z) - Few-shot Medical Image Segmentation via Cross-Reference Transformer [3.2634122554914]
Few-shot segmentation(FSS)は、少数のラベル付きサンプルから新しいカテゴリを学習することで、これらの課題に対処する可能性がある。
そこで本研究では,クロス参照変換器を用いた画像分割ネットワークを提案する。
実験の結果,CTデータセットとMRIデータセットの両方で良好な結果が得られた。
論文 参考訳（メタデータ） (2023-04-19T13:05:18Z) - Few Shot Medical Image Segmentation with Cross Attention Transformer [30.54965157877615]
我々は、CAT-Netと呼ばれる、数ショットの医用画像セグメンテーションのための新しいフレームワークを提案する。
提案するネットワークは,サポート画像とクエリ画像の相関関係を抽出し,有用なフォアグラウンド情報のみに限定する。
提案手法を,Abd-CT,Abd-MRI,Card-MRIの3つの公開データセットで検証した。
論文 参考訳（メタデータ） (2023-03-24T09:10:14Z) - MedSegDiff-V2: Diffusion based Medical Image Segmentation with
Transformer [53.575573940055335]
我々は、MedSegDiff-V2と呼ばれるトランスフォーマーベースの拡散フレームワークを提案する。
画像の異なる20種類の画像分割作業において,その有効性を検証する。
論文 参考訳（メタデータ） (2023-01-19T03:42:36Z) - InDuDoNet+: A Model-Driven Interpretable Dual Domain Network for Metal
Artifact Reduction in CT Images [53.4351366246531]
InDuDoNet+と呼ばれる新しい解釈可能な二重ドメインネットワークを構築し、CT画像の微細な埋め込みを行う。
異なる組織間のCT値を分析し,InDuDoNet+の事前観測ネットワークにマージすることで,その一般化性能を著しく向上させる。
論文 参考訳（メタデータ） (2021-12-23T15:52:37Z) - Recurrent Mask Refinement for Few-Shot Medical Image Segmentation [15.775057485500348]
本稿では,プロトタイプネットワークに基づく数ショットの医用画像セグメンテーションのための新しいフレームワークを提案する。
1) 前景と背景領域間の局所的関係の特徴を関連付けるために相関を利用するコンテキスト関係エンコーダ(CRE)である。
2つの腹部CTデータセットと腹部MRIデータセットを用いた実験により、提案手法は最先端の方法よりも大幅に改善されていることが示された。
論文 参考訳（メタデータ） (2021-08-02T04:06:12Z) - Modality Completion via Gaussian Process Prior Variational Autoencoders
for Multi-Modal Glioma Segmentation [75.58395328700821]
本稿では,患者スキャンに欠落するサブモダリティを1つ以上のインプットするために,MGP-VAE(Multi-modal Gaussian Process Prior Variational Autoencoder)を提案する。
MGP-VAEは、変分オートエンコーダ(VAE)に先立ってガウス過程(GP)を利用して、被験者/患者およびサブモダリティ相関を利用することができる。
4つのサブモダリティのうち2つ、または3つが欠落している脳腫瘍に対するMGP-VAEの適用性を示す。
論文 参考訳（メタデータ） (2021-07-07T19:06:34Z) - 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)
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。