論文の概要: Parotid Gland MR Image Segmentation Based on Contrastive Learning
- arxiv url: http://arxiv.org/abs/2208.12413v1
- Date: Fri, 26 Aug 2022 03:02:47 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-29 12:33:02.685959
- Title: Parotid Gland MR Image Segmentation Based on Contrastive Learning
- Title(参考訳): コントラスト学習に基づく耳下腺MR画像分割
- Authors: Zi'an Xu, Yin Dai, Fayu Liu, Boyuan Wu, Weibing Chen, Lifu Shi
- Abstract要約: トランスフォーマーに基づくコントラスト学習手法を用い,トランスフォーマー学習を用いたコントラスト学習ネットワークを革新的に訓練した。
改良されたDSCは89.60%、MPAは99.36%、MIoUは85.11%、HDは2.98だった。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Compared with natural images, medical images are difficult to acquire and
costly to label. Contrastive learning, as an unsupervised learning method, can
more effectively utilize unlabeled medical images. In this paper, we used a
Transformer-based contrastive learning method and innovatively trained the
contrastive learning network with transfer learning. Then, the output model was
transferred to the downstream parotid segmentation task, which improved the
performance of the parotid segmentation model on the test set. The improved DSC
was 89.60%, MPA was 99.36%, MIoU was 85.11%, and HD was 2.98. All four metrics
showed significant improvement compared to the results of using a supervised
learning model as a pre-trained model for the parotid segmentation network. In
addition, we found that the improvement of the segmentation network by the
contrastive learning model was mainly in the encoder part, so this paper also
tried to build a contrastive learning network for the decoder part and
discussed the problems encountered in the process of building.
- Abstract(参考訳): 自然画像と比較して、医用画像は取得が難しく、ラベル付けに費用がかかる。
教師なし学習方法としての対比学習は、ラベルなしの医療画像をより効果的に活用することができる。
本稿では,トランスフォーマティブベースのコントラスト学習手法を用いて,コントラスト学習ネットワークとトランスファー学習を革新的に訓練した。
そして、出力モデルを下流の耳下腺分節タスクに転送し、テストセットにおける耳下腺分節モデルの性能を改善した。
改良されたDSCは89.60%、MPAは99.36%、MIoUは85.11%、HDは2.98だった。
4つの指標はいずれも,耳下腺セグメンテーションネットワークの事前学習モデルとして教師あり学習モデルを用いた結果と比較して有意に改善した。
さらに, コントラスト学習モデルによるセグメンテーションネットワークの改善は, 主にエンコーダ部であり, 本論文ではデコーダ部のためのコントラスト学習ネットワークの構築も試み, 構築過程における問題について議論した。
関連論文リスト
- InfLocNet: Enhanced Lung Infection Localization and Disease Detection from Chest X-Ray Images Using Lightweight Deep Learning [0.5242869847419834]
本稿では,より軽量な深層学習に基づくセグメンテーション分類ネットワークを提案する。
胸部X線画像を用いた肺感染症の検出と局在性の向上を目的としている。
IoUは93.59%, Dice similarity Coefficient (DSC)は97.61%であった。
論文 参考訳(メタデータ) (2024-08-12T19:19:23Z) - Performance of GAN-based augmentation for deep learning COVID-19 image
classification [57.1795052451257]
ディープラーニングを医療分野に適用する上で最大の課題は、トレーニングデータの提供である。
データ拡張は、限られたデータセットに直面した時に機械学習で使用される典型的な方法論である。
本研究は, 新型コロナウイルスの胸部X線画像セットを限定して, StyleGAN2-ADAモデルを用いて訓練するものである。
論文 参考訳(メタデータ) (2023-04-18T15:39:58Z) - Reliable Joint Segmentation of Retinal Edema Lesions in OCT Images [55.83984261827332]
本稿では,信頼性の高いマルチスケールウェーブレットエンハンストランスネットワークを提案する。
本研究では,ウェーブレット型特徴抽出器ネットワークとマルチスケール変圧器モジュールを統合したセグメンテーションバックボーンを開発した。
提案手法は,他の最先端セグメンテーション手法と比較して信頼性の高いセグメンテーション精度を実現する。
論文 参考訳(メタデータ) (2022-12-01T07:32:56Z) - Mediastinal Lymph Node Detection and Segmentation Using Deep Learning [1.7188280334580195]
臨床ではCT(Computed tomography)とPET(positron emission tomography)が異常リンパ節(LN)を検出する
深層畳み込みニューラルネットワークは、しばしば医療写真にアイテムを分割する。
良質な深層学習手法であるUNetは、縦隔リンパ節の分節と検出のための戦略に基づいて、双線形および全一般化変異(TGV)を用いて修正された。
修正されたUNetはテクスチャの不連続を維持し、ノイズの多い領域を選択し、バックプロパゲーションを通じて適切なバランスポイントを検索し、画像の解像度を再現する。
論文 参考訳(メタデータ) (2022-11-24T02:55:20Z) - Self-supervised contrastive learning of echocardiogram videos enables
label-efficient cardiac disease diagnosis [48.64462717254158]
心エコービデオを用いた自己教師型コントラスト学習手法であるエコーCLRを開発した。
左室肥大症 (LVH) と大動脈狭窄症 (AS) の分類成績は,EchoCLR の訓練により有意に改善した。
EchoCLRは、医療ビデオの表現を学習する能力に特有であり、SSLがラベル付きデータセットからラベル効率の高い疾患分類を可能にすることを実証している。
論文 参考訳(メタデータ) (2022-07-23T19:17:26Z) - Human Gender Prediction Based on Deep Transfer Learning from Panoramic
Radiograph Images [0.0]
本手法は,提案したDenseNet121深層学習モデルの学習の高速化と性能向上に有効である。
提案モデルは、性別分類において97.25%の成功率を達成することによって、他のアプローチよりも優れていた。
論文 参考訳(メタデータ) (2022-05-19T20:47:32Z) - Harmonizing Pathological and Normal Pixels for Pseudo-healthy Synthesis [68.5287824124996]
そこで本研究では,新しいタイプの識別器であるセグメンタを提案し,病変の正確な特定と擬似健康画像の視覚的品質の向上を図っている。
医用画像強調に生成画像を適用し,低コントラスト問題に対処するために拡張結果を利用する。
BraTSのT2モダリティに関する総合的な実験により、提案手法は最先端の手法よりも大幅に優れていることが示された。
論文 参考訳(メタデータ) (2022-03-29T08:41:17Z) - A Multi-Stage Attentive Transfer Learning Framework for Improving
COVID-19 Diagnosis [49.3704402041314]
新型コロナの診断を改善するための多段階集中移動学習フレームワークを提案する。
提案するフレームワークは、複数のソースタスクと異なるドメインのデータから知識を学習し、正確な診断モデルを訓練する3つの段階からなる。
本稿では,肺CT画像のマルチスケール表現を学習するための自己教師付き学習手法を提案する。
論文 参考訳(メタデータ) (2021-01-14T01:39:19Z) - Metastatic Cancer Image Classification Based On Deep Learning Method [7.832709940526033]
画像分類におけるディープラーニングアルゴリズム, DenseNet169 フレームワーク, Rectified Adam 最適化アルゴリズムを併用したNoval法を提案する。
我々のモデルは、Vgg19、Resnet34、Resnet50のような他の古典的畳み込みニューラルネットワークアプローチよりも優れた性能を実現する。
論文 参考訳(メタデータ) (2020-11-13T16:04:39Z) - Classification of COVID-19 in CT Scans using Multi-Source Transfer
Learning [91.3755431537592]
我々は,従来のトランスファー学習の改良にマルチソース・トランスファー・ラーニングを応用して,CTスキャンによる新型コロナウイルスの分類を提案する。
マルチソースファインチューニングアプローチでは、ImageNetで微調整されたベースラインモデルよりも優れています。
我々の最高のパフォーマンスモデルは、0.893の精度と0.897のリコールスコアを達成でき、ベースラインのリコールスコアを9.3%上回った。
論文 参考訳(メタデータ) (2020-09-22T11:53:06Z)
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。