論文の概要: Label Refinement Network from Synthetic Error Augmentation for Medical Image Segmentation

• arxiv url: http://arxiv.org/abs/2209.06353v1
• Date: Wed, 14 Sep 2022 00:25:32 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-15 13:57:07.203895
• Title: Label Refinement Network from Synthetic Error Augmentation for Medical Image Segmentation
• Title（参考訳）: 医用画像分割のための合成誤差増大によるラベルリファインメントネットワーク
• Authors: Shuai Chen, Antonio Garcia Uceda, Jiahang Su, Gijs van Tulder, Lennard Wolff, Theo van Walsum, Marleen de Bruijne
• Abstract要約: 画像分割のための深部畳み込みニューラルネットワークはラベル構造を明示的に学習しない。 初期セグメンテーションからそのような誤りを補正する新しいラベル改善手法を提案する。
• 参考スコア（独自算出の注目度）: 8.435559487504351
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep convolutional neural networks for image segmentation do not learn the label structure explicitly and may produce segmentations with an incorrect structure, e.g., with disconnected cylindrical structures in the segmentation of tree-like structures such as airways or blood vessels. In this paper, we propose a novel label refinement method to correct such errors from an initial segmentation, implicitly incorporating information about label structure. This method features two novel parts: 1) a model that generates synthetic structural errors, and 2) a label appearance simulation network that produces synthetic segmentations (with errors) that are similar in appearance to the real initial segmentations. Using these synthetic segmentations and the original images, the label refinement network is trained to correct errors and improve the initial segmentations. The proposed method is validated on two segmentation tasks: airway segmentation from chest computed tomography (CT) scans and brain vessel segmentation from 3D CT angiography (CTA) images of the brain. In both applications, our method significantly outperformed a standard 3D U-Net and other previous refinement approaches. Improvements are even larger when additional unlabeled data is used for model training. In an ablation study, we demonstrate the value of the different components of the proposed method.
• Abstract（参考訳）: 画像分割のための深い畳み込みニューラルネットワークはラベル構造を明示的に学習せず、例えば、気道や血管のような木のような構造のセグメント化において、切り離された円筒構造を持つ不正確な構造を持つセグメンテーションを生成する。 本稿では,ラベル構造に関する情報を暗黙的に組み込んで,初期セグメント化から誤りを訂正する新しいラベル改良手法を提案する。 この方法には2つの新しい部分がある。 1) 合成構造エラーを発生させるモデル、及び 2) 実初期セグメンテーションの外観に類似した合成セグメンテーション(誤りを伴う)を生成するラベル出現シミュレーションネットワーク。 これらの合成セグメンテーションと元の画像を用いてラベルリファインメントネットワークを訓練し、エラーを訂正し、初期セグメンテーションを改善する。 本手法は,胸部CTスキャンによる気道セグメンテーションと脳の3次元CTアンギオグラフィー(CTA)画像による脳血管セグメンテーションの2つのセグメンテーション課題に対して検証された。 どちらのアプリケーションにおいても,本手法は標準の3次元U-Netや他の改良手法よりも優れていた。 モデルトレーニングに未ラベルのデータを追加すると、改善はさらに大きくなる。 アブレーション研究において,提案手法の異なる成分の値を示す。

関連論文リスト

• Towards Modality-agnostic Label-efficient Segmentation with Entropy-Regularized Distribution Alignment [62.73503467108322]
  この話題は、3次元の点雲のセグメンテーションで広く研究されている。 近年まで、擬似ラベルは、限られた地道ラベルによる訓練を容易にするために広く用いられてきた。 既存の擬似ラベリングアプローチは、重複しないデータのノイズやバリエーションに悩まされる可能性がある。 本研究では,学習用擬似ラベルを正規化し,擬似ラベルとモデル予測とのギャップを効果的に狭める学習戦略を提案する。
  論文  参考訳（メタデータ） (2024-08-29T13:31:15Z)
• Diffusion-based Data Augmentation for Nuclei Image Segmentation [68.28350341833526]
  核セグメンテーションのための拡散法を初めて導入する。 このアイデアは、多数のラベル付き画像を合成し、セグメンテーションモデルを訓練することを目的としている。 実験の結果,10%のラベル付き実データセットを合成サンプルで拡張することにより,同等のセグメンテーション結果が得られることがわかった。
  論文  参考訳（メタデータ） (2023-10-22T06:16:16Z)
• Unsupervised Segmentation of Fetal Brain MRI using Deep Learning Cascaded Registration [2.494736313545503]
  従来の深層学習に基づく自動セグメンテーションは、グランドトラストラベルによる広範なトレーニングデータを必要とする。 ラベル付きデータに頼らずに複数の組織を正確にセグメンテーションするマルチアトラスセグメンテーションに基づく新しい手法を提案する。 提案手法では,3次元画像登録のためのカスケード深層学習ネットワークを用いて,移動画像への小さなインクリメンタルな変形を計算し,それを固定画像と正確に整合させる。
  論文  参考訳（メタデータ） (2023-07-07T13:17:12Z)
• 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)
• Two-Stream Graph Convolutional Network for Intra-oral Scanner Image Segmentation [133.02190910009384]
  本稿では,2ストリームグラフ畳み込みネットワーク(TSGCN)を提案する。 TSGCNは3次元歯(表面)セグメンテーションにおいて最先端の方法よりも優れています。
  論文  参考訳（メタデータ） (2022-04-19T10:41:09Z)
• Topology-Preserving Segmentation Network: A Deep Learning Segmentation Framework for Connected Component [7.95119530218428]
  医用画像では、腎臓や肺などの構造のトポロジーが通常知られている。 イットトポロジ保存セグメンテーションネットワーク(TPSN)をトレーニングし、正確なセグメンテーション結果を与える。 TPSNは、UNetを通して変形マップを生成する変形ベースのモデルである。 本稿では,画像のマルチレベル情報を組み込んだマルチスケールTPSNを開発し,より正確なセグメンテーション結果を生成する。
  論文  参考訳（メタデータ） (2022-02-27T09:56:33Z)
• CPNet: Cycle Prototype Network for Weakly-supervised 3D Renal Compartments Segmentation on CT Images [14.756502627336305]
  腹部CTA画像から腎部分の3次元構造を抽出することを目的としたCT画像の腎部分分割 本稿では、3次元腎コンパートメントセグメンテーションのための弱教師付き学習フレームワークであるCycle Prototype Networkを提案する。 我々のモデルは4つのラベル付き画像で79.1%と78.7%を達成し、典型的なプロトタイプPANetよりも約20%向上した。
  論文  参考訳（メタデータ） (2021-08-15T06:54:38Z)
• Cascaded Robust Learning at Imperfect Labels for Chest X-ray Segmentation [61.09321488002978]
  不完全アノテーションを用いた胸部X線分割のための新しいカスケードロバスト学習フレームワークを提案する。 モデルは3つの独立したネットワークから成り,ピアネットワークから有用な情報を効果的に学習できる。 提案手法は,従来の手法と比較して,セグメント化タスクの精度を大幅に向上させることができる。
  論文  参考訳（メタデータ） (2021-04-05T15:50:16Z)
• Weakly-Supervised Segmentation for Disease Localization in Chest X-Ray Images [0.0]
  医用胸部X線画像のセマンティックセグメンテーションに対する新しいアプローチを提案する。 本手法は肺と胸壁の間の異常な空気量を検出するための胸部X線検査に適用可能である。
  論文  参考訳（メタデータ） (2020-07-01T20:48:35Z)
• 3D medical image segmentation with labeled and unlabeled data using autoencoders at the example of liver segmentation in CT images [58.720142291102135]
  本研究では、畳み込みニューラルネットワークによるセグメンテーションを改善するために、オートエンコーダ抽出機能の可能性を検討する。 コンボリューション・オートエンコーダを用いてラベルのないデータから特徴を抽出し,CT画像における3次元肝セグメンテーションの目標タスクを実行するために,マルチスケールの完全畳み込みCNNを用いた。
  論文  参考訳（メタデータ） (2020-03-17T20:20:43Z)

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。