論文の概要: Deep Learning for Medical Image Segmentation: Tricks, Challenges and
Future Directions
- arxiv url: http://arxiv.org/abs/2209.10307v1
- Date: Wed, 21 Sep 2022 12:30:05 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-22 16:36:34.697427
- Title: Deep Learning for Medical Image Segmentation: Tricks, Challenges and
Future Directions
- Title(参考訳): 医用画像セグメンテーションのための深層学習 : トリック,課題,今後の方向性
- Authors: Dong Zhang, Yi Lin, Hao Chen, Zhuotao Tian, Xin Yang, Jinhui Tang,
Kwang Ting Cheng
- Abstract要約: 本稿では,モデル実装の異なるフェーズに対して,一連のMedISegトリックを収集する。
一貫性のあるベースラインモデルにおけるこれらのトリックの有効性を実験的に検討する。
調査したトリックに基づいて、強力なMedISegリポジトリもオープンソース化しました。
- 参考スコア(独自算出の注目度): 66.40971096248946
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Over the past few years, the rapid development of deep learning technologies
for computer vision has greatly promoted the performance of medical image
segmentation (MedISeg). However, the recent MedISeg publications usually focus
on presentations of the major contributions (e.g., network architectures,
training strategies, and loss functions) while unwittingly ignoring some
marginal implementation details (also known as "tricks"), leading to a
potential problem of the unfair experimental result comparisons. In this paper,
we collect a series of MedISeg tricks for different model implementation phases
(i.e., pre-training model, data pre-processing, data augmentation, model
implementation, model inference, and result post-processing), and
experimentally explore the effectiveness of these tricks on the consistent
baseline models. Compared to paper-driven surveys that only blandly focus on
the advantages and limitation analyses of segmentation models, our work
provides a large number of solid experiments and is more technically operable.
With the extensive experimental results on both the representative 2D and 3D
medical image datasets, we explicitly clarify the effect of these tricks.
Moreover, based on the surveyed tricks, we also open-sourced a strong MedISeg
repository, where each of its components has the advantage of plug-and-play. We
believe that this milestone work not only completes a comprehensive and
complementary survey of the state-of-the-art MedISeg approaches, but also
offers a practical guide for addressing the future medical image processing
challenges including but not limited to small dataset learning, class imbalance
learning, multi-modality learning, and domain adaptation. The code has been
released at: https://github.com/hust-linyi/MedISeg
- Abstract(参考訳): 近年,コンピュータビジョンのためのディープラーニング技術の急速な発展により,医用画像セグメンテーション(MedISeg)の性能が大幅に向上している。
しかし、最近のmediseg出版物は、通常、主要な貢献(例えば、ネットワークアーキテクチャ、トレーニング戦略、損失関数)のプレゼンテーションに焦点を当てているが、不当にいくつかの限界実装の詳細(いわゆる「トリック」)を無視しているため、不公平な実験結果の比較の潜在的な問題となっている。
本稿では,様々なモデル実装フェーズ(事前学習モデル,データ前処理,データ拡張,モデル実装,モデル推論,結果後処理など)に対するmedisegトリックを収集し,一貫性のあるベースラインモデルにおけるこれらのトリックの有効性を実験的に検討する。
セグメンテーションモデルの利点と限界分析のみに焦点を当てたペーパードリブンサーベイと比較すると,本研究は多数のソリッド実験を提供し,より技術的に運用可能である。
代表的な2次元および3次元医用画像データセットの広範な実験結果から,これらのトリックの効果を明らかにした。
さらに、調査したトリックに基づいて、各コンポーネントがプラグイン・アンド・プレイの利点を享受する強力なMedISegリポジトリもオープンソース化しました。
このマイルストーンは、最先端のMedISegアプローチに関する包括的で補完的な調査を完了しただけでなく、小さなデータセット学習、クラス不均衡学習、マルチモダリティ学習、ドメイン適応など、将来の医療画像処理課題に対処するための実践的なガイドも提供しています。
コードはhttps://github.com/hust-linyi/medisegでリリースされた。
関連論文リスト
- DeepMediX: A Deep Learning-Driven Resource-Efficient Medical Diagnosis
Across the Spectrum [15.382184404673389]
この作業では,この課題に大きく対処する,画期的な,リソース効率の高いモデルである textttDeepMediX が紹介されている。
MobileNetV2アーキテクチャ上に構築されたDeepMediXは、脳MRIスキャンと皮膚がん画像の分類に長けている。
DeepMediXの設計にはフェデレートラーニングの概念も含まれている。
論文 参考訳(メタデータ) (2023-07-01T12:30:58Z) - 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) - MedFMC: A Real-world Dataset and Benchmark For Foundation Model
Adaptation in Medical Image Classification [41.16626194300303]
ファンデーションモデルは、多くの場合、大規模なデータで事前訓練されているが、様々なビジョンや言語アプリケーションのジャンプ開始において、最も成功している。
最近の進歩により、下流タスクにおける基礎モデルの適応は、少数のトレーニングサンプルだけで効率的に行えるようになった。
しかし, 医用画像解析におけるそのような学習パラダイムの適用は, 一般に公開されているデータやベンチマークが不足しているため, 依然として少ない。
論文 参考訳(メタデータ) (2023-06-16T01:46:07Z) - Learnable Weight Initialization for Volumetric Medical Image
Segmentation [54.1807206010136]
本稿では,学習可能な重みに基づくハイブリッド医療画像セグメンテーション手法を提案する。
我々のアプローチはどんなハイブリッドモデルにも簡単に統合でき、外部のトレーニングデータを必要としない。
多臓器・肺がんセグメンテーションタスクの実験は、我々のアプローチの有効性を実証している。
論文 参考訳(メタデータ) (2023-06-15T17:55:05Z) - Domain Generalization for Mammographic Image Analysis with Contrastive
Learning [62.25104935889111]
効果的なディープラーニングモデルのトレーニングには、さまざまなスタイルと品質を備えた大規模なデータが必要である。
より優れたスタイルの一般化能力を備えた深層学習モデルを実現するために,新しいコントラスト学習法が開発された。
提案手法は,様々なベンダスタイルドメインのマンモグラムや,いくつかのパブリックデータセットを用いて,広範囲かつ厳密に評価されている。
論文 参考訳(メタデータ) (2023-04-20T11:40:21Z) - BenchMD: A Benchmark for Unified Learning on Medical Images and Sensors [8.695342954247606]
アーキテクチャやトレーニング技術を含む,統一的でモダリティに依存しない手法が,さまざまな医療タスクでどのように機能するかをテストするベンチマークであるBenchMDを提示する。
その結果,統一的な学習手法がすべてのモダリティに対して高い性能を達成できないことが示され,ベンチマークに十分な改善の余地が残されている。
論文 参考訳(メタデータ) (2023-04-17T17:59:26Z) - Competence-based Multimodal Curriculum Learning for Medical Report
Generation [98.10763792453925]
本稿では,コンピテンスベースのマルチモーダルカリキュラム学習フレームワーク(CMCL)を提案する。
具体的には、CMCLは放射線学者の学習過程をシミュレートし、段階的にモデルを最適化する。
パブリックIU-XrayとMIMIC-CXRデータセットの実験は、CMCLを既存のモデルに組み込んでパフォーマンスを向上させることができることを示している。
論文 参考訳(メタデータ) (2022-06-24T08:16:01Z) - Two layer Ensemble of Deep Learning Models for Medical Image
Segmentation [0.2699900017799093]
医用画像のセグメンテーションのための深層学習モデルの2層アンサンブルを提案する。
トレーニング画像の付加データとして、第1層の各モデルによって作成された各トレーニング画像画素の予測を用いる。
次に、各モデルが結合結果に異なる貢献をする重みに基づくスキームを用いて、第2層の予測を組み合わせる。
論文 参考訳(メタデータ) (2021-04-10T16:52:34Z) - Generative Adversarial U-Net for Domain-free Medical Image Augmentation [49.72048151146307]
注釈付き医用画像の不足は、医用画像コンピューティングの分野における最大の課題の1つだ。
本稿では,生成逆U-Netという新しい生成手法を提案する。
当社の新しいモデルは、ドメインフリーで、さまざまな医療画像に汎用性があります。
論文 参考訳(メタデータ) (2021-01-12T23:02:26Z)
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。