論文の概要: CUTS: A Fully Unsupervised Framework for Medical Image Segmentation

• arxiv url: http://arxiv.org/abs/2209.11359v3
• Date: Fri, 9 Jun 2023 19:07:50 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-14 02:42:45.615054
• Title: CUTS: A Fully Unsupervised Framework for Medical Image Segmentation
• Title（参考訳）: cuts: 医療用画像セグメンテーションのための教師なしフレームワーク
• Authors: Chen Liu, Matthew Amodio, Liangbo L. Shen, Feng Gao, Arman Avesta, Sanjay Aneja, Jay Wang, Lucian V. Del Priore, Smita Krishnaswamy
• Abstract要約: 医用画像セグメンテーションのための完全に教師なしのディープラーニングフレームワークCUTSを紹介する。 本フレームワークは,任意の段階のラベル付きデータに頼ることなく,新たな2段階のアプローチで医用画像のセグメント化を行う。 自然画像,網膜基底画像,脳MRI画像のマルチスケールセグメンテーションに成功した。
• 参考スコア（独自算出の注目度）: 10.884193877044195
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: In this work we introduce CUTS (Contrastive and Unsupervised Training for Segmentation), the first fully unsupervised deep learning framework for medical image segmentation to better utilize the vast majority of imaging data that is not labeled or annotated. Segmenting medical images is a critical task for facilitating both patient diagnoses and quantitative research. A major limiting factor is the lack of labeled data, as obtaining expert annotations for each new set of imaging data or task can be expensive, labor intensive, and inconsistent across annotators. Thus, we utilize self-supervision from pixels and their local neighborhoods in the images themselves. Our unsupervised approach optimizes a training objective that leverages concepts from contrastive learning and autoencoding. In contrast to prior work, our framework segments medical images with a novel two-stage approach without relying on any labeled data at any stage. The first stage involves the creation of a "pixel-centered patch" that embeds every pixel along with its surrounding patch, using a vector representation in a high-dimensional latent embedding space. The second stage utilizes diffusion condensation, a multi-scale topological data analysis approach, to dynamically coarse-grain these embedding vectors at all levels of granularity. The final outcome is a series of coarse-to-fine segmentations that highlight image structures at various scales. We show successful multi-scale segmentation on natural images, retinal fundus images, and brain MRI images. Our framework delineates structures and patterns at different scales which may carry distinct information relevant to clinical interpretation. As we tackle the problem of segmenting medical images at multiple meaningful granularities without relying on any label, we demonstrate the possibility to circumvent tedious and repetitive manual annotations in future practice.
• Abstract（参考訳）: この研究では、ラベル付けや注釈付けされていない画像データの大部分をうまく活用するために、医学画像セグメンテーションのための、初めて完全に教師なしのディープラーニングフレームワークであるcuts(contrastive and unsupervised training for segmentation)を紹介します。 医用画像の分離は、患者の診断と定量的研究を促進する重要な課題である。 主な制限要因はラベル付きデータの欠如である。新しい画像データやタスクのセットごとに専門家のアノテーションを取得することは、アノテータ間でコストがかかり、労力がかかり、一貫性がない。 そこで,画素とその周辺地域からの自己スーパービジョンを画像自身で活用する。 教師なしのアプローチは、コントラスト学習や自動エンコーディングの概念を活用するトレーニング目標を最適化します。 従来の作業とは対照的に,どの段階においてもラベル付きデータに頼ることなく,新たな2段階のアプローチで医療画像をセグメント化する。 最初の段階は、高次元の潜在埋め込み空間におけるベクトル表現を用いて、周囲のパッチと共にすべてのピクセルを埋め込む「ピクセル中心のパッチ」を作成することである。 第2段階は、多スケールの位相データ解析手法である拡散凝縮を用いて、これらの埋め込みベクトルを任意のレベルの粒度で動的に粗粒化する。 最終的な結果は、様々なスケールで画像構造をハイライトする粗い部分分割のシリーズである。 自然画像,網膜基底画像,脳MRI画像のマルチスケールセグメンテーションに成功した。 本フレームワークは,臨床解釈に関連のある異なる情報を伝達する構造やパターンを,異なるスケールで記述する。 ラベルに頼らずに複数の意味のある粒度の医療画像の分節化の問題に取り組む中で, 今後, 退屈かつ反復的な手動アノテーションの回避の可能性を示す。

関連論文リスト

• MedCLIP-SAMv2: Towards Universal Text-Driven Medical Image Segmentation [2.2585213273821716]
  MedCLIP-SAMv2はCLIPとSAMモデルを統合して臨床スキャンのセグメンテーションを行う新しいフレームワークである。 提案手法は,DHN-NCE(Decoupled Hard Negative Noise Contrastive Estimation)によるBiomedCLIPモデルの微調整を含む。 また,ゼロショットセグメンテーションラベルを弱教師付きパラダイム内で使用することにより,セグメンテーション品質をさらに向上する。
  論文  参考訳（メタデータ） (2024-09-28T23:10:37Z)
• SM2C: Boost the Semi-supervised Segmentation for Medical Image by using Meta Pseudo Labels and Mixed Images [13.971120210536995]
  医用画像のセマンティックな特徴を学習する能力を向上させるために,SM2C(Scaling-up Mix with Multi-Class)を導入した。 セグメンテーションオブジェクトの形状を多様化し、各サンプル内の意味情報を豊かにすることにより、SM2Cはそのポテンシャルを示す。 提案したフレームワークは、最先端のフレームワークよりも大幅に改善されている。
  論文  参考訳（メタデータ） (2024-03-24T04:39:40Z)
• 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)
• M$^{2}$SNet: Multi-scale in Multi-scale Subtraction Network for Medical Image Segmentation [73.10707675345253]
  医用画像から多様なセグメンテーションを仕上げるマルチスケールサブトラクションネットワーク(M$2$SNet)を提案する。 本手法は,4つの異なる医用画像セグメンテーションタスクの11つのデータセットに対して,異なる評価基準の下で,ほとんどの最先端手法に対して好意的に機能する。
  論文  参考訳（メタデータ） (2023-03-20T06:26:49Z)
• 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)
• PCRLv2: A Unified Visual Information Preservation Framework for Self-supervised Pre-training in Medical Image Analysis [56.63327669853693]
  本稿では,ピクセルレベルの情報を高レベルなセマンティクスに明示的にエンコードするための画素復元タスクを提案する。 また,画像理解を支援する強力なツールであるスケール情報の保存についても検討する。 提案されている統合SSLフレームワークは、さまざまなタスクで自己管理されたフレームワークを超越している。
  論文  参考訳（メタデータ） (2023-01-02T17:47:27Z)
• Mixed-UNet: Refined Class Activation Mapping for Weakly-Supervised Semantic Segmentation with Multi-scale Inference [28.409679398886304]
  我々は、デコードフェーズに2つの並列分岐を持つMixed-UNetという新しいモデルを開発する。 地域病院や公開データセットから収集したデータセットに対して,いくつかの一般的なディープラーニングに基づくセグメンテーションアプローチに対して,設計したMixed-UNetを評価した。
  論文  参考訳（メタデータ） (2022-05-06T08:37:02Z)
• A Spatial Guided Self-supervised Clustering Network for Medical Image Segmentation [16.448375091671004]
  医用画像分割のための空間ガイド型自己監視クラスタリングネットワーク(SGSCN)を提案する。 単一の画像から、各ピクセルの特徴表現とクラスタリングの割り当てをエンドツーエンドで反復的に学習する。 本手法を2つの公開医用画像データセット上で評価し,従来の自己監督型クラスタリング法と比較した。
  論文  参考訳（メタデータ） (2021-07-11T00:40:40Z)
• 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。