論文の概要: Diffusion Adversarial Representation Learning for Self-supervised Vessel Segmentation

• arxiv url: http://arxiv.org/abs/2209.14566v1
• Date: Thu, 29 Sep 2022 06:06:15 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-30 16:54:08.380264
• Title: Diffusion Adversarial Representation Learning for Self-supervised Vessel Segmentation
• Title（参考訳）: 自己教師付き血管セグメンテーションのための拡散逆表現学習
• Authors: Boah Kim, Yujin Oh, and Jong Chul Ye
• Abstract要約: 医療画像における血管分割は血管疾患の診断と治療計画において重要な課題の1つである。 本稿では,拡散確率モデルと逆学習を併用した新しい拡散逆表現学習(DARL)モデルを提案する。 本手法は血管セグメンテーションにおいて,既存の教師なし・自己教師付き手法を著しく上回っている。
• 参考スコア（独自算出の注目度）: 36.65094442100924
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Vessel segmentation in medical images is one of the important tasks in the diagnosis of vascular diseases and therapy planning. Although learning-based segmentation approaches have been extensively studied, a large amount of ground-truth labels are required in supervised methods and confusing background structures make neural networks hard to segment vessels in an unsupervised manner. To address this, here we introduce a novel diffusion adversarial representation learning (DARL) model that leverages a denoising diffusion probabilistic model with adversarial learning, and apply it for vessel segmentation. In particular, for self-supervised vessel segmentation, DARL learns background image distribution using a diffusion module, which lets a generation module effectively provide vessel representations. Also, by adversarial learning based on the proposed switchable spatially-adaptive denormalization, our model estimates synthetic fake vessel images as well as vessel segmentation masks, which further makes the model capture vessel-relevant semantic information. Once the proposed model is trained, the model generates segmentation masks by one step and can be applied to general vascular structure segmentation of coronary angiography and retinal images. Experimental results on various datasets show that our method significantly outperforms existing unsupervised and self-supervised methods in vessel segmentation.
• Abstract（参考訳）: 医療画像における血管分割は血管疾患の診断と治療計画において重要な課題の1つである。 学習に基づくセグメンテーションのアプローチは広く研究されているが、教師ありの手法や背景構造が混乱しているため、ニューラルネットワークは教師なしの方法でのセグメンテーションを困難にしている。 そこで本研究では, 対数学習を用いた拡散確率モデルを用いた新しい拡散対数表現学習(DARL)モデルを導入し, 血管セグメンテーションに適用する。 特に,自己教師型血管分割において,DARLは拡散モジュールを用いて背景画像の分布を学習し,生成モジュールが効果的に血管表現を提供する。 また,切り替え可能な空間適応型非正規化に基づく逆学習により,本モデルでは,合成擬似容器画像と容器分割マスクを推定し,さらに,容器関連意味情報を捕捉する。 提案モデルがトレーニングされると,1ステップごとにセグメンテーションマスクを生成し,冠動脈造影および網膜画像の一般的な血管構造セグメンテーションに適用することができる。 各種データセットを用いた実験の結果, 従来の非教師なしおよび自己教師なしの容器分割法を有意に上回ることがわかった。

関連論文リスト

• Adversarial Vessel-Unveiling Semi-Supervised Segmentation for Retinopathy of Prematurity Diagnosis [9.683492465191241]
  広範囲な手動血管アノテーションを必要とせず,ROP研究を進めるための半教師付きセグメンテーションフレームワークを提案する。 ラベル付きデータにのみ依存する従来の手法とは異なり,本手法では不確実性重み付き容器公開モジュールとドメイン対向学習を統合している。 我々は、パブリックデータセットと社内ROPデータセットに対するアプローチを検証し、複数の評価指標で優れたパフォーマンスを示す。
  論文  参考訳（メタデータ） (2024-11-14T02:40:34Z)
• Unleashing the Potential of the Diffusion Model in Few-shot Semantic Segmentation [56.87049651707208]
  セマンティックはインコンテクストタスクへと発展し、一般化的セグメンテーションモデルを評価する上で重要な要素となった。 我々の最初の焦点は、クエリイメージとサポートイメージの相互作用を容易にする方法を理解することであり、その結果、自己注意フレームワーク内のKV融合法が提案される。 そこで我々はDiffewSというシンプルで効果的なフレームワークを構築し,従来の潜在拡散モデルの生成フレームワークを最大限に保持する。
  論文  参考訳（メタデータ） (2024-10-03T10:33:49Z)
• KLDD: Kalman Filter based Linear Deformable Diffusion Model in Retinal Image Segmentation [51.03868117057726]
  本稿では,網膜血管分割のためのKLDDモデルを提案する。 我々のモデルは、変形可能な畳み込みの柔軟な受容場を利用して、分割を反復的に洗練する拡散過程を用いる。 実験は網膜基底画像データセット(DRIVE,CHASE_DB1)とOCTA-500データセットの3mm,6mmで評価された。
  論文  参考訳（メタデータ） (2024-09-19T14:21:38Z)
• Introducing Shape Prior Module in Diffusion Model for Medical Image Segmentation [7.7545714516743045]
  拡散確率モデル(DDPM)を利用したVerseDiff-UNetというエンドツーエンドフレームワークを提案する。 我々のアプローチは拡散モデルを標準のU字型アーキテクチャに統合する。 本手法はX線画像から得られた脊椎画像の1つのデータセットを用いて評価する。
  論文  参考訳（メタデータ） (2023-09-12T03:05:00Z)
• C-DARL: Contrastive diffusion adversarial representation learning for label-free blood vessel segmentation [39.79157116429435]
  本稿では,C-DARLモデルと呼ばれる自己教師型血管分割手法を提案する。 本モデルは,多領域血管データの分布を学習する拡散モジュールと生成モジュールから構成される。 有効性を検証するために、C-DARLは冠動脈血管造影、腹部デジタルサブトラクション血管造影、網膜画像などの様々な血管データセットを用いて訓練される。
  論文  参考訳（メタデータ） (2023-07-31T23:09:01Z)
• VesselMorph: Domain-Generalized Retinal Vessel Segmentation via Shape-Aware Representation [12.194439938007672]
  ドメインシフトは医療画像の本質的な特性であり、学習ベースのアルゴリズムを大規模に展開する上で大きな障害となっている。 形状認識表現を合成することにより2次元網膜血管セグメンテーションタスクを一般化するVesselMorphという手法を提案する。 VesselMorphは、異なるドメインシフトシナリオの競合するメソッドと比較して、優れた一般化性能を実現する。
  論文  参考訳（メタデータ） (2023-07-01T06:02:22Z)
• Ambiguous Medical Image Segmentation using Diffusion Models [60.378180265885945]
  我々は,グループ洞察の分布を学習することで,複数の可算出力を生成する単一拡散モデルに基づくアプローチを提案する。 提案モデルでは,拡散の固有のサンプリングプロセスを利用してセグメンテーションマスクの分布を生成する。 その結果,提案手法は既存の最先端曖昧なセグメンテーションネットワークよりも優れていることがわかった。
  論文  参考訳（メタデータ） (2023-04-10T17:58:22Z)
• 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)
• Joint Learning of Vessel Segmentation and Artery/Vein Classification with Post-processing [27.825969553813092]
  血管分節と動脈・静脈の分類は、潜在的な疾患について様々な情報を提供する。 我々は、UNetベースのモデルSeqNetを採用し、背景から船舶を正確に分割し、船舶のタイプを予測する。 実験の結果,AUCを0.98に改善し,DRIVEデータセットの分類精度は0.92に向上した。
  論文  参考訳（メタデータ） (2020-05-27T13:06:16Z)
• Retinopathy of Prematurity Stage Diagnosis Using Object Segmentation and Convolutional Neural Networks [68.96150598294072]
  未熟児網膜症(英: Retinopathy of Prematurity、ROP)は、主に体重の低い未熟児に影響を及ぼす眼疾患である。 網膜の血管の増殖を招き、視力喪失を招き、最終的には網膜剥離を招き、失明を引き起こす。 近年,ディープラーニングを用いて診断を自動化する試みが盛んに行われている。 本稿では,従来のモデルの成功を基盤として,オブジェクトセグメンテーションと畳み込みニューラルネットワーク(CNN)を組み合わせた新しいアーキテクチャを開発する。 提案システムでは,まず対象分割モデルを訓練し,画素レベルでの区切り線を識別し,その結果のマスクを追加の"カラー"チャネルとして付加する。
  論文  参考訳（メタデータ） (2020-04-03T14:07:41Z)

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。