論文の概要: Unsupervised Dense Nuclei Detection and Segmentation with Prior
Self-activation Map For Histology Images
- arxiv url: http://arxiv.org/abs/2210.07862v1
- Date: Fri, 14 Oct 2022 14:34:26 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-17 15:24:50.041158
- Title: Unsupervised Dense Nuclei Detection and Segmentation with Prior
Self-activation Map For Histology Images
- Title（参考訳）: 組織像の自己活性化マップを用いた教師なし高密度核検出とセグメンテーション
- Authors: Pingyi Chen, Chenglu Zhu, Zhongyi Shui, Jiatong Cai, Sunyi Zheng,
Shichuan Zhang, Lin Yang
- Abstract要約: 事前自己アクティベーションモジュール(PSM)を用いた自己教師型学習手法を提案する。
PSMは入力画像から自己活性化マップを生成し、ラベル付けコストを回避し、下流タスク用の擬似マスクを生成する。
他の完全教師付き・弱教師付き手法と比較して,本手法は手動アノテーションを使わずに競争性能を達成できる。
- 参考スコア（独自算出の注目度）: 5.3882963853819845
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The success of supervised deep learning models in medical image segmentation
relies on detailed annotations. However, labor-intensive manual labeling is
costly and inefficient, especially in dense object segmentation. To this end,
we propose a self-supervised learning based approach with a Prior
Self-activation Module (PSM) that generates self-activation maps from the input
images to avoid labeling costs and further produce pseudo masks for the
downstream task. To be specific, we firstly train a neural network using
self-supervised learning and utilize the gradient information in the shallow
layers of the network to generate self-activation maps. Afterwards, a
semantic-guided generator is then introduced as a pipeline to transform visual
representations from PSM to pixel-level semantic pseudo masks for downstream
tasks. Furthermore, a two-stage training module, consisting of a nuclei
detection network and a nuclei segmentation network, is adopted to achieve the
final segmentation. Experimental results show the effectiveness on two public
pathological datasets. Compared with other fully-supervised and
weakly-supervised methods, our method can achieve competitive performance
without any manual annotations.
- Abstract（参考訳）: 医用画像セグメンテーションにおける教師付きディープラーニングモデルの成功は、詳細なアノテーションに依存している。
しかし、特に高密度オブジェクトセグメンテーションにおいて、労働集約的な手動ラベリングはコストが高く非効率である。
そこで本稿では,ラベル付けコストを回避するために,入力画像から自己活性化マップを生成し,さらに下流タスク用の擬似マスクを生成する,事前自己活性化モジュール(PSM)を用いた自己教師型学習手法を提案する。
具体的には、まず、自己教師付き学習を用いてニューラルネットワークをトレーニングし、ネットワークの浅い層における勾配情報を用いて自己活性化マップを生成する。
その後、セマンティック誘導ジェネレータがパイプラインとして導入され、PSMから下流タスクのためのピクセルレベルのセマンティックマスクに視覚表現を変換する。
さらに、最終セグメンテーションを達成するために、核検出ネットワークと核セグメンテーションネットワークからなる2段階のトレーニングモジュールを採用する。
実験の結果,2つの病的データセットの有効性が示された。
他の完全教師付き・弱教師付き手法と比較して,本手法は手動アノテーションを使わずに競争性能を達成できる。
関連論文リスト
- Auxiliary Tasks Enhanced Dual-affinity Learning for Weakly Supervised
Semantic Segmentation [79.05949524349005]
AuxSegNet+は、サリエンシマップから豊富な情報を探索する弱教師付き補助学習フレームワークである。
また,サリエンシとセグメンテーションの特徴マップから画素レベルの親和性を学習するためのクロスタスク親和性学習機構を提案する。
論文 参考訳（メタデータ） (2024-03-02T10:03:21Z) - Self-Supervised Neuron Segmentation with Multi-Agent Reinforcement
Learning [53.00683059396803]
マスク画像モデル(MIM)は,マスク画像から元の情報を復元する簡便さと有効性から広く利用されている。
本稿では、強化学習(RL)を利用して最適な画像マスキング比とマスキング戦略を自動検索する決定に基づくMIMを提案する。
本手法は,ニューロン分節の課題において,代替自己監督法に対して有意な優位性を有する。
論文 参考訳（メタデータ） (2023-10-06T10:40:46Z) - 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) - Human-machine Interactive Tissue Prototype Learning for Label-efficient
Histopathology Image Segmentation [18.755759024796216]
ディープ・ニューラル・ネットワークは、画像セグメンテーションを大幅に進歩させたが、通常は豊富なデータを必要とする。
本稿では,ラベル効率のよい組織原型辞書構築パイプラインを提案し,得られた原型を用いて病理組織像のセグメンテーションを導くことを提案する。
人間の機械的対話型組織プロトタイプ学習法は,完全教師付きベースラインと同等のセグメンテーション性能が得られることを示す。
論文 参考訳（メタデータ） (2022-11-26T06:17:21Z) - Cut-Paste Consistency Learning for Semi-Supervised Lesion Segmentation [0.20305676256390934]
半教師付き学習は、深層ニューラルネットワークを訓練する際のデータ効率を改善する可能性がある。
本稿では,切削ペースト増分法と整合性正規化の考え方を基礎として,簡易な半教師付き学習法を提案する。
論文 参考訳（メタデータ） (2022-10-01T04:43:54Z) - Scribble-Supervised Medical Image Segmentation via Dual-Branch Network
and Dynamically Mixed Pseudo Labels Supervision [15.414578073908906]
単純で効率的なスクリブル教師付き画像分割法を提案し,それを心臓MRIセグメント化に適用する。
このスクリブル・インスペクションと補助擬似ラベル・インスペクションを組み合わせることで、デュアルブランチ・ネットワークは、スクリブル・アノテーションからエンドツーエンドまで効率的に学習することができる。
論文 参考訳（メタデータ） (2022-03-04T02:50:30Z) - Leveraging Auxiliary Tasks with Affinity Learning for Weakly Supervised
Semantic Segmentation [88.49669148290306]
そこで我々はAuxSegNetと呼ばれる弱教師付きマルチタスク・フレームワークを提案し,サリエンシ検出とマルチラベル画像分類を補助タスクとして活用する。
同様の構造的セマンティクスに着想を得て,サリエンシとセグメンテーションの表現から,クロスタスクなグローバル画素レベルの親和性マップを学習することを提案する。
学習されたクロスタスク親和性は、両方のタスクに対して改善された擬似ラベルを提供するために、唾液度予測を洗練し、CAMマップを伝播するために使用することができる。
論文 参考訳（メタデータ） (2021-07-25T11:39:58Z) - Uncertainty guided semi-supervised segmentation of retinal layers in OCT
images [4.046207281399144]
セグメンテーションネットワークを訓練する学生・教師のアプローチに基づく,新しい不確実性誘導半教師学習を提案する。
提案するフレームワークは,様々な画像モダリティにまたがるバイオメディカルイメージセグメンテーションに有効である。
論文 参考訳（メタデータ） (2021-03-02T23:14:25Z) - Deep Semi-supervised Knowledge Distillation for Overlapping Cervical
Cell Instance Segmentation [54.49894381464853]
本稿では, ラベル付きデータとラベルなしデータの両方を, 知識蒸留による精度向上に活用することを提案する。
摂動に敏感なサンプルマイニングを用いたマスク誘導型平均教師フレームワークを提案する。
実験の結果,ラベル付きデータのみから学習した教師付き手法と比較して,提案手法は性能を著しく向上することがわかった。
論文 参考訳（メタデータ） (2020-07-21T13:27:09Z) - Weakly Supervised Deep Nuclei Segmentation Using Partial Points
Annotation in Histopathology Images [51.893494939675314]
本稿では,部分点アノテーションに基づく弱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。
本手法は, 完全教師付き手法や最先端手法と比較して, 競争性能を向上できることを示す。
論文 参考訳（メタデータ） (2020-07-10T15:41:29Z)
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。