論文の概要: Diversity-Promoting Ensemble for Medical Image Segmentation
- arxiv url: http://arxiv.org/abs/2210.12388v1
- Date: Sat, 22 Oct 2022 08:47:25 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-25 15:33:13.512133
- Title: Diversity-Promoting Ensemble for Medical Image Segmentation
- Title(参考訳): 医用画像分割のための多様性向上アンサンブル
- Authors: Mariana-Iuliana Georgescu, Radu Tudor Ionescu, Andreea-Iuliana Miron
- Abstract要約: 医用画像セグメンテーションのための異なるアーキテクチャのアンサンブルを生成する戦略を提案する。
多様性を促進するために,Diceスコアの低いモデルを選択する。
実験の結果,DiPEは個々のモデルと,上位スコアモデルの選択に基づくアンサンブル生成戦略に勝っていることがわかった。
- 参考スコア(独自算出の注目度): 25.089517950882527
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Medical image segmentation is an actively studied task in medical imaging,
where the precision of the annotations is of utter importance towards accurate
diagnosis and treatment. In recent years, the task has been approached with
various deep learning systems, among the most popular models being U-Net. In
this work, we propose a novel strategy to generate ensembles of different
architectures for medical image segmentation, by leveraging the diversity
(decorrelation) of the models forming the ensemble. More specifically, we
utilize the Dice score among model pairs to estimate the correlation between
the outputs of the two models forming each pair. To promote diversity, we
select models with low Dice scores among each other. We carry out
gastro-intestinal tract image segmentation experiments to compare our
diversity-promoting ensemble (DiPE) with another strategy to create ensembles
based on selecting the top scoring U-Net models. Our empirical results show
that DiPE surpasses both individual models as well as the ensemble creation
strategy based on selecting the top scoring models.
- Abstract(参考訳): 医用画像のセグメンテーションは医用画像の撮影において活発に研究されており、正確な診断と治療にアノテーションの精度が重要である。
近年、このタスクは、u-netが最も人気のあるモデルであるさまざまなディープラーニングシステムでアプローチされている。
そこで本研究では,アンサンブルを形成するモデルの多様性(相関)を活かし,医用画像セグメンテーションのための異なるアーキテクチャのアンサンブルを生成する新しい手法を提案する。
具体的には、モデルペア間のDiceスコアを用いて、各ペアを構成する2つのモデルの出力間の相関を推定する。
多様性を促進するために,ダイススコアの低いモデルを選択する。
消化管画像分割実験を行ない、多様性促進アンサンブル(DiPE)と、上位スコアのU-Netモデルを選択することでアンサンブルを作成する別の戦略を比較した。
実験の結果,DiPEは個々のモデルと,上位スコアモデルの選択に基づくアンサンブル生成戦略に勝っていることがわかった。
関連論文リスト
- Explore In-Context Segmentation via Latent Diffusion Models [132.26274147026854]
潜在拡散モデル(LDM)は、文脈内セグメンテーションに有効な最小限のモデルである。
画像とビデオの両方のデータセットを含む、新しい、公正なコンテキスト内セグメンテーションベンチマークを構築します。
論文 参考訳(メタデータ) (2024-03-14T17:52:31Z) - Diagonal Hierarchical Consistency Learning for Semi-supervised Medical
Image Segmentation [0.0]
対角的階層的整合学習(DiHC-Net)を用いた半教師付き医用画像セグメンテーションのための新しい枠組みを提案する。
同一のマルチスケールアーキテクチャを持つが、アップサンプリング層や正規化層のような異なるサブレイヤを持つ複数のサブモデルで構成されている。
一連の実験により、我々の単純なフレームワークの有効性が検証され、臓器と腫瘍に関する公開ベンチマークデータセットにおける以前のアプローチよりも優れていた。
論文 参考訳(メタデータ) (2023-11-10T12:38:16Z) - Evaluation of Multi-indicator And Multi-organ Medical Image Segmentation
Models [4.302265156822829]
エンコーダとデコーダ構造を持つ「U字型」ニューラルネットワークは,医用画像セグメンテーションの分野で人気を博している。
医用画像分割モデルの総合的評価手法を提案する。
MIMOは、マルチインジケータとマルチ組織医療画像評価に関する新しい洞察を提供する。
論文 参考訳(メタデータ) (2023-06-01T08:35:51Z) - 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) - MultiTalent: A Multi-Dataset Approach to Medical Image Segmentation [1.146419670457951]
現在のプラクティスでは、モデルトレーニングと教師付き事前トレーニングを、1つまたはいくつかの類似したデータセットに制限している。
我々は多種多様なクラス定義を持つ複数のCTデータセットを活用する手法であるMultiTalentを提案する。
論文 参考訳(メタデータ) (2023-03-25T11:37:16Z) - MedSegDiff-V2: Diffusion based Medical Image Segmentation with
Transformer [53.575573940055335]
我々は、MedSegDiff-V2と呼ばれるトランスフォーマーベースの拡散フレームワークを提案する。
画像の異なる20種類の画像分割作業において,その有効性を検証する。
論文 参考訳(メタデータ) (2023-01-19T03:42:36Z) - Understanding the Tricks of Deep Learning in Medical Image Segmentation:
Challenges and Future Directions [66.40971096248946]
本稿では,モデル実装の異なるフェーズに対して,MedISegの一連のトリックを収集する。
本稿では,これらの手法の有効性を一貫したベースライン上で実験的に検討する。
私たちはまた、それぞれのコンポーネントがプラグインとプレイの利点を持つ強力なMedISegリポジトリをオープンソースにしました。
論文 参考訳(メタデータ) (2022-09-21T12:30:05Z) - Modality Completion via Gaussian Process Prior Variational Autoencoders
for Multi-Modal Glioma Segmentation [75.58395328700821]
本稿では,患者スキャンに欠落するサブモダリティを1つ以上のインプットするために,MGP-VAE(Multi-modal Gaussian Process Prior Variational Autoencoder)を提案する。
MGP-VAEは、変分オートエンコーダ(VAE)に先立ってガウス過程(GP)を利用して、被験者/患者およびサブモダリティ相関を利用することができる。
4つのサブモダリティのうち2つ、または3つが欠落している脳腫瘍に対するMGP-VAEの適用性を示す。
論文 参考訳(メタデータ) (2021-07-07T19:06:34Z) - 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) - Adversarial Sample Enhanced Domain Adaptation: A Case Study on
Predictive Modeling with Electronic Health Records [57.75125067744978]
ドメイン適応を容易にするデータ拡張手法を提案する。
逆生成したサンプルはドメイン適応時に使用される。
その結果,本手法の有効性とタスクの一般性が確認された。
論文 参考訳(メタデータ) (2021-01-13T03:20:20Z)
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。