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

• PMT: Progressive Mean Teacher via Exploring Temporal Consistency for Semi-Supervised Medical Image Segmentation [51.509573838103854]
  医用画像セグメンテーションのための半教師付き学習フレームワークであるプログレッシブ平均教師(PMT)を提案する。 我々のPMTは、トレーニングプロセスにおいて、堅牢で多様な特徴を学習することで、高忠実な擬似ラベルを生成する。 CT と MRI の異なる2つのデータセットに対する実験結果から,本手法が最先端の医用画像分割法より優れていることが示された。
  論文  参考訳（メタデータ） (2024-09-08T15:02:25Z)
• 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。 簡単なフレームワークの有効性を検証する一連の実験は、臓器と腫瘍をカバーする公開ベンチマークデータセットにおいて、これまでのすべてのアプローチより優れている。
  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)
• Mine yOur owN Anatomy: Revisiting Medical Image Segmentation with Extremely Limited Labels [54.58539616385138]
  我々は、Mine yOur owN Anatomy (MONA) と呼ばれる、新しい半教師付き2次元医用画像セグメンテーションフレームワークを紹介する。 まず、先行研究では、すべてのピクセルがモデルトレーニングに等しく重要であると論じており、我々はこの1つだけで意味のある解剖学的特徴を定義できないことを経験的に観察している。 第2に,医療画像を解剖学的特徴の集合に分解できるモデルを構築する。
  論文  参考訳（メタデータ） (2022-09-27T15:50:31Z)
• 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。