論文の概要: LightVessel: Exploring Lightweight Coronary Artery Vessel Segmentation
via Similarity Knowledge Distillation
- arxiv url: http://arxiv.org/abs/2211.00899v1
- Date: Wed, 2 Nov 2022 05:49:19 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-03 14:15:10.825655
- Title: LightVessel: Exploring Lightweight Coronary Artery Vessel Segmentation
via Similarity Knowledge Distillation
- Title（参考訳）: LightVessel: 類似知識蒸留による軽量冠動脈血管セグメンテーションの探索
- Authors: Hao Dang, Yuekai Zhang, Xingqun Qi, Wanting Zhou, Muyi Sun
- Abstract要約: 冠状動脈血管分節の簡易化のための類似知識蒸留フレームワークである textbfLightVessel を提案する。
セマンティックシフトモデリングのためのFSDモジュール; 学生モデルによりピクセル単位のセマンティック情報を学ぶよう促すASDモジュール。
臨床冠動脈血管データセットを用いて行った実験は、LightVesselが様々な知識蒸留よりも優れていることを示した。
- 参考スコア（独自算出の注目度）: 6.544757635738911
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In recent years, deep convolution neural networks (DCNNs) have achieved great
prospects in coronary artery vessel segmentation. However, it is difficult to
deploy complicated models in clinical scenarios since high-performance
approaches have excessive parameters and high computation costs. To tackle this
problem, we propose \textbf{LightVessel}, a Similarity Knowledge Distillation
Framework, for lightweight coronary artery vessel segmentation. Primarily, we
propose a Feature-wise Similarity Distillation (FSD) module for semantic-shift
modeling. Specifically, we calculate the feature similarity between the
symmetric layers from the encoder and decoder. Then the similarity is
transferred as knowledge from a cumbersome teacher network to a non-trained
lightweight student network. Meanwhile, for encouraging the student model to
learn more pixel-wise semantic information, we introduce the Adversarial
Similarity Distillation (ASD) module. Concretely, the ASD module aims to
construct the spatial adversarial correlation between the annotation and
prediction from the teacher and student models, respectively. Through the ASD
module, the student model obtains fined-grained subtle edge segmented results
of the coronary artery vessel. Extensive experiments conducted on Clinical
Coronary Artery Vessel Dataset demonstrate that LightVessel outperforms various
knowledge distillation counterparts.
- Abstract（参考訳）: 近年, 深達度畳み込みニューラルネットワーク (DCNN) は, 冠動脈血管セグメンテーションにおいて大きな進歩を遂げている。
しかし,高性能アプローチには過剰なパラメータと高い計算コストがあるため,臨床シナリオにおいて複雑なモデルをデプロイすることは困難である。
そこで本研究では, 軽量冠状動脈分節化のための類似知識蒸留フレームワークであるtextbf{LightVessel}を提案する。
主に,セマンティック・シフト・モデリングのためのFSD(Feature-wise similarity Distillation)モジュールを提案する。
具体的には、エンコーダとデコーダから対称層の特徴的類似性を計算する。
そして、この類似性を、面倒な教師ネットワークから非学習軽量学生ネットワークへの知識として転送する。
一方,学生モデルに対して,画素別意味情報の学習を促すため,adversarial similarity distillation (asd) モジュールを導入する。
具体的には、ASDモジュールは、教師モデルと学生モデルからのアノテーションと予測の空間的逆相関を構築することを目的としている。
ASDモジュールを通して、学生モデルは、冠動脈血管の微細なきめ細かいエッジセグメント化結果を得る。
臨床冠状動脈血管データセットで行った大規模な実験は、LightVesselが様々な知識蒸留よりも優れていることを示した。
関連論文リスト
- A label-free and data-free training strategy for vasculature segmentation in serial sectioning OCT data [4.746694624239095]
オプティカル・コヒーレンス・トモグラフィー (OCT) は, 死後神経血管の研究でますます人気が高まっている。
ここでは、深層学習セグメンテーションモデルをトレーニングするために、容器の合成データセットを活用する。
どちらのアプローチも同様のDiceスコアを得るが、偽陽性と偽陰率は非常に異なる。
論文 参考訳（メタデータ） (2024-05-22T15:39:31Z) - 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) - Partial Vessels Annotation-based Coronary Artery Segmentation with
Self-training and Prototype Learning [17.897934341782843]
冠動脈セグメンテーションの課題と臨床診断的特徴に基づく部分血管アノテーション(PVA)を提案する。
提案手法は,未ラベル領域に知識を伝達するための容器の局所的特徴を学習し,伝播過程に導入された誤りを補正する。
PVA(24.29%の船体)における競合手法よりも優れていることが臨床データから明らかとなった。
論文 参考訳（メタデータ） (2023-07-10T10:42:48Z) - EmbedDistill: A Geometric Knowledge Distillation for Information
Retrieval [83.79667141681418]
大規模なニューラルモデル(トランスフォーマーなど)は、情報検索(IR)のための最先端のパフォーマンスを達成する
本研究では,大規模教師モデルで学習したクエリとドキュメント間の相対的幾何を利用した新しい蒸留手法を提案する。
提案手法は, 両エンコーダ (DE) とクロスエンコーダ (CE) の2種類の教師モデルから, 95～97%の教師性能を維持できる1/10の非対称な学生への蒸留に成功した。
論文 参考訳（メタデータ） (2023-01-27T22:04:37Z) - Diffusion Adversarial Representation Learning for Self-supervised Vessel
Segmentation [36.65094442100924]
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。
論文 参考訳（メタデータ） (2022-09-29T06:06:15Z) - SSD-KD: A Self-supervised Diverse Knowledge Distillation Method for
Lightweight Skin Lesion Classification Using Dermoscopic Images [62.60956024215873]
皮膚がんは最も一般的な悪性腫瘍の1つであり、人口に影響を与え、世界中で経済的な重荷を負っている。
皮膚がん検出のほとんどの研究は、ポータブルデバイス上での計算資源の制限を考慮せずに、高い予測精度を追求している。
本研究は,皮膚疾患分類のための汎用的なKDフレームワークに多様な知識を統一する,SSD-KDと呼ばれる新しい手法を提案する。
論文 参考訳（メタデータ） (2022-03-22T06:54:29Z) - Categorical Relation-Preserving Contrastive Knowledge Distillation for
Medical Image Classification [75.27973258196934]
そこで本研究では,一般的な平均教師モデルであるCRCKD(Categorical Relation-Reserving Contrastive Knowledge Distillation)アルゴリズムを提案する。
この正規化により、学生モデルの特徴分布はクラス内類似度が高く、クラス間分散を示す。
CCDとCRPの貢献により、我々のCRCKDアルゴリズムはより包括的に関係知識を蒸留することができる。
論文 参考訳（メタデータ） (2021-07-07T13:56:38Z) - Learning Tubule-Sensitive CNNs for Pulmonary Airway and Artery-Vein
Segmentation in CT [45.93021999366973]
肺気道,動脈,静脈の分節に対する畳み込みニューラルネットワーク(CNN)の訓練は困難である。
コントラスト非造影CTにおいて,CNNによる正確な気道および動脈静脈分画法を提案する。
細気管支、動脈、静脈に対して優れた感受性を有する。
論文 参考訳（メタデータ） (2020-12-10T15:56:08Z) - Rethinking the Extraction and Interaction of Multi-Scale Features for
Vessel Segmentation [53.187152856583396]
網膜血管と主要動脈を2次元基底画像と3次元CTアンギオグラフィー(CTA)スキャンで分割する,PC-Netと呼ばれる新しいディープラーニングモデルを提案する。
PC-Netでは、ピラミッド圧縮励起(PSE)モジュールが各畳み込みブロックに空間情報を導入し、より効果的なマルチスケール特徴を抽出する能力を高めている。
論文 参考訳（メタデータ） (2020-10-09T08:22:54Z) - Multi-Task Neural Networks with Spatial Activation for Retinal Vessel
Segmentation and Artery/Vein Classification [49.64863177155927]
本稿では,網膜血管,動脈,静脈を同時に分割する空間活性化機構を備えたマルチタスクディープニューラルネットワークを提案する。
提案するネットワークは,容器分割における画素ワイド精度95.70%,A/V分類精度94.50%を実現している。
論文 参考訳（メタデータ） (2020-07-18T05:46:47Z)
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。