論文の概要: Learning from partially labeled data for multi-organ and tumor segmentation

• arxiv url: http://arxiv.org/abs/2211.06894v1
• Date: Sun, 13 Nov 2022 13:03:09 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-15 18:25:38.228311
• Title: Learning from partially labeled data for multi-organ and tumor segmentation
• Title（参考訳）: マルチオルガン・腫瘍分割のための部分ラベルデータからの学習
• Authors: Yutong Xie, Jianpeng Zhang, Yong Xia, Chunhua Shen
• Abstract要約: 本稿では,トランスフォーマーに基づく動的オンデマンドネットワーク(TransDoDNet)を提案する。 動的ヘッドにより、ネットワークは複数のセグメンテーションタスクを柔軟に達成することができる。 我々はMOTSと呼ばれる大規模にラベル付けされたMulti-Organ and tumorベンチマークを作成し、他の競合相手よりもTransDoDNetの方が優れた性能を示す。
• 参考スコア（独自算出の注目度）: 102.55303521877933
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Medical image benchmarks for the segmentation of organs and tumors suffer from the partially labeling issue due to its intensive cost of labor and expertise. Current mainstream approaches follow the practice of one network solving one task. With this pipeline, not only the performance is limited by the typically small dataset of a single task, but also the computation cost linearly increases with the number of tasks. To address this, we propose a Transformer based dynamic on-demand network (TransDoDNet) that learns to segment organs and tumors on multiple partially labeled datasets. Specifically, TransDoDNet has a hybrid backbone that is composed of the convolutional neural network and Transformer. A dynamic head enables the network to accomplish multiple segmentation tasks flexibly. Unlike existing approaches that fix kernels after training, the kernels in the dynamic head are generated adaptively by the Transformer, which employs the self-attention mechanism to model long-range organ-wise dependencies and decodes the organ embedding that can represent each organ. We create a large-scale partially labeled Multi-Organ and Tumor Segmentation benchmark, termed MOTS, and demonstrate the superior performance of our TransDoDNet over other competitors on seven organ and tumor segmentation tasks. This study also provides a general 3D medical image segmentation model, which has been pre-trained on the large-scale MOTS benchmark and has demonstrated advanced performance over BYOL, the current predominant self-supervised learning method. Code will be available at \url{https://git.io/DoDNet}.
• Abstract（参考訳）: 臓器と腫瘍のセグメンテーションのための医療画像ベンチマークは、労働と専門知識の集中的なコストのために部分的にラベル付けの問題に悩まされている。 現在の主流のアプローチは、1つのタスクを解決する1つのネットワークのプラクティスに従っている。 このパイプラインでは、単一のタスクの典型的な小さなデータセットによってパフォーマンスが制限されるだけでなく、タスク数に応じて計算コストが線形的に増加する。 そこで本研究では,複数のラベル付きデータセット上で臓器や腫瘍をセグメント化することを学ぶトランスフォーマーベースの動的オンデマンドネットワーク(transdodnet)を提案する。 具体的には、transdodnetには畳み込みニューラルネットワークとトランスフォーマーで構成されるハイブリッドバックボーンがある。 動的ヘッドにより、ネットワークは柔軟に複数のセグメンテーションタスクを実現できる。 トレーニング後にカーネルを修正する既存のアプローチとは異なり、動的ヘッドのカーネルはトランスフォーマによって適応的に生成される。 我々はMOTSと呼ばれる大規模にラベル付けされたMulti-Organ and tumor Segmentationベンチマークを作成し、7つの臓器および腫瘍セグメンテーションタスクにおいて、他の競合他社よりもTransDoDNetの優れたパフォーマンスを示す。 また,大規模なMOTSベンチマークで事前学習し,現在主流となっている自己教師型学習法であるBYOLよりも高度な性能を示す3次元医用画像セグメンテーションモデルを提案する。 コードは \url{https://git.io/DoDNet} で入手できる。

関連論文リスト

• Investigation of Network Architecture for Multimodal Head-and-Neck Tumor Segmentation [9.441769048218955]
  本研究では,トランスフォーマーを用いたマルチモーダルヘッド・アンド・腫瘍セグメンテーションのためのネットワークアーキテクチャを最近発表した。 以上の結果から,大規模構造が存在する場合や視野が大きい場合には,長距離依存関係のモデリングが有用である可能性が示唆された。 頭頸部腫瘍のような小さな構造では、畳み込みに基づくU-Netアーキテクチャは、特にトレーニングデータセットが小さく、計算資源が限られている場合、うまく機能しているように思われた。
  論文  参考訳（メタデータ） (2022-12-21T02:35:46Z)
• A Transformer-based Generative Adversarial Network for Brain Tumor Segmentation [4.394247741333439]
  マルチモダリティMRIで脳腫瘍を自動分割するトランスフォーマーを用いた生成対向ネットワークを提案する。 我々のアーキテクチャは、min-maxゲーム進行のトレーニングを行うジェネレータと識別器で構成されている。 私たちが設計した識別器はCNNベースのマルチスケールのL_1$損失ネットワークであり、医用セマンティックイメージセグメンテーションに有効であることが証明されている。
  論文  参考訳（メタデータ） (2022-07-28T14:55:18Z)
• MISSU: 3D Medical Image Segmentation via Self-distilling TransUNet [55.16833099336073]
  医用画像セグメンテーションのためのトランスフォーマーベースUNetを提案する。 グローバルな意味情報と局所的な空間的詳細特徴を同時に学習する。 MISSUは従来の最先端手法よりも優れた性能を発揮する。
  論文  参考訳（メタデータ） (2022-06-02T07:38:53Z)
• Swin UNETR: Swin Transformers for Semantic Segmentation of Brain Tumors in MRI Images [7.334185314342017]
  我々はSwin UNEt TRansformers(Swin UNETR)と呼ばれる新しいセグメンテーションモデルを提案する。 このモデルは、シフトしたウィンドウを利用して、5つの異なる解像度で特徴を抽出し、自己注意を演算する。 我々は、BraTS 2021セグメンテーションチャレンジに参加し、提案したモデルは、検証フェーズにおける最も優れたアプローチの1つである。
  論文  参考訳（メタデータ） (2022-01-04T18:01:34Z)
• Cross-Modality Brain Tumor Segmentation via Bidirectional Global-to-Local Unsupervised Domain Adaptation [61.01704175938995]
  本論文では,UDAスキームに基づくBiGL(Bidirectional Global-to-Local)適応フレームワークを提案する。 具体的には、脳腫瘍をセグメント化するために、双方向画像合成およびセグメンテーションモジュールを提案する。 提案手法は, 最先端の非教師なし領域適応法を大きなマージンで上回っている。
  論文  参考訳（メタデータ） (2021-05-17T10:11:45Z)
• Generalized Organ Segmentation by Imitating One-shot Reasoning using Anatomical Correlation [55.1248480381153]
  そこで我々は,アノテーション付きオルガンクラスから一般化されたオルガン概念を学習し,その概念を未知のクラスに転送するOrganNetを提案する。 そこで,OrganNetは臓器形態の幅広い変化に効果的に抵抗でき,一発分節タスクで最先端の結果が得られることを示す。
  論文  参考訳（メタデータ） (2021-03-30T13:41:12Z)
• TransUNet: Transformers Make Strong Encoders for Medical Image Segmentation [78.01570371790669]
  医用画像のセグメンテーションは医療システムの開発に必須の前提条件である。 様々な医療画像セグメンテーションタスクにおいて、U-Netとして知られるu字型アーキテクチャがデファクトスタンダードとなっている。 医用画像セグメンテーションの強力な代替手段として,トランスフォーマーとU-Netの両方を有効活用するTransUNetを提案する。
  論文  参考訳（メタデータ） (2021-02-08T16:10:50Z)
• DoDNet: Learning to segment multi-organ and tumors from multiple partially labeled datasets [102.55303521877933]
  本稿では,複数の臓器と腫瘍を部分的にラベル付けしたデータセット上に分割する動的オンデマンドネットワーク(DoDNet)を提案する。 DoDNetは共有エンコーダデコーダアーキテクチャ、タスク符号化モジュール、動的畳み込みフィルタを生成するコントローラ、そして単一だが動的セグメンテーションヘッドで構成されている。
  論文  参考訳（メタデータ） (2020-11-20T04:56:39Z)

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。