論文の概要: Semi-Supervised and Self-Supervised Collaborative Learning for Prostate 3D MR Image Segmentation

• arxiv url: http://arxiv.org/abs/2211.08840v1
• Date: Wed, 16 Nov 2022 11:40:13 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-17 15:41:28.367950
• Title: Semi-Supervised and Self-Supervised Collaborative Learning for Prostate 3D MR Image Segmentation
• Title（参考訳）: 前立腺MRI画像分割のための半監督的・自己監督的協調学習
• Authors: Yousuf Babiker M. Osman, Cheng Li, Weijian Huang, Nazik Elsayed, Zhenzhen Xue, Hairong Zheng, Shanshan Wang
• Abstract要約: MR画像分割は,多くの臨床応用において重要な役割を担っている。 ディープラーニング(DL)は、最近、様々な画像セグメンテーションタスクにおいて最先端または人間レベルのパフォーマンスを達成した。 本研究では,前立腺MR画像セグメンテーションのための半教師付き,自己教師型協調学習フレームワークを訓練することを目的とする。
• 参考スコア（独自算出の注目度）: 8.527048567343234
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Volumetric magnetic resonance (MR) image segmentation plays an important role in many clinical applications. Deep learning (DL) has recently achieved state-of-the-art or even human-level performance on various image segmentation tasks. Nevertheless, manually annotating volumetric MR images for DL model training is labor-exhaustive and time-consuming. In this work, we aim to train a semi-supervised and self-supervised collaborative learning framework for prostate 3D MR image segmentation while using extremely sparse annotations, for which the ground truth annotations are provided for just the central slice of each volumetric MR image. Specifically, semi-supervised learning and self-supervised learning methods are used to generate two independent sets of pseudo labels. These pseudo labels are then fused by Boolean operation to extract a more confident pseudo label set. The images with either manual or network self-generated labels are then employed to train a segmentation model for target volume extraction. Experimental results on a publicly available prostate MR image dataset demonstrate that, while requiring significantly less annotation effort, our framework generates very encouraging segmentation results. The proposed framework is very useful in clinical applications when training data with dense annotations are difficult to obtain.
• Abstract（参考訳）: 容積磁気共鳴(mr)画像分割は多くの臨床応用において重要な役割を果たす。 ディープラーニング(dl)は最近、さまざまな画像分割タスクで最先端あるいは人間レベルのパフォーマンスを達成している。 それにもかかわらず、DLモデルトレーニングのための手動によるボリュームMR画像の注釈付けは、労力と時間を要する。 本研究では,3次元MR画像セグメンテーションのための半教師付き・自己教師型協調学習フレームワークを,各容積MR画像の中央スライスのみに基本真理アノテーションを付与した,極めて疎いアノテーションを用いて訓練することを目的とする。 具体的には、半教師付き学習と自己教師付き学習法を用いて、2つの独立した擬似ラベルを生成する。 これらの擬似ラベルはBoolean演算によって融合され、より確実な擬似ラベル集合を抽出する。 手動またはネットワークの自己生成ラベルを持つ画像は、ターゲットボリューム抽出のためのセグメンテーションモデルを訓練するために使用される。 公開のプロステートmr画像データセットにおける実験結果から,アノテーションの労力は大幅に削減されるものの,セグメンテーション結果が非常に奨励されることがわかった。 このフレームワークは,高密度アノテーションを用いたトレーニングデータを得ることが難しい臨床応用において非常に有用である。

関連論文リスト

• OneSeg: Self-learning and One-shot Learning based Single-slice Annotation for 3D Medical Image Segmentation [36.50258132379276]
  本稿では,各3次元画像の1つのスライスに注釈を付けることで,3次元医用画像セグメンテーションのための自己学習とワンショット学習に基づくフレームワークを提案する。 提案手法は,(1)3次元画像中の2次元スライス間の意味的対応を学習する再構成ネットワークの自己学習,(2)1ショット手動アノテーションのための1つのスライスの代表的選択である。 我々の新しいフレームワークは、完全に教師された手法と比較して1%未満のアノテートデータで同等のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2023-09-24T15:35:58Z)
• 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)
• Suggestive Annotation of Brain MR Images with Gradient-guided Sampling [12.928940875474378]
  そこで我々は,脳MRI画像に対する効率的なアノテーションフレームワークを提案し,アノテートを行うための情報的サンプル画像を提案する。 脳腫瘍の分節と全脳の分節という2つの異なる脳画像解析タスクの枠組みを評価する。 提案フレームワークは,手動アノテーションのコストを削減し,医用画像アプリケーションにおけるデータ効率を向上させるための有望な方法を示す。
  論文  参考訳（メタデータ） (2022-06-02T12:23:44Z)
• Mixed-UNet: Refined Class Activation Mapping for Weakly-Supervised Semantic Segmentation with Multi-scale Inference [28.409679398886304]
  我々は、デコードフェーズに2つの並列分岐を持つMixed-UNetという新しいモデルを開発する。 地域病院や公開データセットから収集したデータセットに対して,いくつかの一般的なディープラーニングに基づくセグメンテーションアプローチに対して,設計したMixed-UNetを評価した。
  論文  参考訳（メタデータ） (2022-05-06T08:37:02Z)
• Self-Paced Contrastive Learning for Semi-supervisedMedical Image Segmentation with Meta-labels [6.349708371894538]
  メタラベルアノテーションを扱うために、コントラスト学習を適用することを提案する。 画像エンコーダの事前トレーニングにはメタラベルを使用し、半教師付きトレーニングを標準化する。 3つの異なる医用画像セグメンテーションデータセットの結果から,本手法は数回のスキャンでトレーニングしたモデルの性能を大幅に向上させることが示された。
  論文  参考訳（メタデータ） (2021-07-29T04:30:46Z)
• Self-Ensembling Contrastive Learning for Semi-Supervised Medical Image Segmentation [6.889911520730388]
  限られたラベルを持つ医用画像セグメンテーションにおける半教師あり学習の性能向上を目指す。 我々は、ラベルのない画像に対照的な損失を与えることによって、特徴レベルで潜在表現を直接学習する。 我々はMRIとCTのセグメンテーションデータセットの実験を行い、提案手法が最先端の性能を実現することを示す。
  論文  参考訳（メタデータ） (2021-05-27T03:27:58Z)
• Semantic Segmentation with Generative Models: Semi-Supervised Learning and Strong Out-of-Domain Generalization [112.68171734288237]
  本論文では,画像とラベルの再生モデルを用いた識別画素レベルのタスクのための新しいフレームワークを提案する。 我々は,共同画像ラベルの分布を捕捉し,未ラベル画像の大規模な集合を用いて効率的に訓練する生成的対向ネットワークを学習する。 ドメイン内性能をいくつかのベースラインと比較し,ドメイン外一般化を極端に示す最初の例である。
  論文  参考訳（メタデータ） (2021-04-12T21:41:25Z)
• Cascaded Robust Learning at Imperfect Labels for Chest X-ray Segmentation [61.09321488002978]
  不完全アノテーションを用いた胸部X線分割のための新しいカスケードロバスト学習フレームワークを提案する。 モデルは3つの独立したネットワークから成り,ピアネットワークから有用な情報を効果的に学習できる。 提案手法は,従来の手法と比較して,セグメント化タスクの精度を大幅に向上させることができる。
  論文  参考訳（メタデータ） (2021-04-05T15:50:16Z)
• Few-shot Medical Image Segmentation using a Global Correlation Network with Discriminative Embedding [60.89561661441736]
  医療画像分割のための新しい手法を提案する。 深層畳み込みネットワークを用いた数ショット画像セグメンタを構築します。 深層埋め込みの識別性を高め,同一クラスの特徴領域のクラスタリングを促進する。
  論文  参考訳（メタデータ） (2020-12-10T04:01:07Z)
• Towards Unsupervised Learning for Instrument Segmentation in Robotic Surgery with Cycle-Consistent Adversarial Networks [54.00217496410142]
  本稿では、入力された内視鏡画像と対応するアノテーションとのマッピングを学習することを目的として、未ペア画像から画像への変換を提案する。 当社のアプローチでは,高価なアノテーションを取得することなく,イメージセグメンテーションモデルをトレーニングすることが可能です。 提案手法をEndovis 2017チャレンジデータセットで検証し,教師付きセグメンテーション手法と競合することを示す。
  論文  参考訳（メタデータ） (2020-07-09T01:39:39Z)
• ATSO: Asynchronous Teacher-Student Optimization for Semi-Supervised Medical Image Segmentation [99.90263375737362]
  教師-学生最適化の非同期版であるATSOを提案する。 ATSOはラベルのないデータを2つのサブセットに分割し、モデルの微調整に1つのサブセットを交互に使用し、他のサブセットのラベルを更新する。 医用画像のセグメンテーションデータセットを2つ評価し,様々な半教師付き環境において優れた性能を示す。
  論文  参考訳（メタデータ） (2020-06-24T04:05:12Z)

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。