論文の概要: Prior Guided Deep Difference Meta-Learner for Fast Adaptation to Stylized Segmentation

• arxiv url: http://arxiv.org/abs/2211.10588v1
• Date: Sat, 19 Nov 2022 05:06:16 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-22 19:58:03.331610
• Title: Prior Guided Deep Difference Meta-Learner for Fast Adaptation to Stylized Segmentation
• Title（参考訳）: スチル化セグメンテーションへの高速適応のための事前指導型Deep Different Meta-Learner
• Authors: Anjali Balagopal, Dan Nguyen, Ti Bai, Michael Dohopolski, Mu-Han Lin, Steve Jiang
• Abstract要約: 先行誘導型DDLネットワークは、患者の初期グループのために臨床医が承認したモデルと最終輪郭の系統的差異を学習する。 モデルは、練習スタイルと解剖学的構造とは独立している。 新しい練習スタイルや新しい解剖学的構造に適応するために臨床用途に展開できるが、さらなる訓練は行わない。
• 参考スコア（独自算出の注目度）: 1.1091582432763736
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: When a pre-trained general auto-segmentation model is deployed at a new institution, a support framework in the proposed Prior-guided DDL network will learn the systematic difference between the model predictions and the final contours revised and approved by clinicians for an initial group of patients. The learned style feature differences are concatenated with the new patients (query) features and then decoded to get the style-adapted segmentations. The model is independent of practice styles and anatomical structures. It meta-learns with simulated style differences and does not need to be exposed to any real clinical stylized structures during training. Once trained on the simulated data, it can be deployed for clinical use to adapt to new practice styles and new anatomical structures without further training. To show the proof of concept, we tested the Prior-guided DDL network on six different practice style variations for three different anatomical structures. Pre-trained segmentation models were adapted from post-operative clinical target volume (CTV) segmentation to segment CTVstyle1, CTVstyle2, and CTVstyle3, from parotid gland segmentation to segment Parotidsuperficial, and from rectum segmentation to segment Rectumsuperior and Rectumposterior. The mode performance was quantified with Dice Similarity Coefficient (DSC). With adaptation based on only the first three patients, the average DSCs were improved from 78.6, 71.9, 63.0, 52.2, 46.3 and 69.6 to 84.4, 77.8, 73.0, 77.8, 70.5, 68.1, for CTVstyle1, CTVstyle2, and CTVstyle3, Parotidsuperficial, Rectumsuperior, and Rectumposterior, respectively, showing the great potential of the Priorguided DDL network for a fast and effortless adaptation to new practice styles
• Abstract（参考訳）: プレトレーニング済みの総合的自己隔離モデルが新施設に配備された場合,提案する事前指導型DDLネットワークにおけるサポートフレームワークは,患者の初期グループのために臨床医が修正・承認したモデル予測と最終輪郭との系統的差異を学習する。 学習スタイルの特徴差は、新しい患者(クエリ)の特徴と結合され、次に、スタイル適応セグメンテーションを取得するためにデコードされる。 モデルは実践スタイルや解剖学的構造とは独立している。 模擬スタイルの違いを伴ってメタ学習を行い、トレーニング中に実際の臨床スタイル構造に露出する必要はない。 シミュレーションデータをトレーニングすると、新たな練習スタイルや新しい解剖学的構造に適応するために臨床用途にデプロイすることができる。 概念実証のために,3つの解剖学的構造に対して,6種類の練習スタイルで先行誘導型DDLネットワークを試験した。 術後臨床ターゲットボリューム(ctv)のセグメンテーションからセグメンテーションctvstyle1,ctvstyle2,ctvstyle3,耳下腺セグメンテーションから耳下腺セグメンテーション,直腸セグメンテーションからセグメンテーション直腸上および直腸後へ,術前セグメンテーションモデルを適用した。 モード性能はDice similarity Coefficient (DSC)で定量化した。 CTVstyle1, CTVstyle2, CTVstyle3, Parotidsuperficial, Rectumsuperior, Rectumposteriorの順応により, 平均DSCは78.6, 71.9, 63.0, 52.2, 46.3, 69.6から84.4, 77.8, 73.0, 77.8, 70.5, 68.1, for CTVstyle1, CTVstyle2, CTVstyle3, Parotidsuperficial, Rectumsuperior, Rectumposteriorの順応性を示した。

関連論文リスト

• Sequence-aware Pre-training for Echocardiography Probe Guidance [66.35766658717205]
  心臓超音波は、(1)心臓の本質的に複雑な構造、(2)重要な個人差の2つの大きな課題に直面している。 これまでの研究は、心臓のパーソナライズされた構造的特徴よりも、心臓の2Dおよび3Dの人口平均構造についてしか学ばなかった。 パーソナライズされた2次元と3次元の心構造特徴を学習するためのシーケンス認識型自己教師付き事前学習法を提案する。
  論文  参考訳（メタデータ） (2024-08-27T12:55:54Z)
• Anatomy-guided Pathology Segmentation [56.883822515800205]
  本研究では, 解剖学的特徴と病理学的情報を組み合わせた汎用的セグメンテーションモデルを構築し, 病理学的特徴のセグメンテーション精度を高めることを目的とする。 我々の解剖学・病理学交流(APEx)訓練では,ヒト解剖学の問合せ表現に結合特徴空間をデコードする問合せベースのセグメンテーション変換器を用いている。 これにより、FDG-PET-CTとChest X-Rayの病理分類タスクにおいて、強力なベースライン法に比べて最大3.3%のマージンで、ボード全体で最高の結果を報告できる。
  論文  参考訳（メタデータ） (2024-07-08T11:44:15Z)
• Tissue Classification During Needle Insertion Using Self-Supervised Contrastive Learning and Optical Coherence Tomography [53.38589633687604]
  針先端で取得した複雑なCT信号の位相および強度データから組織を分類するディープニューラルネットワークを提案する。 トレーニングセットの10%で、提案した事前学習戦略により、モデルが0.84のF1スコアを達成するのに対して、モデルが0.60のF1スコアを得るのに対して、モデルが0.84のF1スコアを得るのに役立ちます。
  論文  参考訳（メタデータ） (2023-04-26T14:11:04Z)
• Rethinking Semi-Supervised Medical Image Segmentation: A Variance-Reduction Perspective [51.70661197256033]
  医用画像セグメンテーションのための階層化グループ理論を用いた半教師付きコントラスト学習フレームワークARCOを提案する。 まず、分散還元推定の概念を用いてARCOを構築することを提案し、特定の分散還元技術が画素/ボクセルレベルのセグメンテーションタスクにおいて特に有用であることを示す。 5つの2D/3D医療データセットと3つのセマンティックセグメンテーションデータセットのラベル設定が異なる8つのベンチマークで、我々のアプローチを実験的に検証する。
  論文  参考訳（メタデータ） (2023-02-03T13:50:25Z)
• Anatomy-guided domain adaptation for 3D in-bed human pose estimation [62.3463429269385]
  3次元人間のポーズ推定は臨床モニタリングシステムにおいて重要な要素である。 ラベル付きソースからシフトしたラベル付きターゲットドメインにモデルを適応させる新しいドメイン適応方式を提案する。 我々の手法は、様々な最先端のドメイン適応法より一貫して優れています。
  論文  参考訳（メタデータ） (2022-11-22T11:34:51Z)
• Prompt Tuning for Parameter-efficient Medical Image Segmentation [79.09285179181225]
  2つの医用画像データセットのセマンティックセグメンテーションにパラメータ効率が良いが効果的な適応を実現するために,いくつかのコントリビューションを提案し,検討する。 我々はこのアーキテクチャを、オンライン生成プロトタイプへの割り当てに基づく専用密集型セルフスーパービジョンスキームで事前訓練する。 得られたニューラルネットワークモデルにより、完全に微調整されたモデルとパラメータに適応したモデルとのギャップを緩和できることを実証する。
  論文  参考訳（メタデータ） (2022-11-16T21:55:05Z)
• PSA-Net: Deep Learning based Physician Style-Aware Segmentation Network for Post-Operative Prostate Cancer Clinical Target Volume [5.90921279461999]
  本研究は,医師スタイルが治療結果と毒性に与える影響について,医師スタイルの一貫性と学習性について検討する。 パーセプチュアルロスで訓練されたエンコーダマルチデコーダネットワークであるドクタースタイルアウェア(PSA)セグメンテーションという概念が提案されている。
  論文  参考訳（メタデータ） (2021-02-15T22:42:52Z)
• 3D Graph Anatomy Geometry-Integrated Network for Pancreatic Mass Segmentation, Diagnosis, and Quantitative Patient Management [21.788423806147378]
  膵管腺癌(PDAC)と他の9つの非PDAC腫とを多相CT画像で区別する。 患者レベルの診断を行うための総合的セグメンテーション・メシュ分類網(SMCN)を提案する。
  論文  参考訳（メタデータ） (2020-12-08T19:38:01Z)
• Contour Transformer Network for One-shot Segmentation of Anatomical Structures [26.599337546171732]
  本稿では,自然に組み込まれたループ機構を備えたワンショット解剖分類手法であるContour Transformer Network(CTN)を提案する。 4つの解剖学のセグメンテーションタスクにおいて、我々のワンショット学習法が非学習的手法を著しく上回っていることを示す。 最小限のHuman-in-the-loop編集フィードバックにより、セグメンテーション性能は、完全に教師されたメソッドを超えるようにさらに改善される。
  論文  参考訳（メタデータ） (2020-12-02T19:42:18Z)
• Learning to Segment Anatomical Structures Accurately from One Exemplar [34.287877547953194]
  大量の注釈付きトレーニング画像を用いることなく、正確な解剖学的構造セグメンテーションを作成できる方法は、非常に望ましい。 本研究では,自然に組み込まれたループ機構を備えたワンショット解剖セグメントであるContour Transformer Network (CTN)を提案する。 筆者らのワンショット学習法は,非学習に基づく手法を著しく上回り,最先端の完全教師付きディープラーニングアプローチと競争的に機能することを示した。
  論文  参考訳（メタデータ） (2020-07-06T20:27:38Z)
• Convolutional Neural Networks based automated segmentation and labelling of the lumbar spine X-ray [0.0]
  本研究の目的は, 腰椎X線を手動で付加した730個の椎間板にトレーニングした, 異なるセグメンテーションネットワークのセグメンテーション精度について検討することである。 セグメンテーションネットワークはセグメンテーションネットワークと比較された。
  論文  参考訳（メタデータ） (2020-04-04T20:15:03Z)

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。