論文の概要: Multi-rater Prism: Learning self-calibrated medical image segmentation from multiple raters

• arxiv url: http://arxiv.org/abs/2212.00601v1
• Date: Thu, 1 Dec 2022 15:52:15 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-02 17:17:03.862688
• Title: Multi-rater Prism: Learning self-calibrated medical image segmentation from multiple raters
• Title（参考訳）: マルチレータプリズム:複数レーダからの自己校正型医用画像セグメンテーションの学習
• Authors: Junde Wu, Huihui Fang, Yehui Yang, Yuanpei Liu, Jing Gao, Lixin Duan, Weihua Yang, Yanwu Xu
• Abstract要約: 我々はMrPrismと呼ばれる新しいニューラルネットワークフレームワークを提案し、複数のラベルから医用画像のセグメンテーションを学習する。 本稿では,2つのタスクを反復的に処理するために,ConP(Converging Prism)とDivP(DivP)を提案する。 実験の結果,ConPとDivPを繰り返し実行することにより,両タスクが相互改善を達成できることが示唆された。
• 参考スコア（独自算出の注目度）: 22.837498603928097
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In medical image segmentation, it is often necessary to collect opinions from multiple experts to make the final decision. This clinical routine helps to mitigate individual bias. But when data is multiply annotated, standard deep learning models are often not applicable. In this paper, we propose a novel neural network framework, called Multi-Rater Prism (MrPrism) to learn the medical image segmentation from multiple labels. Inspired by the iterative half-quadratic optimization, the proposed MrPrism will combine the multi-rater confidences assignment task and calibrated segmentation task in a recurrent manner. In this recurrent process, MrPrism can learn inter-observer variability taking into account the image semantic properties, and finally converges to a self-calibrated segmentation result reflecting the inter-observer agreement. Specifically, we propose Converging Prism (ConP) and Diverging Prism (DivP) to process the two tasks iteratively. ConP learns calibrated segmentation based on the multi-rater confidence maps estimated by DivP. DivP generates multi-rater confidence maps based on the segmentation masks estimated by ConP. The experimental results show that by recurrently running ConP and DivP, the two tasks can achieve mutual improvement. The final converged segmentation result of MrPrism outperforms state-of-the-art (SOTA) strategies on a wide range of medical image segmentation tasks.
• Abstract（参考訳）: 医用画像セグメンテーションでは、最終決定を行うには複数の専門家の意見を集める必要がある。 この臨床ルーチンは個人のバイアスを軽減するのに役立つ。 しかし、データが複数にアノテートされる場合、標準的なディープラーニングモデルは適用されないことが多い。 本稿では,複数のラベルから医用画像のセグメンテーションを学ぶために,マルチレート・プリズム(mrprism)と呼ばれる新しいニューラルネットワークフレームワークを提案する。 繰り返し2次最適化にインスパイアされたMrPrismは、マルチレータ信頼度割り当てタスクとキャリブレーションされたセグメンテーションタスクを反復的に組み合わせる。 この再帰的なプロセスでは、mrprismはイメージのセマンティクス特性を考慮したオブザーバ間変動を学習し、最終的にオブザーバ間合意を反映した自己共役セグメンテーション結果に収束する。 具体的には,2つのタスクを反復的に処理するために,Conp(Converging Prism)とDivP(DivP)を提案する。 ConPは、DivPによって推定されるマルチレータ信頼マップに基づいて、キャリブレーションされたセグメンテーションを学習する。 DivPは、ConPによって推定されるセグメンテーションマスクに基づいて、マルチレータ信頼マップを生成する。 実験の結果,conpとdivpを繰り返し実行することで,2つのタスクが相互に改善できることがわかった。 MrPrismの最終的なセグメンテーション結果は、幅広い医療画像セグメンテーションタスクにおける最先端(SOTA)戦略よりも優れている。

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)
• Multi-rater Prompting for Ambiguous Medical Image Segmentation [12.452584289825849]
  医用画像が複数の専門家(レーダ)によって独立して注釈付けされる場合、マルチラターアノテーションは一般的に発生する。 本稿では,これら2つの課題を完全に解決するためのマルチラッタープロンプトベースのアプローチを提案する。
  論文  参考訳（メタデータ） (2024-04-11T09:13:50Z)
• Dual-scale Enhanced and Cross-generative Consistency Learning for Semi-supervised Medical Image Segmentation [49.57907601086494]
  医用画像のセグメンテーションはコンピュータ支援診断において重要な役割を担っている。 半教師型医用画像(DEC-Seg)のための新しいDual-scale Enhanced and Cross-generative consistency learning frameworkを提案する。
  論文  参考訳（メタデータ） (2023-12-26T12:56:31Z)
• Edge-aware Multi-task Network for Integrating Quantification Segmentation and Uncertainty Prediction of Liver Tumor on Multi-modality Non-contrast MRI [21.57865822575582]
  本稿では, マルチインデックス定量化, セグメンテーション, 肝腫瘍の不確実性を関連付けるために, エッジ対応マルチタスクネットワーク(EaMtNet)の統一フレームワークを提案する。 提案したモデルでは最先端の技術を大きなマージンで上回り、ダイス類似係数は90.01$pm$1.23、平均絶対誤差は2.72$pm$0.58 mmである。
  論文  参考訳（メタデータ） (2023-07-04T16:08:18Z)
• 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)
• Semi-Supervised and Self-Supervised Collaborative Learning for Prostate 3D MR Image Segmentation [8.527048567343234]
  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。
  論文  参考訳（メタデータ） (2022-11-16T11:40:13Z)
• CUTS: A Deep Learning and Topological Framework for Multigranular Unsupervised Medical Image Segmentation [8.307551496968156]
  医用画像セグメンテーションのための教師なしディープラーニングフレームワークCUTSを提案する。 各画像に対して、画像内コントラスト学習と局所パッチ再構成による埋め込みマップを生成する。 CUTSは、様々な粒度の特徴をハイライトする粗い粒度のセグメンテーションを連続的に生成する。
  論文  参考訳（メタデータ） (2022-09-23T01:09:06Z)
• Learning self-calibrated optic disc and cup segmentation from multi-rater annotations [7.104669952770345]
  マルチレータアノテーションからOD/OCセグメンテーションを学習する新しいニューラルネットワークフレームワークを提案する。 提案手法は,両タスクの相互改善を実現し,最終的に改良されたセグメンテーション結果を得る。
  論文  参考訳（メタデータ） (2022-06-10T13:35:07Z)
• Modality Completion via Gaussian Process Prior Variational Autoencoders for Multi-Modal Glioma Segmentation [75.58395328700821]
  本稿では,患者スキャンに欠落するサブモダリティを1つ以上のインプットするために,MGP-VAE(Multi-modal Gaussian Process Prior Variational Autoencoder)を提案する。 MGP-VAEは、変分オートエンコーダ(VAE)に先立ってガウス過程(GP)を利用して、被験者/患者およびサブモダリティ相関を利用することができる。 4つのサブモダリティのうち2つ、または3つが欠落している脳腫瘍に対するMGP-VAEの適用性を示す。
  論文  参考訳（メタデータ） (2021-07-07T19:06:34Z)
• PraNet: Parallel Reverse Attention Network for Polyp Segmentation [155.93344756264824]
  大腸内視鏡画像の高精度なポリープ分割のための並列リバースアテンションネットワーク(PraNet)を提案する。 並列部分復号器(PPD)を用いて,まず高層層に特徴を集約する。 さらに,エリアとバウンダリの関連性を確立するために,リバースアテンション(RA)モジュールを用いて境界キューをマイニングする。
  論文  参考訳（メタデータ） (2020-06-13T08:13:43Z)
• Unpaired Multi-modal Segmentation via Knowledge Distillation [77.39798870702174]
  本稿では,不対向画像分割のための新しい学習手法を提案する。 提案手法では,CTおよびMRI間での畳み込みカーネルの共有により,ネットワークパラメータを多用する。 我々は2つの多クラスセグメンテーション問題に対するアプローチを広範囲に検証した。
  論文  参考訳（メタデータ） (2020-01-06T20:03:17Z)

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。