論文の概要: Segmentation Ability Map: Interpret deep features for medical image segmentation

• arxiv url: http://arxiv.org/abs/2212.09206v1
• Date: Mon, 19 Dec 2022 01:27:50 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-20 18:34:07.076916
• Title: Segmentation Ability Map: Interpret deep features for medical image segmentation
• Title（参考訳）: セグメンテーション能力マップ:医療画像セグメンテーションの深い特徴を解釈する
• Authors: Sheng He, Yanfang Feng, P. Ellen Grant, Yangming Ou
• Abstract要約: 本稿では,深部特徴量に基づく二分分割写像を計算するためのプロトタイプセグメンテーション(ProtoSeg)手法を提案する。 脳MRIのセグメント化腫瘍,皮膚画像の病変,CT画像のCOVID関連異常,CT画像の膵腫瘤分画について検討した。
• 参考スコア（独自算出の注目度）: 2.064612766965483
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep convolutional neural networks (CNNs) have been widely used for medical image segmentation. In most studies, only the output layer is exploited to compute the final segmentation results and the hidden representations of the deep learned features have not been well understood. In this paper, we propose a prototype segmentation (ProtoSeg) method to compute a binary segmentation map based on deep features. We measure the segmentation abilities of the features by computing the Dice between the feature segmentation map and ground-truth, named as the segmentation ability score (SA score for short). The corresponding SA score can quantify the segmentation abilities of deep features in different layers and units to understand the deep neural networks for segmentation. In addition, our method can provide a mean SA score which can give a performance estimation of the output on the test images without ground-truth. Finally, we use the proposed ProtoSeg method to compute the segmentation map directly on input images to further understand the segmentation ability of each input image. Results are presented on segmenting tumors in brain MRI, lesions in skin images, COVID-related abnormality in CT images, prostate segmentation in abdominal MRI, and pancreatic mass segmentation in CT images. Our method can provide new insights for interpreting and explainable AI systems for medical image segmentation. Our code is available on: \url{https://github.com/shengfly/ProtoSeg}.
• Abstract（参考訳）: 深層畳み込みニューラルネットワーク(CNN)は医用画像分割に広く利用されている。 多くの研究において、最終的なセグメンテーション結果を計算するために出力層のみを利用しており、深い学習特徴の隠れ表現はよく理解されていない。 本稿では,深部特徴量に基づく二分分割写像を計算するためのプロトタイプセグメンテーション(ProtoSeg)手法を提案する。 特徴分節マップと接地トラスの間のDiceを計算して特徴分節能力を計測し,その特徴分節能力スコア(略してSAスコア)と名づけた。 対応するsaスコアは、異なる層とユニットの深い特徴のセグメンテーション能力を定量化し、セグメンテーションのためのディープニューラルネットワークを理解する。 さらに,本手法は,地上構造を使わずに,テスト画像の出力性能を推定できる平均SAスコアを提供することができる。 最後に,提案手法を用いて,入力画像上のセグメントマップを直接計算し,各入力画像のセグメント化能力を更に理解する。 脳MRIの分節腫瘍,皮膚画像の病変,CT画像におけるCOVID関連異常,腹部MRIにおける前立腺の分節,CT画像における膵腫瘤の分節について検討した。 医用画像セグメンテーションのためのAIシステムの解釈と説明のための新しい知見を提供することができる。 私たちのコードは、下記のとおりです。

関連論文リスト

• I-MedSAM: Implicit Medical Image Segmentation with Segment Anything [24.04558900909617]
  提案するI-MedSAMは、連続表現とSAMの両方の利点を利用して、クロスドメイン能力と正確な境界線を求める。 トレーニング可能なパラメータが1.6Mしかない提案手法は、離散的および暗黙的を含む既存の手法よりも優れている。
  論文  参考訳（メタデータ） (2023-11-28T00:43:52Z)
• CGAM: Click-Guided Attention Module for Interactive Pathology Image Segmentation via Backpropagating Refinement [8.590026259176806]
  腫瘍領域のセグメンテーションは、デジタル病理の定量的解析に欠かせない課題である。 最近のディープニューラルネットワークは、様々な画像分割タスクで最先端のパフォーマンスを示している。 本稿では,クリック型ユーザインタラクションによるディープニューラルネットワークの出力を改良する対話的セグメンテーション手法を提案する。
  論文  参考訳（メタデータ） (2023-07-03T13:45:24Z)
• 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)
• Reliable Joint Segmentation of Retinal Edema Lesions in OCT Images [55.83984261827332]
  本稿では,信頼性の高いマルチスケールウェーブレットエンハンストランスネットワークを提案する。 本研究では,ウェーブレット型特徴抽出器ネットワークとマルチスケール変圧器モジュールを統合したセグメンテーションバックボーンを開発した。 提案手法は,他の最先端セグメンテーション手法と比較して信頼性の高いセグメンテーション精度を実現する。
  論文  参考訳（メタデータ） (2022-12-01T07:32:56Z)
• PCA: Semi-supervised Segmentation with Patch Confidence Adversarial Training [52.895952593202054]
  医用画像セグメンテーションのためのPatch Confidence Adrial Training (PCA) と呼ばれる半教師付き対向法を提案する。 PCAは各パッチの画素構造とコンテキスト情報を学習し、十分な勾配フィードバックを得る。 本手法は, 医用画像のセグメンテーションにおいて, 最先端の半教師付き手法より優れており, その有効性を示している。
  論文  参考訳（メタデータ） (2022-07-24T07:45:47Z)
• Two-Stream Graph Convolutional Network for Intra-oral Scanner Image Segmentation [133.02190910009384]
  本稿では,2ストリームグラフ畳み込みネットワーク(TSGCN)を提案する。 TSGCNは3次元歯(表面)セグメンテーションにおいて最先端の方法よりも優れています。
  論文  参考訳（メタデータ） (2022-04-19T10:41:09Z)
• Anatomy-Constrained Contrastive Learning for Synthetic Segmentation without Ground-truth [8.513014699605499]
  AccSeg-Net (AccSeg-Net) を用いて, 対象画像の分割ネットワークを訓練した。 CBCT, MRI, PET画像データに適用し, 従来法に比べ, セグメンテーション性能が優れていた。
  論文  参考訳（メタデータ） (2021-07-12T14:54:04Z)
• Residual Moment Loss for Medical Image Segmentation [56.72261489147506]
  位置情報は,対象物体の多様体構造を捉えた深層学習モデルに有効であることが証明された。 既存のほとんどの手法は、ネットワークが学習するために、位置情報を暗黙的にエンコードする。 セグメント化対象の位置情報を明示的に埋め込むために,新しい損失関数,すなわち残差モーメント(RM)損失を提案する。
  論文  参考訳（メタデータ） (2021-06-27T09:31:49Z)
• Learning Fuzzy Clustering for SPECT/CT Segmentation via Convolutional Neural Networks [5.3123694982708365]
  QBSPECT(Quantitative bone single-photon emission Computed Tomography)は、平面骨シンチグラフィよりも骨転移をより定量的に評価する可能性を秘めています。 解剖学的領域-関心(ROI)のセグメント化は、まだ専門家による手動の記述に大きく依存しています。 本研究では,QBSPECT画像を病変,骨,背景に分割するための高速かつ堅牢な自動分割法を提案する。
  論文  参考訳（メタデータ） (2021-04-17T19:03:52Z)
• Deep ensembles based on Stochastic Activation Selection for Polyp Segmentation [82.61182037130406]
  本研究は,大腸内視鏡検査における画像分割,特に正確なポリープ検出とセグメンテーションを扱う。 イメージセグメンテーションの基本アーキテクチャはエンコーダとデコーダで構成されている。 我々はデコーダのバックボーンを変更することで得られるDeepLabアーキテクチャのバリエーションを比較した。
  論文  参考訳（メタデータ） (2021-04-02T02:07:37Z)

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。