論文の概要: A new sampling methodology for creating rich, heterogeneous, subsets of
samples for training image segmentation algorithms
- arxiv url: http://arxiv.org/abs/2301.04517v1
- Date: Wed, 11 Jan 2023 15:31:15 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-12 17:03:40.606056
- Title: A new sampling methodology for creating rich, heterogeneous, subsets of
samples for training image segmentation algorithms
- Title（参考訳）: 画像分割アルゴリズムの訓練のためのサンプルのリッチで異種なサブセット作成のための新しいサンプリング手法
- Authors: Matheus Viana da Silva, Nat\'alia de Carvalho Santos, Baptiste
Lacoste, Cesar Henrique Comin
- Abstract要約: より大規模な非注釈データセットから関連画像を選択するための新しいサンプリング手法を提案する。
選択された画像は、元のデータセットの均一なカバーを提供する。
血管顕微鏡画像の代表セットを含むデータセットを作成することにより、事例例を提案する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Creating a dataset for training supervised machine learning algorithms can be
a demanding task. This is especially true for medical image segmentation since
this task usually requires one or more specialists for image annotation, and
creating ground truth labels for just a single image can take up to several
hours. In addition, it is paramount that the annotated samples represent well
the different conditions that might affect the imaged tissue as well as
possible changes in the image acquisition process. This can only be achieved by
considering samples that are typical in the dataset as well as atypical, or
even outlier, samples. We introduce a new sampling methodology for selecting
relevant images from a larger non-annotated dataset in a way that evenly
considers both prototypical as well as atypical samples. The methodology
involves the generation of a uniform grid from a feature space representing the
samples, which is then used for randomly drawing relevant images. The selected
images provide a uniform cover of the original dataset, and thus define a
heterogeneous set of images that can be annotated and used for training
supervised segmentation algorithms. We provide a case example by creating a
dataset containing a representative set of blood vessel microscopy images
selected from a larger dataset containing thousands of images.
- Abstract（参考訳）: 教師付き機械学習アルゴリズムをトレーニングするためのデータセットを作成することは、必要なタスクである。
これは医用画像のセグメンテーションには特に当てはまります。なぜなら、このタスクは通常、画像アノテーションのために1つまたは複数の専門家が必要です。
さらに、注釈付きサンプルは、画像取得過程の変化だけでなく、画像組織に影響を及ぼす可能性のある異なる条件をうまく表していることが最重要である。
これはデータセットに典型的なサンプルだけでなく、非定型的、あるいは異常なサンプルも考慮することでのみ実現できます。
原型と非典型の両方を均等に考慮した,大規模な非注釈データセットから関連画像を選択するための新しいサンプリング手法を提案する。
この手法は、サンプルを表す特徴空間から一様格子を生成することを含み、関連する画像をランダムに描画するために使用される。
選択された画像は、元のデータセットの均一なカバーを提供し、注釈付きで教師付きセグメンテーションアルゴリズムのトレーニングに使用できる異種画像の集合を定義する。
何千もの画像を含むより大きなデータセットから選択した血管顕微鏡画像の代表的なセットを含むデータセットを作成する事例例を提供する。
関連論文リスト
- Leveraging image captions for selective whole slide image annotation [0.37334049820361814]
本稿では,モデルトレーニングを最適化する特定の画像領域の同定とアノテーションについて述べる。
プロトタイプサンプリングは、価値あるトレーニング情報を持つアノテーション領域を特定する際に、ランダムサンプリングや多様性サンプリングよりも効果的である。
本結果より, アノテーション領域の同定において, プロトタイプサンプリングの方が, ランダムサンプリングや多様性サンプリングよりも有効であることが示唆された。
論文 参考訳（メタデータ） (2024-07-08T20:05:21Z) - SatSynth: Augmenting Image-Mask Pairs through Diffusion Models for Aerial Semantic Segmentation [69.42764583465508]
我々は,地球観測における注釈付きデータの不足に対処するために,生成的画像拡散の可能性を探る。
我々の知る限りでは、衛星セグメンテーションのための画像と対応するマスクの両方を最初に生成する。
論文 参考訳（メタデータ） (2024-03-25T10:30:22Z) - Microscopy Image Segmentation via Point and Shape Regularized Data
Synthesis [9.47802391546853]
合成学習データを用いた顕微鏡画像セグメンテーションのための統一パイプラインを構築した。
本フレームワークは,濃密なラベルを持つ高精度な顕微鏡画像で訓練されたモデルと同等の結果が得られる。
論文 参考訳（メタデータ） (2023-08-18T22:00:53Z) - Improving CT Image Segmentation Accuracy Using StyleGAN Driven Data
Augmentation [42.034896915716374]
本稿では,公開可能な大規模医療データセットをセグメント化するためのStyleGANによるアプローチを提案する。
スタイル転送はトレーニングデータセットを拡張し、新しい解剖学的音声画像を生成するために使用される。
次に、拡張データセットを使用してU-Netセグメンテーションネットワークをトレーニングし、セグメンテーション精度を大幅に向上させる。
論文 参考訳（メタデータ） (2023-02-07T06:34:10Z) - 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) - VAESim: A probabilistic approach for self-supervised prototype discovery [0.23624125155742057]
条件付き変分オートエンコーダに基づく画像階層化アーキテクチャを提案する。
我々は、連続した潜伏空間を用いて障害の連続を表現し、訓練中にクラスターを見つけ、画像/患者の成層に使用することができる。
本手法は,標準VAEに対して,分類タスクで測定されたkNN精度において,ベースラインよりも優れていることを示す。
論文 参考訳（メタデータ） (2022-09-25T17:55:31Z) - Self-Supervised Learning as a Means To Reduce the Need for Labeled Data
in Medical Image Analysis [64.4093648042484]
胸部X線画像のデータセットとバウンディングボックスラベルを用いて,13種類の異常の分類を行った。
ラベル付きデータの平均精度と精度を60%に抑えることで,完全教師付きモデルと同等の性能が得られることを示す。
論文 参考訳（メタデータ） (2022-06-01T09:20:30Z) - 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) - Self-Supervised Generative Style Transfer for One-Shot Medical Image
Segmentation [10.634870214944055]
医用画像のセグメンテーションにおいて、教師付きディープネットワークの成功は、豊富なラベル付きデータを必要とするコストが伴う。
本稿では,ボリューム画像分割ペアを合成可能なデータ拡張のための,新しいボリューム自己教師型学習法を提案する。
我々の研究の中心的信条は、ワンショット生成学習と自己指導型学習戦略の併用による恩恵を受けている。
論文 参考訳（メタデータ） (2021-10-05T15:28:42Z) - Learning from Partially Overlapping Labels: Image Segmentation under
Annotation Shift [68.6874404805223]
腹部臓器分節の文脈におけるラベルの重複から学ぶためのいくつかの方法を提案する。
半教師付きアプローチと適応的クロスエントロピー損失を組み合わせることで、不均一な注釈付きデータをうまく活用できることが判明した。
論文 参考訳（メタデータ） (2021-07-13T09:22:24Z) - Multi-dataset Pretraining: A Unified Model for Semantic Segmentation [97.61605021985062]
我々は、異なるデータセットの断片化アノテーションを最大限に活用するために、マルチデータセット事前訓練と呼ばれる統合フレームワークを提案する。
これは、複数のデータセットに対して提案されたピクセルからプロトタイプへのコントラスト損失を通じてネットワークを事前トレーニングすることで実現される。
異なるデータセットからの画像とクラス間の関係をより良くモデル化するために、クロスデータセットの混合によりピクセルレベルの埋め込みを拡張する。
論文 参考訳（メタデータ） (2021-06-08T06:13:11Z)
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。