論文の概要: Weakly-Supervised 3D Medical Image Segmentation using Geometric Prior and Contrastive Similarity

• arxiv url: http://arxiv.org/abs/2302.02125v1
• Date: Sat, 4 Feb 2023 07:55:30 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-07 20:06:03.573461
• Title: Weakly-Supervised 3D Medical Image Segmentation using Geometric Prior and Contrastive Similarity
• Title（参考訳）: Geometric Prior and Contrastive similarity を用いた3次元医用画像分割法
• Authors: Hao Du, Qihua Dong, Yan Xu, Jing Liao
• Abstract要約: 幾何学的先行性および対比的類似性を組み込んだ,単純で効果的なセグメンテーションフレームワークを提案する。 提案するフレームワークは,公開データセット上での最先端の弱い教師付き手法よりも優れている。
• 参考スコア（独自算出の注目度）: 19.692257159373373
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Medical image segmentation is almost the most important pre-processing procedure in computer-aided diagnosis but is also a very challenging task due to the complex shapes of segments and various artifacts caused by medical imaging, (i.e., low-contrast tissues, and non-homogenous textures). In this paper, we propose a simple yet effective segmentation framework that incorporates the geometric prior and contrastive similarity into the weakly-supervised segmentation framework in a loss-based fashion. The proposed geometric prior built on point cloud provides meticulous geometry to the weakly-supervised segmentation proposal, which serves as better supervision than the inherent property of the bounding-box annotation (i.e., height and width). Furthermore, we propose contrastive similarity to encourage organ pixels to gather around in the contrastive embedding space, which helps better distinguish low-contrast tissues. The proposed contrastive embedding space can make up for the poor representation of the conventionally-used gray space. Extensive experiments are conducted to verify the effectiveness and the robustness of the proposed weakly-supervised segmentation framework. The proposed framework is superior to state-of-the-art weakly-supervised methods on the following publicly accessible datasets: LiTS 2017 Challenge, KiTS 2021 Challenge, and LPBA40. We also dissect our method and evaluate the performance of each component.
• Abstract（参考訳）: 医用画像分割は、コンピュータ支援診断において最も重要な前処理手順であるが、医療画像(低コントラスト組織、非ホモジェネティックテクスチャ)によって生じるセグメントや様々なアーティファクトの複雑な形状のために非常に難しい課題である。 本稿では,幾何学的先行的および対比的類似性を,損失ベースで弱教師付きセグメンテーションフレームワークに組み込む,単純かつ効果的なセグメンテーションフレームワークを提案する。 ポイントクラウド上に構築された幾何学的事前構築は、境界ボックスアノテーション(高さと幅)の固有の性質よりも優れた監督を行う弱教師付きセグメンテーション提案に細かな幾何学を提供する。 さらに, コントラスト組織を識別するために, 臓器の画素がコントラスト埋め込み空間に集まることを促すために, コントラスト類似性を提案する。 提案するコントラスト埋め込み空間は、従来のグレー空間の貧弱な表現を補うことができる。 弱教師付きセグメンテーションフレームワークの有効性とロバスト性を検証するため,大規模な実験を行った。 提案されたフレームワークは、LiTS 2017 Challenge、KiTS 2021 Challenge、LPBA40といった、現在最先端の弱い教師付き手法よりも優れている。 また,提案手法を解析し,各コンポーネントの性能評価を行った。

関連論文リスト

• 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)
• Self-supervised Semantic Segmentation: Consistency over Transformation [3.485615723221064]
  Inception Large Kernel Attention (I-LKA) モジュールをベースとしたロバストなフレームワークを統合した新しい自己教師型アルゴリズム textbfS$3$-Net を提案する。 我々は、変形可能な畳み込みを積分成分として利用し、優れた物体境界定義のための歪み変形を効果的に捕捉し、デライン化する。 皮膚病変および肺臓器の分節タスクに関する実験結果から,SOTA法と比較して,本手法の優れた性能を示した。
  論文  参考訳（メタデータ） (2023-08-31T21:28:46Z)
• Implicit Anatomical Rendering for Medical Image Segmentation with Stochastic Experts [11.007092387379078]
  医用画像セグメンテーションの学習を支援するために,解剖学的レベルで設計された汎用的な暗黙的ニューラルネットワークレンダリングフレームワークであるMORSEを提案する。 医用画像のセグメンテーションをエンドツーエンドのレンダリング問題として定式化する。 実験の結果,MORSEは異なる医療セグメントのバックボーンでうまく機能することが示された。
  論文  参考訳（メタデータ） (2023-04-06T16:44:03Z)
• Structure-aware registration network for liver DCE-CT images [50.28546654316009]
  セグメント化誘導深層登録網に関連臓器の構造情報を組み込んだ構造認識型登録手法を提案する。 提案手法は,最新技術よりも高い登録精度を達成し,解剖学的構造を効果的に維持することができる。
  論文  参考訳（メタデータ） (2023-03-08T14:08:56Z)
• 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)
• RCPS: Rectified Contrastive Pseudo Supervision for Semi-Supervised Medical Image Segmentation [26.933651788004475]
  我々は、RCPS(Rectified Contrastive Pseudo Supervision)という、新しい半教師付きセグメンテーション手法を提案する。 RCPSは、修正された疑似監督とボクセルレベルのコントラスト学習を組み合わせて、半教師付きセグメンテーションの有効性を向上させる。 実験結果から, 半教師付き医用画像分割における最先端手法と比較して, 高いセグメンテーション性能が得られた。
  論文  参考訳（メタデータ） (2023-01-13T12:03:58Z)
• Contrastive Registration for Unsupervised Medical Image Segmentation [1.5125686694430571]
  非教師型医用画像分割のための新しいコントラスト型登録アーキテクチャを提案する。 まず、教師なしの医用画像セグメントの登録により、画像から画像への変換パターンをキャプチャするアーキテクチャを提案する。 第2に,特徴レベルのネットワークの識別能力を高めるために,コントラスト学習機構を登録アーキテクチャに組み込む。
  論文  参考訳（メタデータ） (2020-11-17T19:29:08Z)
• Shape-aware Semi-supervised 3D Semantic Segmentation for Medical Images [24.216869988183092]
  本稿では,豊富なラベルのないデータを活用し,セグメント化出力に幾何学的形状制約を課す,形状認識型半教師付きセグメンテーション戦略を提案する。 物体表面のセマンティックセグメンテーションと符号付き距離マップDMを共同で予測するマルチタスクディープネットワークを開発した。 実験の結果,提案手法は形状推定を改良し,最先端の手法よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2020-07-21T11:44:52Z)
• Retinal Image Segmentation with a Structure-Texture Demixing Network [62.69128827622726]
  複雑な構造とテクスチャ情報は網膜画像に混在し、その情報の識別が困難である。 既存の手法はテクスチャと構造を共同で扱うため、偏りのあるモデルをテクスチャ認識に導くことができ、結果としてセグメンテーション性能は低下する。 本稿では,構造成分とテクスチャ成分を分離し,性能を大幅に向上させるセグメンテーション戦略を提案する。
  論文  参考訳（メタデータ） (2020-07-15T12:19:03Z)
• Image Co-skeletonization via Co-segmentation [102.59781674888657]
  我々は,新しい共同処理の話題である画像コスケルトン化を提案する。 単一の自然な画像におけるオブジェクトのスケルトン化は、オブジェクトに関する事前の知識がほとんどないため、難しい問題である。 本稿では,コ・スケルトン化とコ・セグメンテーション・タスクの結合フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-04-12T09:35:54Z)
• Pathological Retinal Region Segmentation From OCT Images Using Geometric Relation Based Augmentation [84.7571086566595]
  本稿では,幾何学と形状の内在的関係を共同で符号化することで,従来のGANベースの医用画像合成法よりも優れた手法を提案する。 提案手法は,取得手順の異なる画像を有する公開RETOUCHデータセット上で,最先端のセグメンテーション手法より優れている。
  論文  参考訳（メタデータ） (2020-03-31T11:50:43Z)

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。