論文の概要: Improving CT Image Segmentation Accuracy Using StyleGAN Driven Data Augmentation

• arxiv url: http://arxiv.org/abs/2302.03285v1
• Date: Tue, 7 Feb 2023 06:34:10 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-08 17:19:47.515109
• Title: Improving CT Image Segmentation Accuracy Using StyleGAN Driven Data Augmentation
• Title（参考訳）: スタイルGAN駆動型データ拡張によるCT画像分割精度の向上
• Authors: Soham Bhosale, Arjun Krishna, Ge Wang, Klaus Mueller
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 42.034896915716374
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Medical Image Segmentation is a useful application for medical image analysis including detecting diseases and abnormalities in imaging modalities such as MRI, CT etc. Deep learning has proven to be promising for this task but usually has a low accuracy because of the lack of appropriate publicly available annotated or segmented medical datasets. In addition, the datasets that are available may have a different texture because of different dosage values or scanner properties than the images that need to be segmented. This paper presents a StyleGAN-driven approach for segmenting publicly available large medical datasets by using readily available extremely small annotated datasets in similar modalities. The approach involves augmenting the small segmented dataset and eliminating texture differences between the two datasets. The dataset is augmented by being passed through six different StyleGANs that are trained on six different style images taken from the large non-annotated dataset we want to segment. Specifically, style transfer is used to augment the training dataset. The annotations of the training dataset are hence combined with the textures of the non-annotated dataset to generate new anatomically sound images. The augmented dataset is then used to train a U-Net segmentation network which displays a significant improvement in the segmentation accuracy in segmenting the large non-annotated dataset.
• Abstract（参考訳）: 医用画像セグメンテーションは、MRI、CTなどの画像モダリティにおける疾患や異常の検出を含む医用画像解析に有用である。 ディープラーニングは、このタスクに有望であることが証明されているが、一般的には、適切なアノテートやセグメント化された医療データセットがないため、精度が低い。 さらに、利用可能なデータセットは、セグメント化が必要な画像とは異なる量値やスキャナ特性のため、異なるテクスチャを持つことができる。 本稿では, 比較的小さな注釈付きデータセットを類似度で容易に利用することにより, 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。 このアプローチは、小さなセグメンテーションデータセットの強化と、2つのデータセット間のテクスチャの違いの排除を含む。 データセットは6つのStyleGANに渡され、セグメンテーションしたい大きな非アノテーションデータセットから得られる6つの異なるスタイルイメージに基づいてトレーニングされる。 具体的には、トレーニングデータセットの強化にスタイル転送が使用される。 トレーニングデータセットのアノテーションは、非アノテーションデータセットのテクスチャと組み合わせて、新しい解剖学的音声画像を生成する。 次に、拡張データセットを使用して、大きな非注釈データセットをセグメント化する際のセグメント精度が大幅に向上するu-netセグメンテーションネットワークを訓練する。

関連論文リスト

• Pseudo Label-Guided Data Fusion and Output Consistency for Semi-Supervised Medical Image Segmentation [9.93871075239635]
  より少ないアノテーションで医用画像のセグメンテーションを行うための平均教師ネットワーク上に構築されたPLGDFフレームワークを提案する。 本稿では,ラベル付きデータとラベルなしデータを組み合わせてデータセットを効果的に拡張する,新しい擬似ラベル利用方式を提案する。 本フレームワークは,最先端の6つの半教師あり学習手法と比較して,優れた性能が得られる。
  論文  参考訳（メタデータ） (2023-11-17T06:36:43Z)
• DatasetDM: Synthesizing Data with Perception Annotations Using Diffusion Models [61.906934570771256]
  多様な合成画像や知覚アノテーションを生成できる汎用データセット生成モデルを提案する。 本手法は,事前学習した拡散モデルに基づいて,テキスト誘導画像合成を知覚データ生成に拡張する。 拡散モデルのリッチ潜時コードはデコーダモジュールを用いて正確な認識アノテーションとして効果的に復号できることを示す。
  論文  参考訳（メタデータ） (2023-08-11T14:38:11Z)
• Unsupervised Domain Adaptation for Medical Image Segmentation via Feature-space Density Matching [0.0]
  本稿ではセマンティックセグメンテーションのための教師なしドメイン適応手法を提案する。 対象データ分布を特徴空間のソースとマッチングする。 提案手法の有効性を2つのデータセット,多部位前立腺MRI,病理組織像に示す。
  論文  参考訳（メタデータ） (2023-05-09T22:24:46Z)
• 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)
• A new dataset for measuring the performance of blood vessel segmentation methods under distribution shifts [0.0]
  VessMAPは、より大きな非注釈データセットから関連画像を慎重にサンプリングして取得した異種血管セグメンテーションデータセットである。 ベースデータセットから原型と非典型の両方を選択する手法を開発した。 新しいデータセットの可能性を示すために、ニューラルネットワークの検証性能は、ネットワークのトレーニングに使用する分割によって大きく変化することを示す。
  論文  参考訳（メタデータ） (2023-01-11T15:31:15Z)
• Unsupervised Domain Adaptation with Histogram-gated Image Translation for Delayered IC Image Analysis [2.720699926154399]
  Histogram-gated Image Translation (HGIT)は、特定のソースデータセットからターゲットデータセットのドメインに変換する、教師なしのドメイン適応フレームワークである。 提案手法は,報告したドメイン適応手法と比較して最高の性能を達成し,完全教師付きベンチマークに適当に近い。
  論文  参考訳（メタデータ） (2022-09-27T15:53:22Z)
• 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)
• Personalized Image Semantic Segmentation [58.980245748434]
  ラベルのないパーソナライズされた画像に対して、データのパーソナライズされた特徴を調査することにより、より正確なセグメンテーション結果を生成する。 画像のセグメント化時に画像間コンテキストを組み込んだベースライン手法を提案する。 コードとPSSデータセットは公開されます。
  論文  参考訳（メタデータ） (2021-07-24T04:03:11Z)
• 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)
• 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。