論文の概要: Med-NCA: Robust and Lightweight Segmentation with Neural Cellular Automata

• arxiv url: http://arxiv.org/abs/2302.03473v1
• Date: Tue, 7 Feb 2023 13:58:08 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-08 16:24:45.546441
• Title: Med-NCA: Robust and Lightweight Segmentation with Neural Cellular Automata
• Title（参考訳）: Med-NCA:ニューラルセルオートマタを用いたロバスト・軽量セグメンテーション
• Authors: John Kalkhof, Camila Gonz\'alez, Anirban Mukhopadhyay
• Abstract要約: 我々は,高解像度画像分割のためのエンドツーエンドNCAトレーニングパイプラインであるMed-NCAを提案する。 我々の方法は2段階のプロセスに従っており、グローバルな知識はまずダウンスケール画像を通して細胞間で伝達される。 提案するMed-NCAは,海馬と前立腺のセグメンテーションにおいて,古典的UNetを2%,Diceを3%上回っている。
• 参考スコア（独自算出の注目度）: 1.2020488155038649
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Access to the proper infrastructure is critical when performing medical image segmentation with Deep Learning. This requirement makes it difficult to run state-of-the-art segmentation models in resource-constrained scenarios like primary care facilities in rural areas and during crises. The recently emerging field of Neural Cellular Automata (NCA) has shown that locally interacting one-cell models can achieve competitive results in tasks such as image generation or segmentations in low-resolution inputs. However, they are constrained by high VRAM requirements and the difficulty of reaching convergence for high-resolution images. To counteract these limitations we propose Med-NCA, an end-to-end NCA training pipeline for high-resolution image segmentation. Our method follows a two-step process. Global knowledge is first communicated between cells across the downscaled image. Following that, patch-based segmentation is performed. Our proposed Med-NCA outperforms the classic UNet by 2% and 3% Dice for hippocampus and prostate segmentation, respectively, while also being 500 times smaller. We also show that Med-NCA is by design invariant with respect to image scale, shape and translation, experiencing only slight performance degradation even with strong shifts; and is robust against MRI acquisition artefacts. Med-NCA enables high-resolution medical image segmentation even on a Raspberry Pi B+, arguably the smallest device able to run PyTorch and that can be powered by a standard power bank.
• Abstract（参考訳）: Deep Learningで医療画像セグメンテーションを行う場合には、適切なインフラストラクチャへのアクセスが重要である。 この要件は、農村部におけるプライマリケア施設や危機時のリソース制約のあるシナリオにおいて、最先端のセグメンテーションモデルの実行を困難にしている。 近年のニューラル・セル・オートマトン(nca)の分野では、局所的に相互作用する単細胞モデルが画像生成や低解像度入力でのセグメンテーションといったタスクにおいて競合的な結果が得られることが示されている。 しかし、高いVRAM要求と高解像度画像の収束の難しさに制約されている。 これらの制限に対応するために,高解像度画像分割のためのエンドツーエンドNCAトレーニングパイプラインであるMed-NCAを提案する。 我々の方法は2段階のプロセスに従う。 グローバル知識はまず、ダウンスケールされたイメージを通して細胞間で伝達される。 その後、パッチベースのセグメンテーションを行う。 提案するMed-NCAは,海馬と前立腺のセグメンテーションにおいて,古典的UNetを2%,Diceを3%で上回り,500倍も小さい。 また,Med-NCAは画像のスケール,形状,翻訳に対して不変であり,強い変化を伴ってもわずかな性能劣化しか経験せず,MRI取得アーチファクトに対して堅牢であることを示す。 Med-NCAはRaspberry Pi B+でも高解像度の医療画像セグメンテーションを可能にする。

関連論文リスト

• MedCLIP-SAMv2: Towards Universal Text-Driven Medical Image Segmentation [2.2585213273821716]
  MedCLIP-SAMv2はCLIPとSAMモデルを統合して臨床スキャンのセグメンテーションを行う新しいフレームワークである。 提案手法は,DHN-NCE(Decoupled Hard Negative Noise Contrastive Estimation)によるBiomedCLIPモデルの微調整を含む。 また,ゼロショットセグメンテーションラベルを弱教師付きパラダイム内で使用することにより,セグメンテーション品質をさらに向上する。
  論文  参考訳（メタデータ） (2024-09-28T23:10:37Z)
• Lagrange Duality and Compound Multi-Attention Transformer for Semi-Supervised Medical Image Segmentation [27.758157788769253]
  半教師付き学習における総合的な学習目標として,境界認識型コントラスト損失と統合されたラグランジュ二重性損失(LDC)を提案する。 また、ResUNetとTransformerの強みを相乗化する新しいネットワークであるCMAformerを紹介する。 以上の結果から,CMAformerは機能融合フレームワークと新たな一貫性の喪失と相まって,半教師付き学習アンサンブルにおいて強い相補性を示すことが明らかとなった。
  論文  参考訳（メタデータ） (2024-09-12T06:52:46Z)
• PMFSNet: Polarized Multi-scale Feature Self-attention Network For Lightweight Medical Image Segmentation [6.134314911212846]
  現在の最先端の医用画像分割法は精度を優先するが、計算要求の増大とより大きなモデルサイズを犠牲にすることも多い。 計算冗長性を避けつつグローバルな局所特徴処理のバランスをとる新しい医用画像分割モデルPMFSNetを提案する。 長期依存関係をキャプチャするために,アテンション機構に基づいたマルチスケール機能拡張モジュールであるPMFSブロックをプラグインとして組み込んでいる。
  論文  参考訳（メタデータ） (2024-01-15T10:26:47Z)
• 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)
• M3D-NCA: Robust 3D Segmentation with Built-in Quality Control [1.5677737823895823]
  我々は,Nレベルパッチを用いた3次元医用画像にニューラルセルオートマタ(NCA)セグメンテーションを利用する新しい手法であるM3D-NCAを提案する。 M3D-NCAは、海馬と前立腺のセグメンテーションで2グレードのUNetモデルよりも優れており、Raspberry Pi 4 Model B(2GB RAM)で実行することができる。 これはM3D-NCAが資源制約環境における医用画像セグメンテーションの効果的かつ効率的な代替手段としての可能性を強調している。
  論文  参考訳（メタデータ） (2023-09-06T12:43:18Z)
• Disruptive Autoencoders: Leveraging Low-level features for 3D Medical Image Pre-training [51.16994853817024]
  本研究は、3Dラジオグラフィ画像のための効果的な事前学習フレームワークの設計に焦点をあてる。 ローカルマスキングと低レベルの摂動の組み合わせによって生成された破壊から、オリジナルのイメージを再構築しようとする事前トレーニングフレームワークであるDisruptive Autoencodersを紹介する。 提案する事前トレーニングフレームワークは、複数のダウンストリームタスクでテストされ、最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2023-07-31T17:59:42Z)
• Scale-aware Super-resolution Network with Dual Affinity Learning for Lesion Segmentation from Medical Images [50.76668288066681]
  低解像度医用画像から様々な大きさの病変を適応的に分割する,スケールアウェアな超解像ネットワークを提案する。 提案するネットワークは,他の最先端手法と比較して一貫した改善を実現した。
  論文  参考訳（メタデータ） (2023-05-30T14:25:55Z)
• 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)
• Maximum Entropy on Erroneous Predictions (MEEP): Improving model calibration for medical image segmentation [10.159176702917788]
  本稿では,分割ネットワークのトレーニング戦略であるMEEPを紹介する。 脳の磁気共鳴画像(MRI)における白質高強度病変と、心臓MRIにおける心房細動の2つの課題について、提案手法をベンチマークした。
  論文  参考訳（メタデータ） (2021-12-22T20:34:20Z)
• Few-shot Medical Image Segmentation using a Global Correlation Network with Discriminative Embedding [60.89561661441736]
  医療画像分割のための新しい手法を提案する。 深層畳み込みネットワークを用いた数ショット画像セグメンタを構築します。 深層埋め込みの識別性を高め,同一クラスの特徴領域のクラスタリングを促進する。
  論文  参考訳（メタデータ） (2020-12-10T04:01:07Z)
• Deep Q-Network-Driven Catheter Segmentation in 3D US by Hybrid Constrained Semi-Supervised Learning and Dual-UNet [74.22397862400177]
  本稿では,教師付き学習手法よりも少ないアノテーションを要求できる新しいカテーテルセグメンテーション手法を提案する。 提案手法では,Voxelレベルのアノテーションを避けるために,深層Q学習を事前局所化ステップとみなす。 検出されたカテーテルでは、パッチベースのDual-UNetを使用してカテーテルを3Dボリュームデータに分割する。
  論文  参考訳（メタデータ） (2020-06-25T21:10:04Z)

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。