論文の概要: Multi-site Organ Segmentation with Federated Partial Supervision and Site Adaptation

• arxiv url: http://arxiv.org/abs/2302.03911v1
• Date: Wed, 8 Feb 2023 07:07:43 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-09 17:05:08.799061
• Title: Multi-site Organ Segmentation with Federated Partial Supervision and Site Adaptation
• Title（参考訳）: フェデレーション部分監督と部位適応による多部位臓器セグメンテーション
• Authors: Pengbo Liu, Mengke Sun and S. Kevin Zhou
• Abstract要約: 本稿は,2相アグリゲーション・then-adaptationアプローチを用いて,これらの課題に対処することを目的とする。 集約の第1フェーズは、"大きなデータ"の強みを活用して単一のマルチオーガナイズドセグメンテーションモデルを学ぶ サイト適応の第2段階は、各サイトの臓器セグメント化タスクの性能をさらに向上させるために、フェデレートされた多臓器セグメント化モデルをサイト固有の臓器セグメント化モデル(サイトごとの1つのモデル)に転送することである。
• 参考スコア（独自算出の注目度）: 14.039141830423182
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Objective and Impact Statement: Accurate organ segmentation is critical for many clinical applications at different clinical sites, which may have their specific application requirements that concern different organs. Introduction: However, learning high-quality, site-specific organ segmentation models is challenging as it often needs on-site curation of a large number of annotated images. Security concerns further complicate the matter. Methods: The paper aims to tackle these challenges via a two-phase aggregation-then-adaptation approach. The first phase of federated aggregation learns a single multi-organ segmentation model by leveraging the strength of 'bigger data', which are formed by (i) aggregating together datasets from multiple sites that with different organ labels to provide partial supervision, and (ii) conducting partially supervised learning without data breach. The second phase of site adaptation is to transfer the federated multi-organ segmentation model to site-specific organ segmentation models, one model per site, in order to further improve the performance of each site's organ segmentation task. Furthermore, improved marginal loss and exclusion loss functions are used to avoid 'knowledge conflict' problem in a partially supervision mechanism. Results and Conclusion: Extensive experiments on five organ segmentation datasets demonstrate the effectiveness of our multi-site approach, significantly outperforming the site-per-se learned models and achieving the performance comparable to the centrally learned models.
• Abstract（参考訳）: 目的と影響のステートメント: 臓器の正確な分割は、異なる臨床部位における多くの臨床応用において重要である。 しかし,多数の注釈付き画像のオンサイトキュレーションが必要な場合が多いため,高品質な部位別臓器分割モデルの学習は困難である。 セキュリティ上の懸念はさらに問題を複雑にする。 方法:本論文は,2相アグリゲーション・then-adaptationアプローチにより,これらの課題に対処することを目的とする。 フェデレーションアグリゲーションの第1フェーズは、"大きなデータ"の強みを利用して単一のマルチ組織セグメンテーションモデルを学ぶ。 (i)異なるオルガンラベルを持つ複数のサイトからデータセットを集約し、部分的な監督を提供する (二)データ漏洩のない部分教師付き学習を行うこと。 サイト適応の第2フェーズは、フェデレートされたマルチオルガンセグメンテーションモデルをサイト毎のモデルであるサイト固有臓器セグメンテーションモデルに移すことで、各サイトの臓器セグメンテーションタスクの性能をさらに向上させる。 さらに, 限界損失と排除損失関数の改善により, 部分監督機構の「知識衝突」問題を回避することができる。 結果と結論:5つの臓器セグメンテーションデータセットの広範な実験により,多地点アプローチの有効性が示され,サイト単位の学習モデルに有意に優れ,中央学習モデルに匹敵する性能が達成された。

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)
• PULASki: Learning inter-rater variability using statistical distances to improve probabilistic segmentation [36.136619420474766]
  本稿では,専門家アノテーションの変動を正確に捉える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PULASkiを提案する。 提案手法では,条件付き変分オートエンコーダ構造における統計的距離に基づいて,損失関数を改良した。 また,本手法は多ラベルセグメンテーションタスクにも適用可能であり,血行動態モデリングなどの下流タスクにも有用である。
  論文  参考訳（メタデータ） (2023-12-25T10:31:22Z)
• Tailored Multi-Organ Segmentation with Model Adaptation and Ensemble [22.82094545786408]
  マルチ組織セグメンテーションは、医用画像解析の基本的な課題である。 高価な労働コストと専門知識のため、多臓器アノテーションの入手は通常制限される。 本稿では,モデル適応段とモデルアンサンブル段からなる新しい2段法を提案する。
  論文  参考訳（メタデータ） (2023-04-14T13:39:39Z)
• Multi-organ segmentation: a progressive exploration of learning paradigms under scarce annotation [16.29982573567722]
  ディープラーニングベースのアプローチは急速に進化し、マルチ組織セグメンテーションの顕著な進歩を目の当たりにした。 しかし、複数の臓器の適切な大きさの微粒化アノテートデータセットを得ることは非常に困難で高価である。
  論文  参考訳（メタデータ） (2023-02-07T07:09:19Z)
• 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)
• Learning from partially labeled data for multi-organ and tumor segmentation [102.55303521877933]
  本稿では,トランスフォーマーに基づく動的オンデマンドネットワーク(TransDoDNet)を提案する。 動的ヘッドにより、ネットワークは複数のセグメンテーションタスクを柔軟に達成することができる。 我々はMOTSと呼ばれる大規模にラベル付けされたMulti-Organ and tumorベンチマークを作成し、他の競合相手よりもTransDoDNetの方が優れた性能を示す。
  論文  参考訳（メタデータ） (2022-11-13T13:03:09Z)
• Generalized Organ Segmentation by Imitating One-shot Reasoning using Anatomical Correlation [55.1248480381153]
  そこで我々は,アノテーション付きオルガンクラスから一般化されたオルガン概念を学習し,その概念を未知のクラスに転送するOrganNetを提案する。 そこで,OrganNetは臓器形態の幅広い変化に効果的に抵抗でき,一発分節タスクで最先端の結果が得られることを示す。
  論文  参考訳（メタデータ） (2021-03-30T13:41:12Z)
• Towards Robust Partially Supervised Multi-Structure Medical Image Segmentation on Small-Scale Data [123.03252888189546]
  データ不足下における部分教師付き学習(PSL)における方法論的ギャップを埋めるために,不確実性下でのビシナルラベル(VLUU)を提案する。 マルチタスク学習とヴィジナルリスク最小化によって動機づけられたVLUUは、ビジナルラベルを生成することによって、部分的に教師付き問題を完全な教師付き問題に変換する。 本研究は,ラベル効率の高い深層学習における新たな研究の方向性を示唆するものである。
  論文  参考訳（メタデータ） (2020-11-28T16:31:00Z)
• DONet: Dual Objective Networks for Skin Lesion Segmentation [77.9806410198298]
  本稿では,皮膚病変のセグメンテーションを改善するために,Dual Objective Networks (DONet) という,シンプルで効果的なフレームワークを提案する。 我々のDONetは2つの対称デコーダを採用し、異なる目標に近づくための異なる予測を生成する。 皮膚内視鏡画像における多種多様な病変のスケールと形状の課題に対処するために,再帰的コンテキスト符号化モジュール(RCEM)を提案する。
  論文  参考訳（メタデータ） (2020-08-19T06:02:46Z)
• Multi-organ Segmentation via Co-training Weight-averaged Models from Few-organ Datasets [45.14004510709325]
  そこで本研究では,少数のデータセットから統一的なマルチ組織セグメンテーションネットワークを学習するための平均重み付きモデルを提案する。 ネットワーク間のノイズの多い指導を緩和するため、より信頼性の高いソフトラベルを作成するために、平均的な重み付けモデルを採用する。
  論文  参考訳（メタデータ） (2020-08-17T08:39:16Z)

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。