論文の概要: Multi-Modal Evaluation Approach for Medical Image Segmentation

• arxiv url: http://arxiv.org/abs/2302.04135v1
• Date: Wed, 8 Feb 2023 15:31:33 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-09 15:54:45.664777
• Title: Multi-Modal Evaluation Approach for Medical Image Segmentation
• Title（参考訳）: 医用画像分割のためのマルチモーダル評価手法
• Authors: Seyed M.R. Modaresi, Aomar Osmani, Mohammadreza Razzazi, Abdelghani Chibani
• Abstract要約: 本稿では,異なるセグメンテーション手法の有効性を評価するために,新しいマルチモーダル評価(MME)手法を提案する。 本稿では, 検出特性, 境界アライメント, 均一性, 総体積, 相対体積など, 関連性, 解釈可能な新しい特徴を紹介する。 提案するアプローチはオープンソースで,使用することができる。
• 参考スコア（独自算出の注目度）: 4.989480853499916
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Manual segmentation of medical images (e.g., segmenting tumors in CT scans) is a high-effort task that can be accelerated with machine learning techniques. However, selecting the right segmentation approach depends on the evaluation function, particularly in medical image segmentation where we must deal with dependency between voxels. For instance, in contrast to classical systems where the predictions are either correct or incorrect, predictions in medical image segmentation may be partially correct and incorrect simultaneously. In this paper, we explore this expressiveness to extract the useful properties of these systems and formally define a novel multi-modal evaluation (MME) approach to measure the effectiveness of different segmentation methods. This approach improves the segmentation evaluation by introducing new relevant and interpretable characteristics, including detection property, boundary alignment, uniformity, total volume, and relative volume. Our proposed approach is open-source and publicly available for use. We have conducted several reproducible experiments, including the segmentation of pancreas, liver tumors, and multi-organs datasets, to show the applicability of the proposed approach.
• Abstract（参考訳）: 医用画像の手動分割(例えばCTスキャンにおける腫瘍のセグメント化など)は、機械学習技術で加速できる高精細な作業である。 しかし, 適切なセグメンテーションアプローチを選択するには, 評価機能, 特に医用画像セグメンテーションでは, ボクセル間の依存性に対処する必要がある。 例えば、予測が正しいか間違ったかの古典的なシステムとは対照的に、医用画像の分割における予測は部分的に正確であり同時に誤りである。 本稿では,これらのシステムの有用性を抽出するためにこの表現性を探求し,異なるセグメンテーション手法の有効性を測定するための新しいマルチモーダル評価(MME)手法を正式に定義する。 本手法は, 検出特性, 境界アライメント, 均一性, 総体積, 相対体積など, 関連性, 解釈可能な新しい特性を導入することにより, セグメンテーション評価を改善する。 提案するアプローチはオープンソースで,使用することができる。 提案手法の適用性を示すため,膵・肝腫瘍・多臓器データセットの分節化など再現性のあるいくつかの実験を行った。

関連論文リスト

• MedUHIP: Towards Human-In-the-Loop Medical Segmentation [5.520419627866446]
  医用画像のセグメンテーションは、固有の不確実性によって特に複雑である。 我々はtextbfuncertainty-aware モデルと textbf Human-in-the-loop 相互作用を統合する新しいアプローチを提案する。 提案手法は,決定論的および不確実性を考慮したモデルよりも優れたセグメンテーション能力を示す。
  論文  参考訳（メタデータ） (2024-08-03T01:06:02Z)
• Deep Multimodal Fusion of Data with Heterogeneous Dimensionality via Projective Networks [4.933439602197885]
  ヘテロジニアス次元(例えば3D+2D)を持つマルチモーダルデータの融合のための新しいディープラーニングベースのフレームワークを提案する。 この枠組みは、地理的萎縮(GA)の分画、加齢に伴う黄斑変性の後期発現、マルチモーダル網膜イメージングにおける網膜血管(RBV)の分画といった課題で検証された。 提案手法は, GAとRBVのセグメンテーションを最大3.10%, Diceを最大4.64%向上させる。
  論文  参考訳（メタデータ） (2024-02-02T11:03:33Z)
• CGAM: Click-Guided Attention Module for Interactive Pathology Image Segmentation via Backpropagating Refinement [8.590026259176806]
  腫瘍領域のセグメンテーションは、デジタル病理の定量的解析に欠かせない課題である。 最近のディープニューラルネットワークは、様々な画像分割タスクで最先端のパフォーマンスを示している。 本稿では,クリック型ユーザインタラクションによるディープニューラルネットワークの出力を改良する対話的セグメンテーション手法を提案する。
  論文  参考訳（メタデータ） (2023-07-03T13:45:24Z)
• Modality-Agnostic Learning for Medical Image Segmentation Using Multi-modality Self-distillation [1.815047691981538]
  マルチモーダル・セルフディスト・イレレーション(MAG-MS)によるモダリティ非依存学習という新しい枠組みを提案する。 MAG-MSは複数のモダリティの融合から知識を蒸留し、個々のモダリティに対する表現学習を強化する。 ベンチマークデータセットを用いた実験により,MAG-MSの高効率化とセグメンテーション性能の向上が示された。
  論文  参考訳（メタデータ） (2023-06-06T14:48:50Z)
• Ambiguous Medical Image Segmentation using Diffusion Models [60.378180265885945]
  我々は,グループ洞察の分布を学習することで,複数の可算出力を生成する単一拡散モデルに基づくアプローチを提案する。 提案モデルでは,拡散の固有のサンプリングプロセスを利用してセグメンテーションマスクの分布を生成する。 その結果,提案手法は既存の最先端曖昧なセグメンテーションネットワーク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） (2023-04-10T17:58:22Z)
• PCA: Semi-supervised Segmentation with Patch Confidence Adversarial Training [52.895952593202054]
  医用画像セグメンテーションのためのPatch Confidence Adrial Training (PCA) と呼ばれる半教師付き対向法を提案する。 PCAは各パッチの画素構造とコンテキスト情報を学習し、十分な勾配フィードバックを得る。 本手法は, 医用画像のセグメンテーションにおいて, 最先端の半教師付き手法より優れており, その有効性を示している。
  論文  参考訳（メタデータ） (2022-07-24T07:45:47Z)
• An Embarrassingly Simple Consistency Regularization Method for Semi-Supervised Medical Image Segmentation [0.0]
  医用画像のセグメンテーションタスクでは,ピクセルレベルのアノテーションの不足が問題となっている。 半教師付き医用画像セグメンテーションのための計算ベースミキシングを含む新しい正規化戦略を導入する。
  論文  参考訳（メタデータ） (2022-02-01T16:21:14Z)
• Inconsistency-aware Uncertainty Estimation for Semi-supervised Medical Image Segmentation [92.9634065964963]
  我々は、不確実性推定と個別の自己学習戦略に基づいて、新しい半教師付きセグメンテーションモデル、すなわち保守的ラディカルネットワーク(CoraNet)を提案する。 現在の技術と比較すると、ColaNetは優れたパフォーマンスを示しています。
  論文  参考訳（メタデータ） (2021-10-17T08:49:33Z)
• 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)
• Towards Cross-modality Medical Image Segmentation with Online Mutual Knowledge Distillation [71.89867233426597]
  本稿では,あるモダリティから学習した事前知識を活用し,別のモダリティにおけるセグメンテーション性能を向上させることを目的とする。 モーダル共有知識を徹底的に活用する新しい相互知識蒸留法を提案する。 MMWHS 2017, MMWHS 2017 を用いた多クラス心筋セグメンテーション実験の結果, CT セグメンテーションに大きな改善が得られた。
  論文  参考訳（メタデータ） (2020-10-04T10:25:13Z)
• Weakly supervised multiple instance learning histopathological tumor segmentation [51.085268272912415]
  スライド画像全体のセグメント化のための弱教師付きフレームワークを提案する。 トレーニングモデルに複数のインスタンス学習スキームを利用する。 提案するフレームワークは,The Cancer Genome AtlasとPatchCamelyonデータセットのマルチロケーションとマルチ中心公開データに基づいて評価されている。
  論文  参考訳（メタデータ） (2020-04-10T13:12:47Z)

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。