論文の概要: Self-Supervised Few-Shot Learning for Ischemic Stroke Lesion Segmentation

• arxiv url: http://arxiv.org/abs/2303.01332v1
• Date: Thu, 2 Mar 2023 15:10:08 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-03 13:52:42.032007
• Title: Self-Supervised Few-Shot Learning for Ischemic Stroke Lesion Segmentation
• Title（参考訳）: 虚血性脳卒中障害に対するセルフ・スーパービジョンFew-Shot Learning
• Authors: Luca Tomasetti and Stine Hansen and Mahdieh Khanmohammadi and Kjersti Engan and Liv Jorunn H{\o}llesli and Kathinka D{\ae}hli Kurz and Michael Kampffmeyer
• Abstract要約: トレーニング中に1つの注記標本のみを用いて,虚血性病変の分節に対する数発のセグメンテーション法を提案する。 我々はComputd Tomography Perfusion scanから生成されたカラーコードパラメトリックマップを利用する。 注記1例につき平均Diceスコア0.58が虚血性病変の分節に対して達成される。
• 参考スコア（独自算出の注目度）: 8.668715385199889
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Precise ischemic lesion segmentation plays an essential role in improving diagnosis and treatment planning for ischemic stroke, one of the prevalent diseases with the highest mortality rate. While numerous deep neural network approaches have recently been proposed to tackle this problem, these methods require large amounts of annotated regions during training, which can be impractical in the medical domain where annotated data is scarce. As a remedy, we present a prototypical few-shot segmentation approach for ischemic lesion segmentation using only one annotated sample during training. The proposed approach leverages a novel self-supervised training mechanism that is tailored to the task of ischemic stroke lesion segmentation by exploiting color-coded parametric maps generated from Computed Tomography Perfusion scans. We illustrate the benefits of our proposed training mechanism, leading to considerable improvements in performance in the few-shot setting. Given a single annotated patient, an average Dice score of 0.58 is achieved for the segmentation of ischemic lesions.
• Abstract（参考訳）: 脳梗塞の診断と治療計画を改善する上で,虚血性病変の精密分割は重要な役割を担っている。 この問題に対処するために、近年、多くのディープニューラルネットワークアプローチが提案されているが、これらの方法はトレーニング中に大量の注釈付き領域を必要とする。 治療として,トレーニング中に1つの注記標本のみを用いて,虚血性病変の分節に対するプロトタイプ的数発分節法を提案する。 提案手法は,ct灌流スキャンから生成されたカラーコードパラメトリックマップを活用し,脳卒中脳梗塞分節の課題に合わせた新しい自己教師付き訓練機構を活用している。 我々は,提案するトレーニング機構の利点を説明することにより,マイナショット環境でのパフォーマンスが大幅に向上することを示す。 注記1例につき平均Diceスコア0.58が虚血性病変の分節に対して達成される。

関連論文リスト

• Semi- and Weakly-Supervised Learning for Mammogram Mass Segmentation with Limited Annotations [49.33388736227072]
  本稿では,マスセグメンテーションのための半弱教師付き学習フレームワークを提案する。 良好な性能を得るために, 限られた強ラベルのサンプルと十分な弱ラベルのサンプルを用いる。 CBIS-DDSMおよびINbreastデータセットを用いた実験により,本手法の有効性が示された。
  論文  参考訳（メタデータ） (2024-03-14T12:05:25Z)
• Multi-task Explainable Skin Lesion Classification [54.76511683427566]
  少ないラベル付きデータでよく一般化する皮膚病変に対する数発のショットベースアプローチを提案する。 提案手法は,アテンションモジュールや分類ネットワークとして機能するセグメンテーションネットワークの融合を含む。
  論文  参考訳（メタデータ） (2023-10-11T05:49:47Z)
• Adaptive Semi-Supervised Segmentation of Brain Vessels with Ambiguous Labels [63.415444378608214]
  提案手法は, 進歩的半教師付き学習, 適応的学習戦略, 境界拡張など, 革新的な手法を取り入れたものである。 3DRAデータセットによる実験結果から,メッシュベースのセグメンテーション指標を用いて,本手法の優位性を示す。
  論文  参考訳（メタデータ） (2023-08-07T14:16:52Z)
• 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)
• Self-Supervised-RCNN for Medical Image Segmentation with Limited Data Annotation [0.16490701092527607]
  ラベルなしMRIスキャンによる自己教師付き事前学習に基づく新たなディープラーニング学習戦略を提案する。 我々の事前学習アプローチはまず、ラベルのない画像のランダム領域に異なる歪みをランダムに適用し、次に歪みの種類と情報の損失を予測する。 異なる事前学習シナリオと微調整シナリオにおけるセグメンテーション課題に対する提案手法の有効性を評価する。
  論文  参考訳（メタデータ） (2022-07-17T13:28:52Z)
• Mixed-UNet: Refined Class Activation Mapping for Weakly-Supervised Semantic Segmentation with Multi-scale Inference [28.409679398886304]
  我々は、デコードフェーズに2つの並列分岐を持つMixed-UNetという新しいモデルを開発する。 地域病院や公開データセットから収集したデータセットに対して,いくつかの一般的なディープラーニングに基づくセグメンテーションアプローチに対して,設計したMixed-UNetを評価した。
  論文  参考訳（メタデータ） (2022-05-06T08:37:02Z)
• Segmentation-Consistent Probabilistic Lesion Counting [3.6513059119482145]
  病変数は、疾患の重症度、患者の予後、治療効果の重要な指標であるが、医療画像の課題として数えられることは、しばしばセグメンテーションを支持するために見過ごされる。 本研究は、病変分割予測と病変数確率分布を一貫した方法でマッピングする、新しい連続微分可能な関数を導入する。
  論文  参考訳（メタデータ） (2022-04-11T17:26:49Z)
• A novel shape-based loss function for machine learning-based seminal organ segmentation in medical imaging [1.0312968200748116]
  深部畳み込みニューラルネットワークは、正確かつ自動セミナルセグメンテーションにおいて有望な性能を示した。 ネットワークが基礎となる形状の特徴を学習・把握することを奨励・抑制する,新しい形状に基づくコスト関数を提案する。
  論文  参考訳（メタデータ） (2022-03-07T12:26:30Z)
• A Deep Learning Approach to Predicting Collateral Flow in Stroke Patients Using Radiomic Features from Perfusion Images [58.17507437526425]
  側方循環は、血流を妥協した領域に酸素を供給する特殊な無酸素流路から生じる。 実際のグレーティングは主に、取得した画像の手動検査によって行われる。 MR灌流データから抽出した放射線学的特徴に基づいて,脳卒中患者の側方血流低下を予測するための深層学習手法を提案する。
  論文  参考訳（メタデータ） (2021-10-24T18:58:40Z)
• Weakly-Supervised Universal Lesion Segmentation with Regional Level Set Loss [16.80758525711538]
  高分解能ネットワーク(HRNet)に基づく新しい弱監督ユニバーサル病変分割法を提案する。 AHRNetはデコーダ、デュアルアテンション、スケールアテンション機構を含む高度な高解像度のディープイメージ機能を提供する。 本手法は,公開大規模deeplesionデータセットとホールドアウトテストセットにおいて,最高の性能を実現する。
  論文  参考訳（メタデータ） (2021-05-03T23:33:37Z)
• 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)

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。