論文の概要: Exploring Cycle Consistency Learning in Interactive Volume Segmentation
- arxiv url: http://arxiv.org/abs/2303.06493v2
- Date: Sat, 9 Mar 2024 17:02:28 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-13 17:49:47.997672
- Title: Exploring Cycle Consistency Learning in Interactive Volume Segmentation
- Title(参考訳): 対話型ボリュームセグメンテーションにおけるサイクル一貫性学習の探索
- Authors: Qin Liu, Meng Zheng, Benjamin Planche, Zhongpai Gao, Terrence Chen,
Marc Niethammer, and Ziyan Wu
- Abstract要約: 我々は2つの切り離されたモジュール(インタラクション・ツー・セグメンテーションとセグメンテーションの伝搬)を介して医療ボリュームセグメンテーションに対話的にアプローチする。
本稿では、開始スライス中の正確なセグメンテーションを参照することにより、中間セグメンテーションを規則化する、シンプルで効果的なサイクル整合損失を提案する。
サイクル整合性トレーニングでは、伝播ネットワークは標準のフォワードオンリーのトレーニングアプローチよりも規則化された。
- 参考スコア(独自算出の注目度): 39.000842538436714
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Automatic medical volume segmentation often lacks clinical accuracy,
necessitating further refinement. In this work, we interactively approach
medical volume segmentation via two decoupled modules:
interaction-to-segmentation and segmentation propagation. Given a medical
volume, a user first segments a slice (or several slices) via the interaction
module and then propagates the segmentation(s) to the remaining slices. The
user may repeat this process multiple times until a sufficiently high volume
segmentation quality is achieved. However, due to the lack of human correction
during propagation, segmentation errors are prone to accumulate in the
intermediate slices and may lead to sub-optimal performance. To alleviate this
issue, we propose a simple yet effective cycle consistency loss that
regularizes an intermediate segmentation by referencing the accurate
segmentation in the starting slice. To this end, we introduce a backward
segmentation path that propagates the intermediate segmentation back to the
starting slice using the same propagation network. With cycle consistency
training, the propagation network is better regularized than in standard
forward-only training approaches. Evaluation results on challenging
AbdomenCT-1K and OAI-ZIB datasets demonstrate the effectiveness of our method.
- Abstract(参考訳): 自動的な医療ボリュームセグメンテーションは、しばしば臨床精度を欠き、さらなる改善を必要とする。
本研究では,2つの分離モジュールによる医学的ボリュームセグメンテーション(interaction-to-segmentation)とセグメンテーション伝播(segmentation propagation)に対話的にアプローチする。
医療ボリュームが与えられたら、ユーザはまず対話モジュールを介してスライス(またはいくつかのスライス)を分割し、残りのスライスにセグメンテーション(s)を伝搬する。
十分なボリュームセグメンテーション品質が達成されるまで、ユーザはこのプロセスを何度も繰り返すことができる。
しかし, 伝搬中の人為的補正の欠如により, 中間スライスにセグメンテーション誤差が蓄積しやすくなり, 準最適性能につながる可能性がある。
この問題を緩和するために、開始スライス中の正確なセグメンテーションを参照することにより中間セグメンテーションを規則化する、単純で効果的なサイクル整合損失を提案する。
この目的のために,同じ伝搬ネットワークを用いて中間セグメント化を開始スライスに戻す後方セグメント化経路を導入する。
サイクル整合性トレーニングでは、伝播ネットワークは標準のフォワードオンリーのトレーニングアプローチよりも規則化された。
また,AbdomenCT-1KとOAI-ZIBデータセットを用いた評価の結果,本手法の有効性を示した。
関連論文リスト
- Meta-Decomposition: Dynamic Segmentation Approach Selection in IoT-based Activity Recognition [6.887244952811574]
IoT(Internet of Things)デバイスは、時間とともに異種データを生成する。
IoTベースのアクティビティ認識を含む多くのIoTアプリケーションは、個々のイベントの制限に対処し、プロセスの合理化を目指している。
しかし、このステップは制御不能なバイアスの少なくとも2つのファミリーを導入する。
本稿では,分解問題の特別な場合として,分解問題を再定義することを提案する。
論文 参考訳(メタデータ) (2024-04-17T20:50:28Z) - Unsupervised Segmentation of Fetal Brain MRI using Deep Learning
Cascaded Registration [2.494736313545503]
従来の深層学習に基づく自動セグメンテーションは、グランドトラストラベルによる広範なトレーニングデータを必要とする。
ラベル付きデータに頼らずに複数の組織を正確にセグメンテーションするマルチアトラスセグメンテーションに基づく新しい手法を提案する。
提案手法では,3次元画像登録のためのカスケード深層学習ネットワークを用いて,移動画像への小さなインクリメンタルな変形を計算し,それを固定画像と正確に整合させる。
論文 参考訳(メタデータ) (2023-07-07T13:17:12Z) - 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) - Using the Polar Transform for Efficient Deep Learning-Based Aorta
Segmentation in CTA Images [0.0]
医用画像のセグメンテーションでは、1つの画像上に複数の楕円体をセグメンテーションする必要があることが多い。
本稿では,ニューラルネットワークのセマンティックセグメンテーション性能を改善するための一般的なアプローチを提案する。
提案手法は,技術状況に応じてセグメンテーションを達成しつつ,ロバスト性や画素レベルのリコールを改善する。
論文 参考訳(メタデータ) (2022-06-21T12:18:02Z) - Interactive Segmentation for COVID-19 Infection Quantification on
Longitudinal CT scans [40.721386089781895]
病状進行と治療に対する反応を正確に評価するためには,複数の時点にまたがる患者のCTスキャンの連続的セグメンテーションが不可欠である。
既存の医用画像の自動および対話的セグメンテーションモデルでは、単一の時点からのデータのみを使用する(静的)。
本稿では,過去の情報をすべて活用し,フォローアップスキャンのセグメンテーションを改良する,インタラクティブセグメンテーションのための新しい単一ネットワークモデルを提案する。
論文 参考訳(メタデータ) (2021-10-03T08:06:38Z) - UCP-Net: Unstructured Contour Points for Instance Segmentation [2.105564340986074]
本稿では,初期セグメンテーションとセグメンテーションの洗練のために,制約のない輪郭クリックに基づく対話型セグメンテーションを提案する。
本手法は分類に依存しず,一般的なセグメンテーションデータセットの最先端手法よりもユーザインタラクションの少ない精度のセグメンテーションマスク(IoU > 85%)を生成する。
論文 参考訳(メタデータ) (2021-09-15T22:03:37Z) - 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) - A Simple Baseline for Semi-supervised Semantic Segmentation with Strong
Data Augmentation [74.8791451327354]
セマンティックセグメンテーションのためのシンプルで効果的な半教師付き学習フレームワークを提案する。
単純な設計とトレーニングのテクニックのセットは、半教師付きセマンティックセグメンテーションの性能を大幅に向上させることができる。
本手法は,Cityscapes と Pascal VOC データセットの半教師付き設定において,最先端の処理結果を実現する。
論文 参考訳(メタデータ) (2021-04-15T06:01:39Z) - DenoiSeg: Joint Denoising and Segmentation [75.91760529986958]
我々は,いくつかの注釈付き基底真理セグメンテーションでエンドツーエンドに学習できる新しい手法であるDenoySegを提案する。
我々は、ノイズの多い画像だけで訓練できる自己教師付き遮音方式であるNoss2Voidを拡張して、密度の高い3クラスセグメンテーションを予測する。
論文 参考訳(メタデータ) (2020-05-06T17:42:54Z) - LT-Net: Label Transfer by Learning Reversible Voxel-wise Correspondence
for One-shot Medical Image Segmentation [52.2074595581139]
医用画像における手動アノテーションの負担を軽減するため, ワンショットセグメンテーション手法を提案する。
第一の考え方は、単発セグメンテーションを古典的なアトラスに基づくセグメンテーション問題として扱うことである。
深層学習に基づくワンショットセグメンテーション法と古典的マルチアトラスセグメンテーション法に比較して,本手法が優れていることを示す。
論文 参考訳(メタデータ) (2020-03-16T08:36:17Z)
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。