Fugu-MT 論文翻訳(概要): Lung Nodule Segmentation and Low-Confidence Region Prediction with Uncertainty-Aware Attention Mechanism

論文の概要: Lung Nodule Segmentation and Low-Confidence Region Prediction with Uncertainty-Aware Attention Mechanism

arxiv url: http://arxiv.org/abs/2303.08416v4
Date: Wed, 12 Apr 2023 00:53:00 GMT
ステータス: 処理完了
システム内更新日: 2023-04-13 11:01:01.827282
Title: Lung Nodule Segmentation and Low-Confidence Region Prediction with Uncertainty-Aware Attention Mechanism
Title（参考訳）: 不確実性を考慮した肺結節分節と低信頼領域予測
Authors: Han Yang, Qiuli Wang, Yue Zhang, Zhulin An, Chen Liu, Xiaohong Zhang, S. Kevin Zhou
Abstract要約: 放射線医は異なる訓練と臨床経験があり、肺結節に対する様々なセグメンテーションアノテーションをもたらす可能性がある。従来のメソッドは通常、学習対象として単一のアノテーションを選択したり、様々なアノテーションの潜在空間を学習しようとする。本稿では,複数アノテーション間の一致や不一致を利用してセグメンテーションを改善する不確実性意識機構(UAAM)を提案する。
参考スコア（独自算出の注目度）: 29.406203272006
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: Radiologists have different training and clinical experiences, which may result in various segmentation annotations for lung nodules, causing segmentation uncertainty. Conventional methods usually select a single annotation as the learning target or try to learn a latent space of various annotations, but these approaches waste the valuable information of consensus or disagreements ingrained in the multiple annotations. In this paper, we propose an Uncertainty-Aware Attention Mechanism (UAAM) that utilizes consensus and disagreements among multiple annotations to facilitate better segmentation. To achieve this, we introduce the Multi-Confidence Mask (MCM), which is a combination of a Low-Confidence (LC) Mask and a High-Confidence (HC) Mask. The LC mask indicates regions with a low segmentation confidence, which may cause different segmentation options among radiologists. Following UAAM, we further design an Uncertainty-Guide Segmentation Network (UGS-Net), which contains three modules: a Feature Extracting Module that captures a general feature of a lung nodule, an Uncertainty-Aware Module that produces three features for the annotations' union, intersection, and annotation set, and an Intersection-Union Constraining Module that uses distances between the three features to balance the predictions of final segmentation, LC mask, and HC mask. To fully demonstrate the performance of our method, we propose a Complex Nodule Validation on LIDC-IDRI, which tests UGS-Net's segmentation performance on lung nodules that are difficult to segment using U-Net. Experimental results demonstrate that our method can significantly improve the segmentation performance on nodules with poor segmentation by U-Net.
Abstract（参考訳）: 放射線医は異なる訓練と臨床経験を持ち、肺結節に対する様々なセグメンテーションアノテーションを生じる可能性があり、セグメンテーションの不確実性を引き起こす。従来の方法は、学習対象として1つのアノテーションを選択したり、様々なアノテーションの潜在空間を学習しようとするが、これらのアプローチは、複数のアノテーションに埋め込まれた合意や不一致の貴重な情報を無駄にする。本稿では,複数アノテーション間のコンセンサスと不一致を利用してセグメンテーションを改善する不確実性認識注意機構(UAAM)を提案する。そこで本研究では,低信頼(lc)マスクと高信頼(hc)マスクを組み合わせたマルチ信頼マスク(mcm)を提案する。 LCマスクは、セグメンテーションの信頼性が低い領域を指し、放射線学者の間で異なるセグメンテーションオプションを引き起こす可能性がある。 UAAMの後、我々はさらに3つのモジュールを含むUncertainty-Guide Segmentation Network (UGS-Net)を設計した。肺結節の一般的な特徴をキャプチャするFeature Extracting Module、アノテーションの結合、交差、アノテーションセットの3つの特徴を生成するUncertainty-Aware Module、最終的なセグメンテーション、LCマスク、HCマスクの予測のバランスをとるために3つの特徴間の距離を使用するIntersection-Union Constraining Moduleである。そこで本研究では, ugs-netの肺結節におけるセグメンテーション性能を試験し, u-netを用いたセグメンテーションが困難であるlidc-idriの複雑な結節バリデーションを提案する。実験の結果,本手法はu-netによるセグメンテーションが不十分な結節のセグメンテーション性能を著しく向上できることがわかった。

関連論文リスト

Navigating Uncertainty in Medical Image Segmentation [13.12913475818328]
医用画像における不確実なセグメンテーション手法の選択と評価に対処する。前立腺分節化(prestate segmentation)という2つのケーススタディを提示し、最小限のアノテータ変動に対して単純な決定論的モデルでは十分であることを示した。その結果,不確実なセグメンテーションモデルを正確に選択し,開発するためのガイドラインが導かれた。
論文参考訳（メタデータ） (2024-07-23T10:21:18Z)
Annotator Consensus Prediction for Medical Image Segmentation with Diffusion Models [70.3497683558609]
医療画像のセグメンテーションにおける大きな課題は、複数の専門家が提供したアノテーションにおける、サーバ間の大きなばらつきである。拡散モデルを用いたマルチエキスパート予測のための新しい手法を提案する。
論文参考訳（メタデータ） (2023-06-15T10:01:05Z)
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)
Multi-Modal Evaluation Approach for Medical Image Segmentation [4.989480853499916]
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。
論文参考訳（メタデータ） (2023-02-08T15:31:33Z)
Rethinking Semi-Supervised Medical Image Segmentation: A Variance-Reduction Perspective [51.70661197256033]
医用画像セグメンテーションのための階層化グループ理論を用いた半教師付きコントラスト学習フレームワークARCOを提案する。まず、分散還元推定の概念を用いてARCOを構築することを提案し、特定の分散還元技術が画素/ボクセルレベルのセグメンテーションタスクにおいて特に有用であることを示す。 5つの2D/3D医療データセットと3つのセマンティックセグメンテーションデータセットのラベル設定が異なる8つのベンチマークで、我々のアプローチを実験的に検証する。
論文参考訳（メタデータ） (2023-02-03T13:50:25Z)
RCPS: Rectified Contrastive Pseudo Supervision for Semi-Supervised Medical Image Segmentation [26.933651788004475]
我々は、RCPS(Rectified Contrastive Pseudo Supervision)という、新しい半教師付きセグメンテーション手法を提案する。 RCPSは、修正された疑似監督とボクセルレベルのコントラスト学習を組み合わせて、半教師付きセグメンテーションの有効性を向上させる。実験結果から, 半教師付き医用画像分割における最先端手法と比較して, 高いセグメンテーション性能が得られた。
論文参考訳（メタデータ） (2023-01-13T12:03:58Z)
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)
Uncertainty-Aware Lung Nodule Segmentation with Multiple Annotations [0.8602553195689513]
本稿では,マルチブランチU-Netに基づく不確実性認識ネットワーク(UAS-Net)を提案する。セグメンテーションの不確実性を引き起こす可能性のある領域から、貴重な視覚的特徴を学ぶことができる。また、MCM(Multi-Confidence Mask)を同時に提供し、セグメンテーションの不確実性レベルが異なる領域を指摘できる。
論文参考訳（メタデータ） (2021-10-24T07:19:37Z)
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)
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)

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。