論文の概要: Ensemble Methods for Multi-Organ Segmentation in CT Series
- arxiv url: http://arxiv.org/abs/2303.17956v1
- Date: Fri, 31 Mar 2023 10:37:19 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-03 14:23:23.982497
- Title: Ensemble Methods for Multi-Organ Segmentation in CT Series
- Title(参考訳): ctシリーズにおけるマルチオルガンセグメンテーションのアンサンブル法
- Authors: Leonardo Crespi, Paolo Roncaglioni, Damiano Dei, Ciro Franzese, Nicola
Lambri, Daniele Loiacono, Pietro Mancosu, Marta Scorsetti
- Abstract要約: 構成部品の異なる特殊化を生かした多臓器マスクを生成できる3種類の単一臓器モデルのアンサンブルを提示する。
結果は有望であり、効率的なマルチ組織セグメンテーション法を見つけるための解決策であることを示す。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: In the medical images field, semantic segmentation is one of the most
important, yet difficult and time-consuming tasks to be performed by
physicians. Thanks to the recent advancement in the Deep Learning models
regarding Computer Vision, the promise to automate this kind of task is getting
more and more realistic. However, many problems are still to be solved, like
the scarce availability of data and the difficulty to extend the efficiency of
highly specialised models to general scenarios. Organs at risk segmentation for
radiotherapy treatment planning falls in this category, as the limited data
available negatively affects the possibility to develop general-purpose models;
in this work, we focus on the possibility to solve this problem by presenting
three types of ensembles of single-organ models able to produce multi-organ
masks exploiting the different specialisations of their components. The results
obtained are promising and prove that this is a possible solution to finding
efficient multi-organ segmentation methods.
- Abstract(参考訳): 医療画像の分野では、セマンティックセグメンテーションは、医師が行う最も重要で、しかし、困難で、時間を要するタスクの1つである。
コンピュータビジョンに関するディープラーニングモデルの最近の進歩のおかげで、この種のタスクを自動化できるという約束はますます現実的になりつつある。
しかし、データの可用性の不足や、高度に専門化されたモデルの効率を一般的なシナリオに拡張することの難しさなど、多くの問題がまだ解決されていない。
放射線治療計画のためのリスクセグメンテーションの臓器は、利用可能な限られたデータが汎用モデルの開発可能性に負の影響を及ぼしているため、このカテゴリに分類される。本研究では、コンポーネントの異なる特殊性を生かしたマルチオルガンマスクを作成可能なシングルオルガンモデルの3種類のアンサンブルを提示することにより、この問題を解決する可能性に焦点を当てる。
得られた結果は有望であり、効率的なマルチ有機セグメンテーション法を見つけるための解決策であることを示す。
関連論文リスト
- KA$^2$ER: Knowledge Adaptive Amalgamation of ExpeRts for Medical Images Segmentation [5.807887214293438]
本稿では,多元的基礎モデルを学習し,複数のエキスパートモデルの協調的な目標に対処することを目的としたアダプティブ・アマルガメーション・ナレッジ・フレームワークを提案する。
特に、まず、各タスクに対してnnUNetベースのエキスパートモデルをトレーニングし、トレーニング済みのSwinUNTERをターゲット基盤モデルとして再利用する。
隠蔽層内の階層的アテンション機構は、すべての専門家の隠蔽層の特徴知識にターゲットモデルの適応的なマージを実現するように設計されている。
論文 参考訳(メタデータ) (2024-10-28T14:49:17Z) - AnatoMix: Anatomy-aware Data Augmentation for Multi-organ Segmentation [6.471203541258319]
本稿では,多臓器セグメンテーションデータセットの一般化性を高めるための新しいデータ拡張戦略を提案する。
オブジェクトレベルのマッチングと操作により,本手法は解剖学的に正しい画像を生成することができる。
拡張法は, ベースライン法74.8と比較して76.1ディスとなる。
論文 参考訳(メタデータ) (2024-03-05T21:07:50Z) - Enhancing Weakly Supervised 3D Medical Image Segmentation through
Probabilistic-aware Learning [52.249748801637196]
3次元医用画像のセグメンテーションは、疾患の診断と治療計画に重要な意味を持つ課題である。
近年の深層学習の進歩は、完全に教師付き医療画像のセグメンテーションを著しく強化している。
本稿では,3次元医用画像に特化して設計された,確率的適応型弱教師付き学習パイプラインを提案する。
論文 参考訳(メタデータ) (2024-03-05T00:46:53Z) - Learnable Weight Initialization for Volumetric Medical Image Segmentation [66.3030435676252]
本稿では,学習可能な重みに基づくハイブリッド医療画像セグメンテーション手法を提案する。
我々のアプローチはどんなハイブリッドモデルにも簡単に統合でき、外部のトレーニングデータを必要としない。
多臓器・肺がんセグメンテーションタスクの実験は、我々のアプローチの有効性を実証している。
論文 参考訳(メタデータ) (2023-06-15T17:55:05Z) - 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) - 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) - The Medical Segmentation Decathlon [37.44481677534694]
最先端の画像セグメンテーションアルゴリズムは、未確認のタスクで再訓練された場合、成熟し、正確で、一般化される。
一連のタスクにおける一貫した良いパフォーマンスは、以前は目に見えないタスクの異なるセットで、彼らの平均的なパフォーマンスを保った。
正確なAIセグメンテーションモデルのトレーニングは現在、非AI専門家にコモディティ化されている。
論文 参考訳(メタデータ) (2021-06-10T13:34:06Z) - 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) - Uncertainty-aware multi-view co-training for semi-supervised medical
image segmentation and domain adaptation [35.33425093398756]
ラベルのないデータは、注釈付きデータよりもはるかに簡単に取得できる。
医用画像セグメンテーションのための不確実性を考慮したマルチビュー協調トレーニングを提案する。
我々のフレームワークは、ラベルのないデータを効率的に活用してパフォーマンスを向上させることができる。
論文 参考訳(メタデータ) (2020-06-28T22:04:54Z) - Robust Medical Instrument Segmentation Challenge 2019 [56.148440125599905]
腹腔鏡装置の術中追跡は、しばしばコンピュータとロボットによる介入の必要条件である。
本研究の課題は,30の手術症例から取得した10,040枚の注釈画像からなる外科的データセットに基づいていた。
結果は、初期仮説、すなわち、アルゴリズムの性能がドメインギャップの増大とともに低下することを確認する。
論文 参考訳(メタデータ) (2020-03-23T14:35:08Z)
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。