Fugu-MT 論文翻訳(概要): Learning with Explicit Shape Priors for Medical Image Segmentation

論文の概要: Learning with Explicit Shape Priors for Medical Image Segmentation

arxiv url: http://arxiv.org/abs/2303.17967v1
Date: Fri, 31 Mar 2023 11:12:35 GMT
ステータス: 処理完了
システム内更新日: 2023-04-03 14:24:48.145661
Title: Learning with Explicit Shape Priors for Medical Image Segmentation
Title（参考訳）: 医用画像分割のための明示的形状事前学習
Authors: Xin You, Junjun He, Jie Yang, and Yun Gu
Abstract要約: 本稿では, アトラスモデル, 統計モデル, UNetモデルからなる, 形状先行の3種類のセグメンテーションモデルについて論じる。本稿では,UNetモデルのセグメント化性能を高めるために,新しい形状先行モジュール(SPM)を提案する。
参考スコア（独自算出の注目度）: 17.110893665132423
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Medical image segmentation is considered as the basic step for medical image analysis and surgical intervention. And many previous works attempted to incorporate shape priors for designing segmentation models, which is beneficial to attain finer masks with anatomical shape information. Here in our work, we detailedly discuss three types of segmentation models with shape priors, which consist of atlas-based models, statistical-based models and UNet-based models. On the ground that the former two kinds of methods show a poor generalization ability, UNet-based models have dominated the field of medical image segmentation in recent years. However, existing UNet-based models tend to employ implicit shape priors, which do not have a good interpretability and generalization ability on different organs with distinctive shapes. Thus, we proposed a novel shape prior module (SPM), which could explicitly introduce shape priors to promote the segmentation performance of UNet-based models. To evaluate the effectiveness of SPM, we conduct experiments on three challenging public datasets. And our proposed model achieves state-of-the-art performance. Furthermore, SPM shows an outstanding generalization ability on different classic convolution-neural-networks (CNNs) and recent Transformer-based backbones, which can serve as a plug-and-play structure for the segmentation task of different datasets.
Abstract（参考訳）: 医用画像分割は医用画像解析と外科的介入の基本的なステップであると考えられている。以前の多くの研究は、より微細なマスクを解剖学的形状情報で得るのに有益であるセグメンテーションモデルを設計するための形状先を組み込もうとした。本稿では,アトラスモデル,統計モデル,unetモデルからなる3種類のセグメンテーションモデルについて詳細に検討した。従来の2種類の手法が一般化能力の低さを前提として,近年,UNetベースのモデルが医用画像セグメンテーションの分野を支配している。しかし、既存のUNetベースのモデルでは、異なる形状の臓器に対して、良好な解釈性や一般化能力を持たない暗黙の形状を優先する傾向にある。そこで我々は, unetベースのモデルのセグメンテーション性能向上のために, 形状優先を明示的に導入できる新しい形状優先モジュール (spm) を提案する。 SPMの有効性を評価するため、3つの挑戦的な公開データセットで実験を行った。そして,提案モデルは最先端の性能を実現する。さらに、SPMは、異なるデータセットのセグメンテーションタスクのプラグアンドプレイ構造として機能する、異なる古典的畳み込みニューラルネットワーク(CNN)と最近のTransformerベースのバックボーンに優れた一般化能力を示す。

関連論文リスト

Prompting Segment Anything Model with Domain-Adaptive Prototype for Generalizable Medical Image Segmentation [49.5901368256326]
医用画像のセグメンテーションにおけるセグメンテーションモデル(DAPSAM)の微調整のための新しいドメイン適応型プロンプトフレームワークを提案する。 DAPSAMは,2つの医療画像分割タスクにおいて,異なるモダリティで最先端のパフォーマンスを実現する。
論文参考訳（メタデータ） (2024-09-19T07:28:33Z)
ShapeMamba-EM: Fine-Tuning Foundation Model with Local Shape Descriptors and Mamba Blocks for 3D EM Image Segmentation [49.42525661521625]
本稿では3次元EMセグメンテーションのための特殊微調整法であるShapeMamba-EMを提案する。 5つのセグメンテーションタスクと10のデータセットをカバーする、幅広いEMイメージでテストされている。
論文参考訳（メタデータ） (2024-08-26T08:59:22Z)
MAP: Domain Generalization via Meta-Learning on Anatomy-Consistent Pseudo-Modalities [12.194439938007672]
解剖学的に整合した擬似モダリティ(MAP)のメタラーニングを提案する。 MAPは構造的特徴を学習することでモデル一般化性を向上させる。各種網膜画像モダリティの公開データセットを7つ評価した。
論文参考訳（メタデータ） (2023-09-03T22:56:22Z)
MIS-FM: 3D Medical Image Segmentation using Foundation Models Pretrained on a Large-Scale Unannotated Dataset [14.823114726604853]
本稿では,3次元セグメンテーションモデルを事前学習するための,VF(Volume Fusion)と呼ばれる新たな自己教師型学習戦略を提案する。 VFは、手動のアノテーションなしで自己教師付きセグメンテーションタスクとして定式化される各ボクセルの融合係数を予測するようモデルを強制する。頭部, 頸部臓器, 胸部, 腹部臓器など, 下流領域の異なる部位を対象とする実験により, 我々の事前訓練モデルがスクラッチからトレーニングに優れていたことが判明した。
論文参考訳（メタデータ） (2023-06-29T13:22:13Z)
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)
Learning from partially labeled data for multi-organ and tumor segmentation [102.55303521877933]
本稿では,トランスフォーマーに基づく動的オンデマンドネットワーク(TransDoDNet)を提案する。動的ヘッドにより、ネットワークは複数のセグメンテーションタスクを柔軟に達成することができる。我々はMOTSと呼ばれる大規模にラベル付けされたMulti-Organ and tumorベンチマークを作成し、他の競合相手よりもTransDoDNetの方が優れた性能を示す。
論文参考訳（メタデータ） (2022-11-13T13:03:09Z)
Unsupervised Domain Adaptation through Shape Modeling for Medical Image Segmentation [23.045760366698634]
医用画像のセグメンテーションを支援するために, 形状を明示的にモデル化し, 利用することを目的としている。従来の方法では、特定の臓器の形状の分布を学習するための変分オートエンコーダ(VAE)モデルが提案されていた。本研究では,教師/学生の学習パラダイムの下で,擬似的損失とVAE再構成損失に基づく教師なしドメイン適応パイプラインを提案する。
論文参考訳（メタデータ） (2022-07-06T09:16:42Z)
Distilling Ensemble of Explanations for Weakly-Supervised Pre-Training of Image Segmentation Models [54.49581189337848]
本稿では,分類データセットに基づく画像分割モデルのエンドツーエンド事前学習を可能にする手法を提案する。提案手法は重み付きセグメンテーション学習法を利用して,重み付きセグメンテーションネットワークを事前訓練する。実験の結果,ImageNetにソースデータセットとしてPSSLを伴って提案されたエンドツーエンドの事前トレーニング戦略が,さまざまなセグメンテーションモデルの性能向上に成功していることがわかった。
論文参考訳（メタデータ） (2022-07-04T13:02:32Z)
MISSU: 3D Medical Image Segmentation via Self-distilling TransUNet [55.16833099336073]
医用画像セグメンテーションのためのトランスフォーマーベースUNetを提案する。グローバルな意味情報と局所的な空間的詳細特徴を同時に学習する。 MISSUは従来の最先端手法よりも優れた性能を発揮する。
論文参考訳（メタデータ） (2022-06-02T07:38:53Z)
Shape-aware Semi-supervised 3D Semantic Segmentation for Medical Images [24.216869988183092]
本稿では,豊富なラベルのないデータを活用し,セグメント化出力に幾何学的形状制約を課す,形状認識型半教師付きセグメンテーション戦略を提案する。物体表面のセマンティックセグメンテーションと符号付き距離マップDMを共同で予測するマルチタスクディープネットワークを開発した。実験の結果,提案手法は形状推定を改良し,最先端の手法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） (2020-07-21T11:44:52Z)

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。