論文の概要: Learning with Explicit Shape Priors for Medical Image Segmentation
- arxiv url: http://arxiv.org/abs/2303.17967v2
- Date: Sun, 4 Jun 2023 15:07:55 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-07 02:07:43.863905
- 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: UNetモデルにおけるセグメント化性能を向上させるために,新しい形状先行モジュール(SPM)を提案する。
明示的な形状の先行は、大域的および局所的な形状の先行から成っている。
提案手法は最先端の性能を実現する。
- 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 a fundamental task for medical image analysis
and surgical planning. In recent years, UNet-based networks have prevailed in
the field of medical image segmentation. However, convolution-neural networks
(CNNs) suffer from limited receptive fields, which fail to model the long-range
dependency of organs or tumors. Besides, these models are heavily dependent on
the training of the final segmentation head. And existing methods can not well
address these two limitations at the same time. Hence, in our work, we proposed
a novel shape prior module (SPM), which can explicitly introduce shape priors
to promote the segmentation performance of UNet-based models. The explicit
shape priors consist of global and local shape priors. The former with coarse
shape representations provides networks with capabilities to model global
contexts. The latter with finer shape information serves as additional guidance
to boost the segmentation performance, which relieves the heavy dependence on
the learnable prototype in the segmentation head. 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 classic CNNs and recent Transformer-based
backbones, which can serve as a plug-and-play structure for the segmentation
task of different datasets. Source codes are available at
https://github.com/AlexYouXin/Explicit-Shape-Priors
- Abstract（参考訳）: 医用画像分割は医用画像解析と手術計画の基本的なタスクである。
近年,UNetベースのネットワークが医療画像セグメンテーションの分野で普及している。
しかし、畳み込み神経ネットワーク(CNN)は受容野が限られており、臓器や腫瘍の長距離依存性をモデル化できない。
さらに、これらのモデルは最終セグメンテーションヘッドのトレーニングに大きく依存している。
既存のメソッドでは,これら2つの制限を同時に対処することはできない。
そこで本研究では, 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, 形状先行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。
明示的な形状優先は、大域的および局所的な形状優先からなる。
前者は粗い形状の表現で、グローバルコンテキストをモデル化できるネットワークを提供する。
より詳細な形状情報を持つ後者は、セグメンテーション性能を向上させるための追加のガイダンスとなり、セグメンテーションヘッドの学習可能なプロトタイプへの重度な依存を緩和する。
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は従来のCNNや最近のTransformerベースのバックボーンに優れた一般化能力を示し、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。
ソースコードはhttps://github.com/AlexYouXin/Explicit-Shape-Priorsで入手できる。
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。