Fugu-MT 論文翻訳(概要): Learning Robust Medical Image Segmentation from Multi-source Annotations

論文の概要: Learning Robust Medical Image Segmentation from Multi-source Annotations

arxiv url: http://arxiv.org/abs/2304.00466v2
Date: Sat, 11 Nov 2023 12:05:35 GMT
ステータス: 処理完了
システム内更新日: 2023-11-14 22:20:28.308513
Title: Learning Robust Medical Image Segmentation from Multi-source Annotations
Title（参考訳）: 多元アノテーションによるロバストな医用画像セグメンテーションの学習
Authors: Yifeng Wang, Luyang Luo, Mingxiang Wu, Qiong Wang and Hao Chen
Abstract要約: 本稿では,不確実性誘導型マルチソースUMA-Netを提案する。 2次元胸部X線セグメンテーション,眼底画像セグメンテーション,3次元胸部DCE-MRIセグメンテーションなど,様々なデータセットに対するUMA-Netの有効性と妥当性を実験的に検証した。
参考スコア（独自算出の注目度）: 10.593934713613665
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Collecting annotations from multiple independent sources could mitigate the impact of potential noises and biases from a single source, which is a common practice in medical image segmentation. Learning segmentation networks from multi-source annotations remains a challenge due to the uncertainties brought by the variance of annotations and the quality of images. In this paper, we propose an Uncertainty-guided Multi-source Annotation Network (UMA-Net), which guides the training process by uncertainty estimation at both the pixel and the image levels. First, we developed the annotation uncertainty estimation module (AUEM) to learn the pixel-wise uncertainty of each annotation, which then guided the network to learn from reliable pixels by weighted segmentation loss. Second, a quality assessment module (QAM) was proposed to assess the image-level quality of the input samples based on the former assessed annotation uncertainties. Importantly, we introduced an auxiliary predictor to learn from the low-quality samples instead of discarding them, which ensured the preservation of their representation knowledge in the backbone without directly accumulating errors within the primary predictor. Extensive experiments demonstrated the effectiveness and feasibility of our proposed UMA-Net on various datasets, including 2D chest X-ray segmentation, fundus image segmentation, and 3D breast DCE-MRI segmentation.
Abstract（参考訳）: 複数の独立したソースからアノテーションを収集することで、単一のソースからの潜在的なノイズやバイアスの影響を軽減することができる。マルチソースアノテーションからセグメンテーションネットワークを学習することは、アノテーションのばらつきと画像の品質がもたらす不確実性のため、依然として課題である。本稿では,画素レベルと画像レベルの両方における不確実性推定によるトレーニングプロセスを導く,不確実性誘導型多元アノテーションネットワーク(uma-net)を提案する。まず,アノテーションの不確実性評価モジュール(AUEM)を開発し,各アノテーションの画素単位の不確かさを学習し,重み付きセグメンテーション損失による信頼画素からの学習をネットワークに誘導した。第2に,評価済みアノテーションの不確実性に基づいて,入力サンプルの画質を評価する品質評価モジュール(QAM)を提案した。重要となるのは, 廃棄する代わりに, 低品質のサンプルから学習するための補助的予測器を導入することで, 主予測器にエラーを直接蓄積することなく, その表現知識をバックボーンに保存することであった。 2次元胸部X線セグメンテーション,眼底画像セグメンテーション,3次元胸部DCE-MRIセグメンテーションなど,様々なデータセットに対するUMA-Netの有効性と有用性を示した。

関連論文リスト

Introspective Deep Metric Learning [91.47907685364036]
本稿では,不確実性を考慮した画像比較のためのイントロスペクティブな深度学習フレームワークを提案する。提案するIDMLフレームワークは,不確実性モデリングによるディープメトリック学習の性能を向上させる。
論文参考訳（メタデータ） (2023-09-11T16:21:13Z)
PCA: Semi-supervised Segmentation with Patch Confidence Adversarial Training [52.895952593202054]
医用画像セグメンテーションのためのPatch Confidence Adrial Training (PCA) と呼ばれる半教師付き対向法を提案する。 PCAは各パッチの画素構造とコンテキスト情報を学習し、十分な勾配フィードバックを得る。本手法は, 医用画像のセグメンテーションにおいて, 最先端の半教師付き手法より優れており, その有効性を示している。
論文参考訳（メタデータ） (2022-07-24T07:45:47Z)
Deep Semantic Statistics Matching (D2SM) Denoising Network [70.01091467628068]
本稿では,Deep Semantic Statistics Matching (D2SM) Denoising Networkを紹介する。事前訓練された分類ネットワークの意味的特徴を利用して、意味的特徴空間における明瞭な画像の確率的分布と暗黙的に一致させる。識別画像のセマンティックな分布を学習することで,ネットワークの認知能力を大幅に向上させることを実証的に見出した。
論文参考訳（メタデータ） (2022-07-19T14:35:42Z)
Trustworthy Medical Segmentation with Uncertainty Estimation [0.7829352305480285]
本稿では,セグメンテーションニューラルネットワークにおける不確実性定量化のための新しいベイズディープラーニングフレームワークを提案する。我々は磁気共鳴イメージングとCTによる医用画像分割データについて検討した。複数のベンチマークデータセットに対する実験により,提案するフレームワークは,最先端セグメンテーションモデルと比較して,ノイズや敵攻撃に対してより堅牢であることが示された。
論文参考訳（メタデータ） (2021-11-10T22:46:05Z)
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)
Uncertainty guided semi-supervised segmentation of retinal layers in OCT images [4.046207281399144]
セグメンテーションネットワークを訓練する学生・教師のアプローチに基づく,新しい不確実性誘導半教師学習を提案する。提案するフレームワークは,様々な画像モダリティにまたがるバイオメディカルイメージセグメンテーションに有効である。
論文参考訳（メタデータ） (2021-03-02T23:14:25Z)
Utilizing Uncertainty Estimation in Deep Learning Segmentation of Fluorescence Microscopy Images with Missing Markers [7.812710681134931]
蛍光顕微鏡画像には複数のチャネルが含まれており、それぞれがサンプルを染色するマーカーを示している。ディープラーニングベースのセグメンテーションモデルの適用は困難であり、すべてのトレーニングサンプルと将来のアプリケーションに対する推論において、事前に定義されたチャネルの組み合わせが期待できる。画像セグメンテーションのための畳み込みニューラルネットワークのアレター的およびエピステマティックな不確かさを推定し, (i) 対応するセグメンテーション指標への回帰による不確実性特徴の解釈のためのランダムフォレストモデルを訓練することにより, ラベル付き画像のセグメンテーション品質を推定する方法を提案する。
論文参考訳（メタデータ） (2021-01-27T15:06:04Z)
Estimating Uncertainty in Neural Networks for Cardiac MRI Segmentation: A Benchmark Study [1.6222504666823843]
畳み込みニューラルネットワーク(cnns)は、心臓磁気共鳴画像の自動セグメンテーションにおいて有望である。セグメンテーションの不確実性を定量化し、どのセグメンテーションが問題となるかを知ることが重要である。
論文参考訳（メタデータ） (2020-12-31T17:46:52Z)
Annotation-Efficient Learning for Medical Image Segmentation based on Noisy Pseudo Labels and Adversarial Learning [12.781598229608983]
医療画像セグメンテーションのためのアノテーション効率の高い学習フレームワークを提案する。我々は、改良されたサイクル一貫性生成適応ネットワーク(GAN)を用いて、障害のない医療画像と補助マスクのセットから学習する。基礎画像の光学ディスクや超音波画像の胎児頭部のような単純な形状の物体、X線画像の肺やCT画像の肝臓のような複雑な構造、という2つの状況で、我々の枠組みを検証した。
論文参考訳（メタデータ） (2020-12-29T03:22:41Z)
Improved Slice-wise Tumour Detection in Brain MRIs by Computing Dissimilarities between Latent Representations [68.8204255655161]
磁気共鳴画像(MRI)の異常検出は教師なし手法で行うことができる。本研究では,変分オートエンコーダの潜伏空間における相似関数の計算に基づいて,腫瘍検出のためのスライスワイズ半教師法を提案する。本研究では,高解像度画像上でのモデルをトレーニングし,再現の質を向上させることにより,異なるベースラインに匹敵する結果が得られることを示す。
論文参考訳（メタデータ） (2020-07-24T14:02:09Z)
Fully Unsupervised Diversity Denoising with Convolutional Variational Autoencoders [81.30960319178725]
完全畳み込み変分オートエンコーダ(VAE)に基づく復調手法であるDivNoisingを提案する。まず, 撮像ノイズモデルをデコーダに明示的に組み込むことにより, 教師なしの雑音発生問題をVAEフレームワーク内に定式化する手法を提案する。このようなノイズモデルは、ノイズの多いデータから測定したり、ブートストラップしたり、トレーニング中に共同学習したりすることが可能である。
論文参考訳（メタデータ） (2020-06-10T21:28:13Z)

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。