論文の概要: Weakly supervised segmentation with point annotations for histopathology
images via contrast-based variational model
- arxiv url: http://arxiv.org/abs/2304.03572v1
- Date: Fri, 7 Apr 2023 10:12:21 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-10 12:14:25.498661
- Title: Weakly supervised segmentation with point annotations for histopathology
images via contrast-based variational model
- Title（参考訳）: コントラストベース変動モデルによる病理画像のポイントアノテーションを用いた弱教師付きセグメンテーション
- Authors: Hongrun Zhang, Liam Burrows, Yanda Meng, Declan Sculthorpe, Abhik
Mukherjee, Sarah E Coupland, Ke Chen, Yalin Zheng
- Abstract要約: 病理組織像のセグメンテーション結果を生成するためのコントラストモデルを提案する。
本手法は,病理組織像における対象領域の共通特性を考察し,エンドツーエンドで訓練することができる。
より地域的に一貫性があり、スムーズな境界セグメンテーションを生成することができ、未ラベルの新規領域に対してより堅牢である。
- 参考スコア（独自算出の注目度）: 7.021021047695508
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Image segmentation is a fundamental task in the field of imaging and vision.
Supervised deep learning for segmentation has achieved unparalleled success
when sufficient training data with annotated labels are available. However,
annotation is known to be expensive to obtain, especially for histopathology
images where the target regions are usually with high morphology variations and
irregular shapes. Thus, weakly supervised learning with sparse annotations of
points is promising to reduce the annotation workload. In this work, we propose
a contrast-based variational model to generate segmentation results, which
serve as reliable complementary supervision to train a deep segmentation model
for histopathology images. The proposed method considers the common
characteristics of target regions in histopathology images and can be trained
in an end-to-end manner. It can generate more regionally consistent and
smoother boundary segmentation, and is more robust to unlabeled `novel'
regions. Experiments on two different histology datasets demonstrate its
effectiveness and efficiency in comparison to previous models.
- Abstract（参考訳）: イメージセグメンテーションは、画像と視覚の分野における基本的な課題である。
セグメンテーションのための教師付きディープラーニングは、注釈付きラベルで十分なトレーニングデータが得られると、別途成功した。
しかし、特に、対象領域が通常高い形態変化と不規則な形状を持つ病理組織像では、アノテーションを得るのに費用がかかることが知られている。
したがって、ポイントのスパースアノテーションによる弱い教師付き学習は、アノテーションのワークロードを減らすことを約束している。
本研究では,病理組織像の深部セグメンテーションモデルをトレーニングするための信頼性の高い相補的指導として機能する,セグメンテーション結果を生成するコントラストベース変分モデルを提案する。
本手法は,病理組織像における対象領域の共通特性を考察し,エンドツーエンドで訓練することができる。
より局所的に一貫性があり、より滑らかな境界分割を生成することができ、ラベルのない'novel'領域よりも頑丈である。
2つの異なるヒストロジーデータセットに関する実験は、その効果と効率を以前のモデルと比較して示している。
関連論文リスト
- CGAM: Click-Guided Attention Module for Interactive Pathology Image
Segmentation via Backpropagating Refinement [8.590026259176806]
腫瘍領域のセグメンテーションは、デジタル病理の定量的解析に欠かせない課題である。
最近のディープニューラルネットワークは、様々な画像分割タスクで最先端のパフォーマンスを示している。
本稿では,クリック型ユーザインタラクションによるディープニューラルネットワークの出力を改良する対話的セグメンテーション手法を提案する。
論文 参考訳（メタデータ） (2023-07-03T13:45:24Z) - SegPrompt: Using Segmentation Map as a Better Prompt to Finetune Deep
Models for Kidney Stone Classification [62.403510793388705]
深層学習は、内視鏡画像を用いた腎臓結石分類のための奨励的な結果を生み出している。
注釈付きトレーニングデータの不足は、トレーニングされたモデルの性能と一般化能力を改善する上で深刻な問題を引き起こす。
本稿では,セグメンテーションマップを2つの側面から活用することにより,データ不足問題を軽減するためにSegPromptを提案する。
論文 参考訳（メタデータ） (2023-03-15T01:30:48Z) - Self-Supervised Correction Learning for Semi-Supervised Biomedical Image
Segmentation [84.58210297703714]
半教師付きバイオメディカルイメージセグメンテーションのための自己教師付き補正学習パラダイムを提案する。
共有エンコーダと2つの独立デコーダを含むデュアルタスクネットワークを設計する。
異なるタスクのための3つの医用画像分割データセットの実験により,本手法の優れた性能が示された。
論文 参考訳（メタデータ） (2023-01-12T08:19:46Z) - Learning of Inter-Label Geometric Relationships Using Self-Supervised
Learning: Application To Gleason Grade Segmentation [4.898744396854313]
そこで本研究では,PCaの病理組織像に対して,異なる疾患ラベル間の幾何学的関係を学習して合成する方法を提案する。
我々はGleasonスコアを用いた弱教師付きセグメンテーション手法を用いて、疾患領域をセグメンテーションする。
得られたセグメンテーションマップは、行方不明のマスクセグメントを予測するためにShaRe-Net(ShaRe-Net)をトレーニングするために使用される。
論文 参考訳（メタデータ） (2021-10-01T13:47:07Z) - Learning from Partially Overlapping Labels: Image Segmentation under
Annotation Shift [68.6874404805223]
腹部臓器分節の文脈におけるラベルの重複から学ぶためのいくつかの方法を提案する。
半教師付きアプローチと適応的クロスエントロピー損失を組み合わせることで、不均一な注釈付きデータをうまく活用できることが判明した。
論文 参考訳（メタデータ） (2021-07-13T09:22:24Z) - 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) - Few-shot Medical Image Segmentation using a Global Correlation Network
with Discriminative Embedding [60.89561661441736]
医療画像分割のための新しい手法を提案する。
深層畳み込みネットワークを用いた数ショット画像セグメンタを構築します。
深層埋め込みの識別性を高め,同一クラスの特徴領域のクラスタリングを促進する。
論文 参考訳（メタデータ） (2020-12-10T04:01:07Z) - Group-Wise Semantic Mining for Weakly Supervised Semantic Segmentation [49.90178055521207]
この研究は、画像レベルのアノテーションとピクセルレベルのセグメンテーションのギャップを埋めることを目標に、弱い監督されたセマンティックセグメンテーション(WSSS)に対処する。
画像群における意味的依存関係を明示的にモデル化し,より信頼性の高い擬似的基盤構造を推定する,新たなグループ学習タスクとしてWSSSを定式化する。
特に、入力画像がグラフノードとして表現されるグループ単位のセマンティックマイニングのためのグラフニューラルネットワーク(GNN)を考案する。
論文 参考訳（メタデータ） (2020-12-09T12:40:13Z) - Weakly-Supervised Segmentation for Disease Localization in Chest X-Ray
Images [0.0]
医用胸部X線画像のセマンティックセグメンテーションに対する新しいアプローチを提案する。
本手法は肺と胸壁の間の異常な空気量を検出するための胸部X線検査に適用可能である。
論文 参考訳（メタデータ） (2020-07-01T20:48:35Z) - Manifold-driven Attention Maps for Weakly Supervised Segmentation [9.289524646688244]
本稿では,視覚的に有意な領域を強化するために,多様体駆動型注意ネットワークを提案する。
提案手法は,余分な計算を必要とせずに,推論中により優れた注意マップを生成できる。
論文 参考訳（メタデータ） (2020-04-07T00:03:28Z) - Pathological Retinal Region Segmentation From OCT Images Using Geometric
Relation Based Augmentation [84.7571086566595]
本稿では,幾何学と形状の内在的関係を共同で符号化することで,従来のGANベースの医用画像合成法よりも優れた手法を提案する。
提案手法は,取得手順の異なる画像を有する公開RETOUCHデータセット上で,最先端のセグメンテーション手法より優れている。
論文 参考訳（メタデータ） (2020-03-31T11:50:43Z)
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。