論文の概要: Weakly Supervised Intracranial Hemorrhage Segmentation using Head-Wise
Gradient-Infused Self-Attention Maps from a Swin Transformer in Categorical
Learning
- arxiv url: http://arxiv.org/abs/2304.04902v1
- Date: Tue, 11 Apr 2023 00:17:34 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-12 16:48:39.833935
- Title: Weakly Supervised Intracranial Hemorrhage Segmentation using Head-Wise
Gradient-Infused Self-Attention Maps from a Swin Transformer in Categorical
Learning
- Title（参考訳）: カテゴリー学習におけるスイム変圧器からの頭部温存自己注意マップによる頭蓋内出血分画の監視
- Authors: Amirhossein Rasoulian, Soorena Salari, Yiming Xiao
- Abstract要約: 頭蓋内出血(ICH、Intracranial hemorrhage)は、様々な要因によって引き起こされる救命救急疾患である。
深層学習技術は、医用画像解析と処理の先駆的なアプローチとして現れてきた。
最も一般的に使用される教師付き学習は、大きくて高品質な注釈付きデータセットを必要とすることが多い。
- 参考スコア（独自算出の注目度）: 1.0026496861838445
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Intracranial hemorrhage (ICH) is a life-threatening medical emergency caused
by various factors. Timely and precise diagnosis of ICH is crucial for
administering effective treatment and improving patient survival rates. While
deep learning techniques have emerged as the leading approach for medical image
analysis and processing, the most commonly employed supervised learning often
requires large, high-quality annotated datasets that can be costly to obtain,
particularly for pixel/voxel-wise image segmentation. To address this challenge
and facilitate ICH treatment decisions, we proposed a novel weakly supervised
ICH segmentation method that leverages a hierarchical combination of head-wise
gradient-infused self-attention maps obtained from a Swin transformer. The
transformer is trained using an ICH classification task with categorical
labels. To build and validate the proposed technique, we used two publicly
available clinical CT datasets, namely RSNA 2019 Brain CT hemorrhage and
PhysioNet. Additionally, we conducted an exploratory study comparing two
learning strategies - binary classification and full ICH subtyping - to assess
their impact on self-attention and our weakly supervised ICH segmentation
framework. The proposed algorithm was compared against the popular U-Net with
full supervision, as well as a similar weakly supervised approach using
Grad-CAM for ICH segmentation. With a mean Dice score of 0.47, our technique
achieved similar ICH segmentation performance as the U-Net and outperformed the
Grad-CAM based approach, demonstrating the excellent potential of the proposed
framework in challenging medical image segmentation tasks.
- Abstract（参考訳）: 頭蓋内出血(ICH、Intracranial hemorrhage)は、様々な要因によって引き起こされる救命救急疾患である。
ICHのタイムリーかつ正確な診断は、効果的な治療と患者生存率の向上に不可欠である。
深層学習技術は医用画像解析と処理の先駆的アプローチとして現れてきたが、最も一般的に使われているのは、特にピクセル/ボクセル画像のセグメンテーションにおいて、取得にコストがかかるような、大きな高品質のアノテートデータセットである。
この課題に対処し, ich処理の意思決定を容易にするために, スウィン変圧器から得られる頭部傾斜干渉自己付着写像の階層的組合せを利用した, 弱教師付きichセグメンテーション法を提案した。
変換器は分類ラベル付きICH分類タスクを用いて訓練される。
提案手法の構築と検証には, RSNA 2019 Brain CT 出血と PhysioNet という2つの臨床用CTデータセットを使用した。
さらに,二分分類と全 ich サブタイピングの2つの学習戦略を比較し,自発性への影響と弱い教師付き ich セグメンテーションフレームワークについて検討した。
提案アルゴリズムは、ICHセグメンテーションにGrad-CAMを用いた同様の弱教師付きアプローチと同様に、一般的なU-Netと比較された。
平均Diceスコア0.47で、U-Netと同様のICHセグメンテーション性能を達成し、Grad-CAMベースのアプローチより優れ、医用画像セグメンテーションタスクに挑戦する上で、提案するフレームワークの優れた可能性を示した。
関連論文リスト
- Mind the Context: Attention-Guided Weak-to-Strong Consistency for Enhanced Semi-Supervised Medical Image Segmentation [14.67636369741001]
本稿では,AIGCMatch (Attention-Guided weak-to-strong Consistency Match) という半教師付き学習フレームワークを提案する。
AIGCMatchフレームワークは、イメージレベルと特徴レベルの両方において注意誘導の摂動戦略を取り入れ、弱い一貫性の規則化を実現する。
本手法は, ACDCデータセットの7ケースシナリオにおいて90.4%のDiceスコアを達成し, 最先端の手法を超越し, 臨床環境におけるその可能性と有効性を示した。
論文 参考訳（メタデータ） (2024-10-16T10:04:22Z) - 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) - Class Activation Map-based Weakly supervised Hemorrhage Segmentation
using Resnet-LSTM in Non-Contrast Computed Tomography images [0.06269281581001895]
非造影CT(non-contrast CT, NCCT)による重症度評価にて頭蓋内出血を診断した。
ディープラーニング(DL)ベースの手法は大きな可能性を示しているが、トレーニングには大量の手書きの病変レベルラベルが必要である。
画像レベルのバイナリ分類ラベルを用いて,NCCTスキャン上でのICHセグメンテーションの弱教師付きDL手法を提案する。
論文 参考訳（メタデータ） (2023-09-28T17:32:19Z) - Localized Region Contrast for Enhancing Self-Supervised Learning in
Medical Image Segmentation [27.82940072548603]
本稿では,地域コントラスト(LRC)を統合した新しいコントラスト学習フレームワークを提案する。
提案手法では,Felzenszwalbのアルゴリズムによるスーパーピクセルの同定と,新しいコントラッシブサンプリング損失を用いた局所コントラスト学習を行う。
論文 参考訳（メタデータ） (2023-04-06T22:43:13Z) - Reliable Joint Segmentation of Retinal Edema Lesions in OCT Images [55.83984261827332]
本稿では,信頼性の高いマルチスケールウェーブレットエンハンストランスネットワークを提案する。
本研究では,ウェーブレット型特徴抽出器ネットワークとマルチスケール変圧器モジュールを統合したセグメンテーションバックボーンを開発した。
提案手法は,他の最先端セグメンテーション手法と比較して信頼性の高いセグメンテーション精度を実現する。
論文 参考訳（メタデータ） (2022-12-01T07:32:56Z) - 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) - Mixed-UNet: Refined Class Activation Mapping for Weakly-Supervised
Semantic Segmentation with Multi-scale Inference [28.409679398886304]
我々は、デコードフェーズに2つの並列分岐を持つMixed-UNetという新しいモデルを開発する。
地域病院や公開データセットから収集したデータセットに対して,いくつかの一般的なディープラーニングに基づくセグメンテーションアプローチに対して,設計したMixed-UNetを評価した。
論文 参考訳（メタデータ） (2022-05-06T08:37:02Z) - Self-Ensembling Contrastive Learning for Semi-Supervised Medical Image
Segmentation [6.889911520730388]
限られたラベルを持つ医用画像セグメンテーションにおける半教師あり学習の性能向上を目指す。
我々は、ラベルのない画像に対照的な損失を与えることによって、特徴レベルで潜在表現を直接学習する。
我々はMRIとCTのセグメンテーションデータセットの実験を行い、提案手法が最先端の性能を実現することを示す。
論文 参考訳（メタデータ） (2021-05-27T03:27:58Z) - 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) - Multi-label Thoracic Disease Image Classification with Cross-Attention
Networks [65.37531731899837]
胸部X線画像から胸部疾患を自動分類するためのCAN(Cross-Attention Networks)を提案する。
また,クロスエントロピー損失を超える新たな損失関数を設計し,クラス間の不均衡を克服する。
論文 参考訳（メタデータ） (2020-07-21T14:37:00Z) - Deep Q-Network-Driven Catheter Segmentation in 3D US by Hybrid
Constrained Semi-Supervised Learning and Dual-UNet [74.22397862400177]
本稿では,教師付き学習手法よりも少ないアノテーションを要求できる新しいカテーテルセグメンテーション手法を提案する。
提案手法では,Voxelレベルのアノテーションを避けるために,深層Q学習を事前局所化ステップとみなす。
検出されたカテーテルでは、パッチベースのDual-UNetを使用してカテーテルを3Dボリュームデータに分割する。
論文 参考訳（メタデータ） (2020-06-25T21:10:04Z)
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。