論文の概要: Tailored Multi-Organ Segmentation with Model Adaptation and Ensemble

• arxiv url: http://arxiv.org/abs/2304.07123v1
• Date: Fri, 14 Apr 2023 13:39:39 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-17 13:38:23.332133
• Title: Tailored Multi-Organ Segmentation with Model Adaptation and Ensemble
• Title（参考訳）: モデル適応とアンサンブルを用いた多言語セグメンテーション
• Authors: Jiahua Dong, Guohua Cheng, Yue Zhang, Chengtao Peng, Yu Song, Ruofeng Tong, Lanfen Lin, Yen-Wei Chen
• Abstract要約: マルチ組織セグメンテーションは、医用画像解析の基本的な課題である。 高価な労働コストと専門知識のため、多臓器アノテーションの入手は通常制限される。 本稿では,モデル適応段とモデルアンサンブル段からなる新しい2段法を提案する。
• 参考スコア（独自算出の注目度）: 22.82094545786408
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Multi-organ segmentation, which identifies and separates different organs in medical images, is a fundamental task in medical image analysis. Recently, the immense success of deep learning motivated its wide adoption in multi-organ segmentation tasks. However, due to expensive labor costs and expertise, the availability of multi-organ annotations is usually limited and hence poses a challenge in obtaining sufficient training data for deep learning-based methods. In this paper, we aim to address this issue by combining off-the-shelf single-organ segmentation models to develop a multi-organ segmentation model on the target dataset, which helps get rid of the dependence on annotated data for multi-organ segmentation. To this end, we propose a novel dual-stage method that consists of a Model Adaptation stage and a Model Ensemble stage. The first stage enhances the generalization of each off-the-shelf segmentation model on the target domain, while the second stage distills and integrates knowledge from multiple adapted single-organ segmentation models. Extensive experiments on four abdomen datasets demonstrate that our proposed method can effectively leverage off-the-shelf single-organ segmentation models to obtain a tailored model for multi-organ segmentation with high accuracy.
• Abstract（参考訳）: 医用画像の異なる臓器を識別・分離する多臓器セグメンテーションは、医用画像解析の基本的な課題である。 近年、ディープラーニングの大きな成功は、マルチオーガンセグメンテーションタスクに広く採用されるきっかけとなった。 しかしながら、高価な労働コストと専門知識のため、多言語アノテーションの使用は一般的に制限されており、深層学習に基づく手法で十分なトレーニングデータを得ることが困難である。 本稿では,本論文では,市販の単一オーガンセグメンテーションモデルを組み合わせて,ターゲットデータセット上でマルチオーガンセグメンテーションモデルを構築することで,マルチオーガンセグメンテーションのための注釈付きデータへの依存を解消することを目的とする。 そこで本研究では,モデル適応ステージとモデルアンサンブルステージからなる新しいデュアルステージ方式を提案する。 第1段階はターゲットドメイン上の各オフ・ザ・シェルフセグメンテーションモデルの一般化を強化し、第2段階は複数の適応された単一組織セグメンテーションモデルからの知識を蒸留して統合する。 4つの腹部データセットに対する広範囲な実験により,本手法はオフ・ザ・シェルフ単一組織セグメンテーションモデルを効果的に活用し,高精度な多臓器セグメンテーションに適したモデルが得られることを示した。

関連論文リスト

• 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)
• AIMS: All-Inclusive Multi-Level Segmentation [93.5041381700744]
  視覚領域を3つのレベル(パート、エンティティ、リレーション)に分割するタスクであるAll-Inclusive Multi-Level(AIMS)を提案する。 また、アノテーションの不整合とタスク相関の2つの大きな課題に対処するために、マルチデータセットのマルチタスクトレーニングを通じて統合されたAIMSモデルを構築します。
  論文  参考訳（メタデータ） (2023-05-28T16:28:49Z)
• Ambiguous Medical Image Segmentation using Diffusion Models [60.378180265885945]
  我々は,グループ洞察の分布を学習することで,複数の可算出力を生成する単一拡散モデルに基づくアプローチを提案する。 提案モデルでは,拡散の固有のサンプリングプロセスを利用してセグメンテーションマスクの分布を生成する。 その結果,提案手法は既存の最先端曖昧なセグメンテーションネットワーク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） (2023-04-10T17:58:22Z)
• Ensemble Methods for Multi-Organ Segmentation in CT Series [0.0]
  構成部品の異なる特殊化を生かした多臓器マスクを生成できる3種類の単一臓器モデルのアンサンブルを提示する。 結果は有望であり、効率的なマルチ組織セグメンテーション法を見つけるための解決策であることを示す。
  論文  参考訳（メタデータ） (2023-03-31T10:37:19Z)
• MultiTalent: A Multi-Dataset Approach to Medical Image Segmentation [1.146419670457951]
  現在のプラクティスでは、モデルトレーニングと教師付き事前トレーニングを、1つまたはいくつかの類似したデータセットに制限している。 我々は多種多様なクラス定義を持つ複数のCTデータセットを活用する手法であるMultiTalentを提案する。
  論文  参考訳（メタデータ） (2023-03-25T11:37:16Z)
• Multi-site Organ Segmentation with Federated Partial Supervision and Site Adaptation [14.039141830423182]
  本稿は,2相アグリゲーション・then-adaptationアプローチを用いて,これらの課題に対処することを目的とする。 集約の第1フェーズは、"大きなデータ"の強みを活用して単一のマルチオーガナイズドセグメンテーションモデルを学ぶ サイト適応の第2段階は、各サイトの臓器セグメント化タスクの性能をさらに向上させるために、フェデレートされた多臓器セグメント化モデルをサイト固有の臓器セグメント化モデル(サイトごとの1つのモデル)に転送することである。
  論文  参考訳（メタデータ） (2023-02-08T07:07:43Z)
• Multi-organ segmentation: a progressive exploration of learning paradigms under scarce annotation [16.29982573567722]
  ディープラーニングベースのアプローチは急速に進化し、マルチ組織セグメンテーションの顕著な進歩を目の当たりにした。 しかし、複数の臓器の適切な大きさの微粒化アノテートデータセットを得ることは非常に困難で高価である。
  論文  参考訳（メタデータ） (2023-02-07T07:09:19Z)
• 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)
• Generalized Organ Segmentation by Imitating One-shot Reasoning using Anatomical Correlation [55.1248480381153]
  そこで我々は,アノテーション付きオルガンクラスから一般化されたオルガン概念を学習し,その概念を未知のクラスに転送するOrganNetを提案する。 そこで,OrganNetは臓器形態の幅広い変化に効果的に抵抗でき,一発分節タスクで最先端の結果が得られることを示す。
  論文  参考訳（メタデータ） (2021-03-30T13:41:12Z)
• Towards Robust Partially Supervised Multi-Structure Medical Image Segmentation on Small-Scale Data [123.03252888189546]
  データ不足下における部分教師付き学習(PSL)における方法論的ギャップを埋めるために,不確実性下でのビシナルラベル(VLUU)を提案する。 マルチタスク学習とヴィジナルリスク最小化によって動機づけられたVLUUは、ビジナルラベルを生成することによって、部分的に教師付き問題を完全な教師付き問題に変換する。 本研究は,ラベル効率の高い深層学習における新たな研究の方向性を示唆するものである。
  論文  参考訳（メタデータ） (2020-11-28T16:31:00Z)
• Multi-organ Segmentation via Co-training Weight-averaged Models from Few-organ Datasets [45.14004510709325]
  そこで本研究では,少数のデータセットから統一的なマルチ組織セグメンテーションネットワークを学習するための平均重み付きモデルを提案する。 ネットワーク間のノイズの多い指導を緩和するため、より信頼性の高いソフトラベルを作成するために、平均的な重み付けモデルを採用する。
  論文  参考訳（メタデータ） (2020-08-17T08:39:16Z)

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。