Fugu-MT 論文翻訳(概要): Mixing Data Augmentation with Preserving Foreground Regions in Medical Image Segmentation

論文の概要: Mixing Data Augmentation with Preserving Foreground Regions in Medical Image Segmentation

arxiv url: http://arxiv.org/abs/2304.13490v1
Date: Wed, 26 Apr 2023 12:29:54 GMT
ステータス: 処理完了
システム内更新日: 2023-04-27 14:19:59.575375
Title: Mixing Data Augmentation with Preserving Foreground Regions in Medical Image Segmentation
Title（参考訳）: 医用画像セグメンテーションにおける前景領域の保存を伴う混合データ補完
Authors: Xiaoqing Liu, Kenji Ono, Ryoma Bise
Abstract要約: 医用画像セグメンテーションのための高精度深層学習ネットワークを訓練するためのデータ拡張手法を提案する。提案されたデータ拡張アプローチは、KeepMaskとKeepMixと呼ばれ、パラメータを含まない臓器の境界をより正確に識別することで、医療画像を作成することができる。
参考スコア（独自算出の注目度）: 8.933301770320654
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The development of medical image segmentation using deep learning can significantly support doctors' diagnoses. Deep learning needs large amounts of data for training, which also requires data augmentation to extend diversity for preventing overfitting. However, the existing methods for data augmentation of medical image segmentation are mainly based on models which need to update parameters and cost extra computing resources. We proposed data augmentation methods designed to train a high accuracy deep learning network for medical image segmentation. The proposed data augmentation approaches are called KeepMask and KeepMix, which can create medical images by better identifying the boundary of the organ with no more parameters. Our methods achieved better performance and obtained more precise boundaries for medical image segmentation on datasets. The dice coefficient of our methods achieved 94.15% (3.04% higher than baseline) on CHAOS and 74.70% (5.25% higher than baseline) on MSD spleen with Unet.
Abstract（参考訳）: 深層学習を用いた医用画像分割の開発は,医師の診断を著しく支援する。ディープラーニングはトレーニングに大量のデータを必要とするため、過剰フィッティングを防止するために多様性を拡張するためのデータ拡張も必要となる。しかし,既存の医用画像セグメンテーションのデータ拡張手法は主に,パラメータの更新と余分な計算資源のコストを必要とするモデルに基づいている。医用画像セグメンテーションのための高精度深層学習ネットワークを訓練するためのデータ拡張手法を提案する。提案されたデータ拡張アプローチは、keepmaskとkeepmixと呼ばれ、もはやパラメータなしで臓器の境界をよりよく識別することで医療画像を作成することができる。提案手法は,より優れた性能を達成し,データセット上の医用画像分割のためのより正確な境界を得た。ダイス係数はカオスで94.15%(ベースラインより3.04%高い)、unetでmsd脾臓で74.70%(ベースラインより5.25%高い)に達した。

関連論文リスト

LoGra-Med: Long Context Multi-Graph Alignment for Medical Vision-Language Model [55.80651780294357]
最新の医療用マルチモーダル大規模言語モデル(med-MLLM)は、事前訓練において命令追従データを活用する。 LoGra-Medは新しいマルチグラフアライメントアルゴリズムで、画像のモダリティ、会話ベースの記述、拡張キャプション間でのトリプルト相関を強制する。以上の結果から,LoGra-Medは医療用VQAの600K画像テキスト対に対してLAVA-Medと一致し,その10%でトレーニングした場合に有意に優れていた。
論文参考訳（メタデータ） (2024-10-03T15:52:03Z)
AnatoMix: Anatomy-aware Data Augmentation for Multi-organ Segmentation [6.471203541258319]
本稿では,多臓器セグメンテーションデータセットの一般化性を高めるための新しいデータ拡張戦略を提案する。オブジェクトレベルのマッチングと操作により,本手法は解剖学的に正しい画像を生成することができる。拡張法は, ベースライン法74.8と比較して76.1ディスとなる。
論文参考訳（メタデータ） (2024-03-05T21:07:50Z)
LesionMix: A Lesion-Level Data Augmentation Method for Medical Image Segmentation [10.464109996943218]
新規かつ簡便な病変認識データ拡張法であるLesionMixを提案する。病変レベルで増強を行い、病変の形状、位置、強度、負荷分布の多様性を増大させる。 4つの脳MRI病変データセットと1つの肝CT病変データセットを含む、異なるモダリティと異なる病変データセットの実験は、LesionMixが病変画像セグメンテーションにおいて有望なパフォーマンスを達成することを実証している。
論文参考訳（メタデータ） (2023-08-17T14:56:08Z)
Pick the Best Pre-trained Model: Towards Transferability Estimation for Medical Image Segmentation [20.03177073703528]
転送学習は、難しい医用画像分割タスクのために、ディープニューラルネットワークをトレーニングする上で重要なテクニックである。医用画像セグメンテーションのための新しい転送可能性推定法を提案する。医用画像のセグメンテーションにおける転送可能性推定のアルゴリズムを網羅した手法を提案する。
論文参考訳（メタデータ） (2023-07-22T01:58:18Z)
Cross-modality Attention Adapter: A Glioma Segmentation Fine-tuning Method for SAM Using Multimodal Brain MR Images [7.8475485225910555]
マルチモーダルMRI脳画像におけるグリオーマセグメンテーションの課題を達成するために, 基礎モデルを微調整するために, マルチモーダル融合に基づく多モーダルアテンダアダプタを提案する。提案法はDice 88.38%, Hausdorff 距離10.64 の最先端手法よりも優れており, グリオーマ治療用グリオーマ領域の分画にはDice が4%増加した。
論文参考訳（メタデータ） (2023-07-03T15:55:18Z)
LVM-Med: Learning Large-Scale Self-Supervised Vision Models for Medical Imaging via Second-order Graph Matching [59.01894976615714]
LVM-Medは、大規模医療データセットに基づいてトレーニングされた、最初のディープネットワークファミリーである。 55の公開データセットから約13万の医療画像を収集しました。 LVM-Medは、多くの最先端の教師付き、自己監督型、基礎モデルよりも経験的に優れている。
論文参考訳（メタデータ） (2023-06-20T22:21:34Z)
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)
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)
Development of an algorithm for medical image segmentation of bone tissue in interaction with metallic implants [58.720142291102135]
本研究では,金属インプラントとの接触部における骨成長の計算アルゴリズムを開発した。骨とインプラント組織はトレーニングデータセットに手動でセグメンテーションされた。ネットワーク精度の面では、モデルは約98%に達した。
論文参考訳（メタデータ） (2022-04-22T08:17:20Z)
Automatic Data Augmentation for 3D Medical Image Segmentation [37.262350163905445]
医用画像分割作業において、識別可能な自動データ拡張が採用されたのは、これが初めてである。我々の数値実験により,提案手法は,最先端モデルの既存のビルトインデータ拡張を著しく上回っていることが示された。
論文参考訳（メタデータ） (2020-10-07T12:51:17Z)
Y-Net for Chest X-Ray Preprocessing: Simultaneous Classification of Geometry and Segmentation of Annotations [70.0118756144807]
この研究は、機械学習アルゴリズムに胸部X線入力のための一般的な前処理ステップを導入する。 VGG11エンコーダをベースとした改良Y-Netアーキテクチャを用いて,ラジオグラフィの幾何学的配向とセグメンテーションを同時に学習する。対照画像の27.0%,34.9%に対し,95.8%,96.2%のアノテーションマスクが認められた。
論文参考訳（メタデータ） (2020-05-08T02:16:17Z)

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。