論文の概要: Meta-Learners for Few-Shot Weakly-Supervised Medical Image Segmentation
- arxiv url: http://arxiv.org/abs/2305.06912v1
- Date: Thu, 11 May 2023 15:57:45 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-12 14:15:09.264286
- Title: Meta-Learners for Few-Shot Weakly-Supervised Medical Image Segmentation
- Title（参考訳）: 弱視下医療画像分割のためのメタラーニング
- Authors: Hugo Oliveira, Pedro H. T. Gama, Isabelle Bloch, Roberto Marcondes
Cesar Jr
- Abstract要約: 医用画像領域における弱教師付きセグメンテーションのための汎用メタラーニングフレームワークを提案する。
画像分割に適応したメタラーナーの比較分析を行った。
- 参考スコア（独自算出の注目度）: 2.781492199939609
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Most uses of Meta-Learning in visual recognition are very often applied to
image classification, with a relative lack of works in other tasks {such} as
segmentation and detection. We propose a generic Meta-Learning framework for
few-shot weakly-supervised segmentation in medical imaging domains. We conduct
a comparative analysis of meta-learners from distinct paradigms adapted to
few-shot image segmentation in different sparsely annotated radiological tasks.
The imaging modalities include 2D chest, mammographic and dental X-rays, as
well as 2D slices of volumetric tomography and resonance images. Our
experiments consider a total of 9 meta-learners, 4 backbones and multiple
target organ segmentation tasks. We explore small-data scenarios in radiology
with varying weak annotation styles and densities. Our analysis shows that
metric-based meta-learning approaches achieve better segmentation results in
tasks with smaller domain shifts in comparison to the meta-training datasets,
while some gradient- and fusion-based meta-learners are more generalizable to
larger domain shifts.
- Abstract（参考訳）: 視覚認識におけるメタラーニングのほとんどの用途は、画像分類に非常によく適用され、セグメンテーションや検出のような他のタスクの作業が比較的欠如している。
医用画像領域における弱教師付きセグメンテーションのための汎用メタラーニングフレームワークを提案する。
画像分割に適応した異なるパラダイムのメタリーナーの比較分析を行い, sparsely annotated radiological tasksを用いて検討を行った。
画像のモダリティには、2D胸部、マンモグラフィ、歯科X線、および2Dスライスされたボリュームトモグラフィーと共鳴画像が含まれる。
実験では,9つのメタリーナー,4つのバックボーン,複数のターゲット臓器分割タスクについて検討した。
我々は,弱いアノテーションスタイルや密度を持つ放射線学の小規模シナリオを考察する。
分析の結果,メタトレーニングデータセットと比較して,ドメインシフトの少ないタスクにおいて,メトリックベースのメタ学習アプローチによりセグメンテーションが向上することがわかった。
関連論文リスト
- Explanations of Classifiers Enhance Medical Image Segmentation via
End-to-end Pre-training [37.11542605885003]
医用画像セグメンテーションは、ディープニューラルネットワークを用いて、胸部X線写真などの医用画像の異常な構造を特定し、発見することを目的としている。
我々の研究は、よく訓練された分類器から説明を集め、セグメンテーションタスクの擬似ラベルを生成する。
次に、インテグレート・グラディエント(IG)法を用いて、分類器から得られた説明を蒸留し、強化し、大規模診断指向のローカライゼーション・ラベル(DoLL)を生成する。
これらのDLLアノテーション付き画像は、新型コロナウイルス感染症、肺、心臓、鎖骨などの下流のセグメンテーションタスクのために、モデルを微調整する前に事前訓練するために使用される。
論文 参考訳（メタデータ） (2024-01-16T16:18:42Z) - Meta-hallucinator: Towards Few-Shot Cross-Modality Cardiac Image
Segmentation [25.821877102329506]
非教師なし領域適応(UDA)技術は、最近、有望なクロスモーダルな医療画像セグメンテーションを実現している。
本稿では,メタハロシン化フレームワーク,メタハロシン化フレームワークを提案する。
この枠組みでは, 幻覚とセグメンテーションのモデルが, 勾配に基づくメタラーニング戦略で共同で訓練されている。
論文 参考訳（メタデータ） (2023-05-11T17:06:37Z) - M$^{2}$SNet: Multi-scale in Multi-scale Subtraction Network for Medical
Image Segmentation [73.10707675345253]
医用画像から多様なセグメンテーションを仕上げるマルチスケールサブトラクションネットワーク(M$2$SNet)を提案する。
本手法は,4つの異なる医用画像セグメンテーションタスクの11つのデータセットに対して,異なる評価基準の下で,ほとんどの最先端手法に対して好意的に機能する。
論文 参考訳（メタデータ） (2023-03-20T06:26:49Z) - 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) - PCRLv2: A Unified Visual Information Preservation Framework for
Self-supervised Pre-training in Medical Image Analysis [56.63327669853693]
本稿では,ピクセルレベルの情報を高レベルなセマンティクスに明示的にエンコードするための画素復元タスクを提案する。
また,画像理解を支援する強力なツールであるスケール情報の保存についても検討する。
提案されている統合SSLフレームワークは、さまざまなタスクで自己管理されたフレームワークを超越している。
論文 参考訳（メタデータ） (2023-01-02T17:47:27Z) - Semi-Supervised Domain Generalization for Cardiac Magnetic Resonance
Image Segmentation with High Quality Pseudo Labels [8.283424744148258]
半教師型医療セグメント化のための領域一般化手法を提案する。
本研究の主な目的は,各種領域を用いた極端なMRI解析による擬似ラベルの品質向上である。
本手法は呼吸運動の異なる心臓磁気共鳴画像の正確なセグメンテーション結果を連続的に生成する。
論文 参考訳（メタデータ） (2022-09-30T12:57:41Z) - 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) - MetaMedSeg: Volumetric Meta-learning for Few-Shot Organ Segmentation [47.428577772279176]
本稿では,容量医学データに対するメタラーニングタスクを再定義する,勾配に基づくメタラーニングアルゴリズムであるMetaMedSegを提案する。
実験では, 異なる臓器のCTおよびMRIから2Dスライスを抽出し, 医療用デカトロンデータセットの評価を行った。
提案したボリュームタスク定義は,関連するベースラインと比較してIoUで最大30%改善した。
論文 参考訳（メタデータ） (2021-09-18T11:13:45Z) - Weakly Supervised Few-Shot Segmentation Via Meta-Learning [2.0962464943252934]
WeaSeL と ProtoSeg という2つの新しいメタ学習手法を提案する。
医療画像と農業リモートセンシングの異なる分野で,提案手法の広範な評価を行った。
論文 参考訳（メタデータ） (2021-09-03T18:20:26Z) - 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) - Shape-aware Meta-learning for Generalizing Prostate MRI Segmentation to
Unseen Domains [68.73614619875814]
前立腺MRIのセグメント化におけるモデル一般化を改善するために,新しい形状認識メタラーニング手法を提案する。
実験結果から,本手法は未確認領域の6つの設定すべてにおいて,最先端の一般化手法を一貫して上回っていることが明らかとなった。
論文 参考訳（メタデータ） (2020-07-04T07:56:02Z)
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。