論文の概要: Trustworthy Deep Learning for Medical Image Segmentation

• arxiv url: http://arxiv.org/abs/2305.17456v1
• Date: Sat, 27 May 2023 12:12:53 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-30 19:04:20.059433
• Title: Trustworthy Deep Learning for Medical Image Segmentation
• Title（参考訳）: 医用画像セグメンテーションのための信頼できる深層学習
• Authors: Lucas Fidon
• Abstract要約: 深層学習に基づくセグメンテーション法の主な制限は、画像取得プロトコルにおける可変性に対する堅牢性の欠如である。 多くの場合、手動による医用画像のセグメンテーションは高度に熟練したラッカーを必要とし、時間を要する。 この論文は、これらの制限を緩和する新しい数学的および最適化手法を導入している。
• 参考スコア（独自算出の注目度）: 1.0152838128195467
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Despite the recent success of deep learning methods at achieving new state-of-the-art accuracy for medical image segmentation, some major limitations are still restricting their deployment into clinics. One major limitation of deep learning-based segmentation methods is their lack of robustness to variability in the image acquisition protocol and in the imaged anatomy that were not represented or were underrepresented in the training dataset. This suggests adding new manually segmented images to the training dataset to better cover the image variability. However, in most cases, the manual segmentation of medical images requires highly skilled raters and is time-consuming, making this solution prohibitively expensive. Even when manually segmented images from different sources are available, they are rarely annotated for exactly the same regions of interest. This poses an additional challenge for current state-of-the-art deep learning segmentation methods that rely on supervised learning and therefore require all the regions of interest to be segmented for all the images to be used for training. This thesis introduces new mathematical and optimization methods to mitigate those limitations.
• Abstract（参考訳）: 医学画像セグメンテーションにおける新しい最先端精度を達成するためのディープラーニング手法が最近成功しているにも関わらず、いくつかの大きな制限は依然として臨床への展開を制限するものである。 深層学習に基づくセグメンテーションの方法の1つの大きな制限は、画像取得プロトコルと、トレーニングデータセットでは表現されなかったり、表現されていない画像解剖学において、変化に対する堅牢性の欠如である。 これは、イメージの多様性をよりよくカバーするために、トレーニングデータセットに新しい手動のセグメントイメージを追加することを示唆している。 しかし、多くの場合、手作業による医療画像のセグメンテーションには高度に熟練したパーサーが必要であり、時間を要するため、このソリューションは極めて高価である。 異なるソースから手動で分割したイメージが利用可能である場合でも、全く同じ関心領域で注釈を付けることは滅多にない。 これは、教師付き学習に依存する現在のディープラーニングセグメンテーションメソッドにとって、新たな課題となり、トレーニングに使用するすべてのイメージに対して、関心のあるすべての領域をセグメンテーションする必要がある。 この論文は、これらの制限を緩和する新しい数学的および最適化手法を導入する。

関連論文リスト

• Learning Semantic Segmentation with Query Points Supervision on Aerial Images [57.09251327650334]
  セマンティックセグメンテーションアルゴリズムを学習するための弱教師付き学習アルゴリズムを提案する。 提案手法は正確なセマンティックセグメンテーションを行い,手作業のアノテーションに要するコストと時間を大幅に削減することで効率を向上する。
  論文  参考訳（メタデータ） (2023-09-11T14:32:04Z)
• Few Shot Medical Image Segmentation with Cross Attention Transformer [30.54965157877615]
  我々は、CAT-Netと呼ばれる、数ショットの医用画像セグメンテーションのための新しいフレームワークを提案する。 提案するネットワークは,サポート画像とクエリ画像の相関関係を抽出し,有用なフォアグラウンド情報のみに限定する。 提案手法を,Abd-CT,Abd-MRI,Card-MRIの3つの公開データセットで検証した。
  論文  参考訳（メタデータ） (2023-03-24T09:10:14Z)
• 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)
• FixMatchSeg: Fixing FixMatch for Semi-Supervised Semantic Segmentation [0.24366811507669117]
  セマンティック・メディカル・イメージ・セグメンテーションのための改良されたディープラーニング手法が近年人気を集めている。 リソース制約のある設定では、多くの注釈付き画像を取得することは、主に専門家を必要とするため、非常に難しい。 本研究では,現在最先端の半教師付き分類手法であるFixMatchをセマンティックセグメンテーションタスクに適用し,FixMatchSegを導入する。
  論文  参考訳（メタデータ） (2022-07-31T09:14:52Z)
• 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)
• 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)
• A Few Guidelines for Incremental Few-Shot Segmentation [57.34237650765928]
  事前訓練されたセグメンテーションモデルと、新しいクラスを含む画像が少ないことを前提として、我々が目指すのは、以前に見たセグメンテーション能力を維持しながら、新しいクラスをセグメンテーションすることである。 このシナリオにおけるエンド・ツー・エンドのトレーニングの主な問題はどのようなものかを示します。 一 バッチ正規化統計を、バッチ正規化で修正できる新しいクラスへ向けての漂流すること。 二 旧クラスの忘れ物 正規化戦略で解決できるもの。
  論文  参考訳（メタデータ） (2020-11-30T20:45:56Z)
• Weakly-supervised Learning For Catheter Segmentation in 3D Frustum Ultrasound [74.22397862400177]
  超音波を用いた新しいカテーテルセグメンテーション法を提案する。 提案手法は,1ボリュームあたり0.25秒の効率で最先端の性能を実現した。
  論文  参考訳（メタデータ） (2020-10-19T13:56:22Z)
• 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)
• Semi-supervised few-shot learning for medical image segmentation [21.349705243254423]
  大規模な注釈付きデータセットの必要性を緩和する最近の試みは、数ショットの学習パラダイムの下でトレーニング戦略を開発した。 セマンティックセグメンテーションのための新しい数発の学習フレームワークを提案し,各エピソードでラベルのない画像も利用できるようにした。 エピソードトレーニングにおけるラベルなしのサロゲートタスクを含めると、より強力な特徴表現がもたらされることを示す。
  論文  参考訳（メタデータ） (2020-03-18T20:37:18Z)

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。