論文の概要: Continual Learning for Abdominal Multi-Organ and Tumor Segmentation
- arxiv url: http://arxiv.org/abs/2306.00988v2
- Date: Fri, 21 Jul 2023 11:27:10 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-24 15:38:40.452927
- Title: Continual Learning for Abdominal Multi-Organ and Tumor Segmentation
- Title（参考訳）: 腹部多臓器・腫瘍分節の連続的学習
- Authors: Yixiao Zhang, Xinyi Li, Huimiao Chen, Alan Yuille, Yaoyao Liu, Zongwei
Zhou
- Abstract要約: 本稿では,連続臓器と腫瘍のセグメンテーションに特化して設計されたイノベーティブなアーキテクチャを提案する。
提案する設計では,従来の出力層を軽量なクラス固有のヘッド群に置き換える。
これらのヘッドは、新しく導入され、以前に学習されたクラスの独立した予測を可能にし、古いクラスに対する新しいクラスの影響を効果的に最小化する。
- 参考スコア（独自算出の注目度）: 15.983529525062938
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The ability to dynamically extend a model to new data and classes is critical
for multiple organ and tumor segmentation. However, due to privacy regulations,
accessing previous data and annotations can be problematic in the medical
domain. This poses a significant barrier to preserving the high segmentation
accuracy of the old classes when learning from new classes because of the
catastrophic forgetting problem. In this paper, we first empirically
demonstrate that simply using high-quality pseudo labels can fairly mitigate
this problem in the setting of organ segmentation. Furthermore, we put forward
an innovative architecture designed specifically for continuous organ and tumor
segmentation, which incurs minimal computational overhead. Our proposed design
involves replacing the conventional output layer with a suite of lightweight,
class-specific heads, thereby offering the flexibility to accommodate newly
emerging classes. These heads enable independent predictions for newly
introduced and previously learned classes, effectively minimizing the impact of
new classes on old ones during the course of continual learning. We further
propose incorporating Contrastive Language-Image Pretraining (CLIP) embeddings
into the organ-specific heads. These embeddings encapsulate the semantic
information of each class, informed by extensive image-text co-training. The
proposed method is evaluated on both in-house and public abdominal CT datasets
under organ and tumor segmentation tasks. Empirical results suggest that the
proposed design improves the segmentation performance of a baseline neural
network on newly-introduced and previously-learned classes along the learning
trajectory.
- Abstract（参考訳）: モデルを新しいデータやクラスに動的に拡張する能力は、複数の臓器と腫瘍のセグメンテーションに不可欠である。
しかし、プライバシ規制のため、医療領域では、以前のデータやアノテーションにアクセスすることが問題となる。
これは、破滅的な忘れの問題から新しいクラスから学ぶ際に、古いクラスの高いセグメンテーション精度を維持する上で重要な障壁となる。
本稿では,まず,高品質な擬似ラベルを用いるだけで,臓器のセグメンテーションの設定において,この問題をかなり軽減できることを示す。
さらに,連続臓器と腫瘍の分節化に特化して設計された革新的なアーキテクチャを提案し,計算オーバーヘッドを最小限に抑えた。
提案する設計では,従来の出力層を軽量なクラス固有のヘッドに置き換えることで,新たなクラスに対応する柔軟性を実現する。
これらのヘッドは、新しく導入され、以前に学習されたクラスに対する独立した予測を可能にし、継続学習の過程で新しいクラスが古いクラスに与える影響を効果的に最小化する。
さらに,臓器特異的な頭部にCLIP(Contrastive Language- Image Pretraining)を組み込むことを提案する。
これらの埋め込みは各クラスの意味情報をカプセル化し、広範な画像テキストのコトレーニングによって通知される。
本手法は,臓器および腫瘍の分節タスク下での腹腔内および腹腔内CTデータセットを用いて評価した。
実験結果から,提案手法は学習軌道に沿って新たに導入および学習したクラス上でのベースラインニューラルネットワークのセグメンテーション性能を向上させることが示唆された。
関連論文リスト
- Low-Rank Continual Pyramid Vision Transformer: Incrementally Segment Whole-Body Organs in CT with Light-Weighted Adaptation [10.746776960260297]
軽量低ランク適応 (LoRA) を用いた新しい連続体器官分割モデルを提案する。
まず、最初のタスクでピラミッドビジョントランスフォーマー(PVT)ベースセグメンテーションモデルをトレーニングし、その後、新しい学習タスク毎に凍結モデルに軽量でトレーニング可能なLoRAパラメータを継続的に追加する。
提案モデルでは, 破滅的忘れを伴わず, 低パラメータ増加率を維持しながら, 新しい臓器を連続的に分割する。
論文 参考訳（メタデータ） (2024-10-07T02:00:13Z) - Universal and Extensible Language-Vision Models for Organ Segmentation and Tumor Detection from Abdominal Computed Tomography [50.08496922659307]
本稿では、単一のモデルであるUniversal Modelが複数の公開データセットに対処し、新しいクラスに適応することを可能にするユニバーサルフレームワークを提案する。
まず,大規模言語モデルからの言語埋め込みを利用した新しい言語駆動パラメータ生成手法を提案する。
第二に、従来の出力層は軽量でクラス固有のヘッドに置き換えられ、ユニバーサルモデルでは25の臓器と6種類の腫瘍を同時に分割することができる。
論文 参考訳（メタデータ） (2024-05-28T16:55:15Z) - Tendency-driven Mutual Exclusivity for Weakly Supervised Incremental Semantic Segmentation [56.1776710527814]
Weakly Incremental Learning for Semantic (WILSS)は、トレーニング済みのセグメンテーションモデルを利用して、コスト効率と手軽に利用できるイメージレベルのラベルを使用して、新しいクラスをセグメンテーションする。
WILSSを解く最も一般的な方法は、各新しいクラスのシード領域の生成であり、ピクセルレベルの監視の一形態として機能する。
本研究は, 種子領域の挙動を綿密に調整した, 相互排他性に関する革新的, 傾向的関係について提案する。
論文 参考訳（メタデータ） (2024-04-18T08:23:24Z) - Continual Segment: Towards a Single, Unified and Accessible Continual
Segmentation Model of 143 Whole-body Organs in CT Scans [31.388497540849297]
全身143の臓器をセグメント化するための1つの深部分割モデルを学習するための新しいアーキテクチャCSS学習フレームワークを提案する。
私たちは4つのデータセットから2500人以上の患者の3DCTをトレーニングし、検証しました。
論文 参考訳（メタデータ） (2023-02-01T00:49:21Z) - Continual Learning with Bayesian Model based on a Fixed Pre-trained
Feature Extractor [55.9023096444383]
現在のディープラーニングモデルは、新しいクラスを学ぶ際に古い知識を破滅的に忘れることによって特徴づけられる。
人間の脳における新しい知識の学習プロセスに着想を得て,連続学習のためのベイズ生成モデルを提案する。
論文 参考訳（メタデータ） (2022-04-28T08:41:51Z) - Learning Incrementally to Segment Multiple Organs in a CT Image [11.082692639365982]
マルチ組織セグメンテーションモデルを漸進的に学習することを提案する。
漸進的な学習段階では、以前のデータやアノテーションへのアクセスが失われます。
我々は,CT多臓器分節化において,このような弱点はほとんど消失することが実験的に確認された。
論文 参考訳（メタデータ） (2022-03-04T02:32:04Z) - Modeling the Background for Incremental and Weakly-Supervised Semantic
Segmentation [39.025848280224785]
セマンティックセグメンテーションのための新しい漸進的なクラス学習手法を提案する。
各トレーニングステップは、すべての可能なクラスのサブセットにのみアノテーションを提供するので、バックグラウンドクラスのピクセルはセマンティックシフトを示す。
本研究では,Pascal-VOC,ADE20K,Cityscapesのデータセットを広範囲に評価し,提案手法の有効性を実証する。
論文 参考訳（メタデータ） (2022-01-31T16:33:21Z) - 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) - Incremental Learning for Multi-organ Segmentation with Partially Labeled
Datasets [8.370590211748087]
インクリメンタル学習(il)を通じて,マルチオーガンセグメンテーションモデルを学ぶ
各IL段階では、以前のアノテーションにアクセスできなくなり、その知識は現在のモデルによって推定される。
新しい臓器を含む臓器分割モデルを更新することを学びました。
論文 参考訳（メタデータ） (2021-03-08T03:15:59Z) - 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) - A Teacher-Student Framework for Semi-supervised Medical Image
Segmentation From Mixed Supervision [62.4773770041279]
そこで我々は,臓器と病変のセグメンテーションのための教師と学生のスタイルに基づくセミ教師付き学習フレームワークを開発した。
我々は,本モデルがバウンディングボックスの品質に対して堅牢であることを示し,フル教師付き学習手法と比較した性能を実現する。
論文 参考訳（メタデータ） (2020-10-23T07:58:20Z)
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。