論文の概要: Volumetric medical image segmentation through dual self-distillation in U-shaped networks

• arxiv url: http://arxiv.org/abs/2306.03271v2
• Date: Mon, 10 Feb 2025 21:49:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-12 14:03:36.544432
• Title: Volumetric medical image segmentation through dual self-distillation in U-shaped networks
• Title（参考訳）: U字型ネットワークにおける二重自己蒸留によるボリューム医用画像分割
• Authors: Soumyanil Banerjee, Nicholas Summerfield, Ming Dong, Carri Glide-Hurst,
• Abstract要約: 医用画像分割のためのU字型ネットワークにおける二重自己蒸留(DSD)フレームワークを提案する。 DSDは、基底構造セグメンテーションラベルからデコーダ層への知識を蒸留する。 また, 心臓下層構造, 脳腫瘍, 海馬セグメンテーションの質的改善がみられた。
• 参考スコア（独自算出の注目度）: 2.8703698954661254
• License:
• Abstract: U-shaped networks and its variants have demonstrated exceptional results for medical image segmentation. In this paper, we propose a novel dual self-distillation (DSD) framework in U-shaped networks for volumetric medical image segmentation. DSD distills knowledge from the ground-truth segmentation labels to the decoder layers. Additionally, DSD also distills knowledge from the deepest decoder and encoder layer to the shallower decoder and encoder layers respectively of a single U-shaped network. DSD is a generalized training strategy that could be attached to the backbone architecture of any U-shaped network to further improve its segmentation performance. We attached DSD on several state-of-the-art U-shaped backbones, and extensive experiments on various public 3D medical image segmentation datasets (cardiac substructure, brain tumor and Hippocampus) demonstrated significant improvement over the same backbones without DSD. On average, after attaching DSD to the U-shaped backbones, we observed an increase of 2.82\%, 4.53\% and 1.3\% in Dice similarity score, a decrease of 7.15 mm, 6.48 mm and 0.76 mm in the Hausdorff distance, for cardiac substructure, brain tumor and Hippocampus segmentation, respectively. These improvements were achieved with negligible increase in the number of trainable parameters and training time. Our proposed DSD framework also led to significant qualitative improvements for cardiac substructure, brain tumor and Hippocampus segmentation over the U-shaped backbones. The source code is publicly available at https://github.com/soumbane/DualSelfDistillation.
• Abstract（参考訳）: U字型ネットワークとその変種は、医療画像セグメンテーションにおいて例外的な結果を示した。 本稿では, ボリューム・メディカル・イメージ・セグメンテーションのためのU字型ネットワークにおける新しい二重自己蒸留(DSD)フレームワークを提案する。 DSDは、基底構造セグメンテーションラベルからデコーダ層への知識を蒸留する。 さらに、DSDは、最も深いデコーダ層とエンコーダ層からの知識を、単一のU字型ネットワークの浅いデコーダ層とエンコーダ層に蒸留する。 DSDは一般的なトレーニング戦略であり、任意のU字型ネットワークのバックボーンアーキテクチャにアタッチされ、セグメンテーション性能がさらに向上する。 DSDをいくつかの最先端のU字型背骨に装着し, 各種3次元医用画像分割データセット(心内膜下層構造, 脳腫瘍, 海馬)の広範囲な実験により, DSDのない同じ背骨に対して有意な改善が認められた。 平均的に, 背骨にDSDを装着すると, Dice類似度スコアが2.82\%, 4.53\%, 1.3\%, Hausdorff距離が7.15 mm, 6.48 mm, 0.76 mm, 心臓下層構造, 脳腫瘍, 海馬分節がそれぞれ増加した。 これらの改善は、トレーニング可能なパラメータの数とトレーニング時間の増加を無視できる形で達成された。 提案したDSDフレームワークは,U字状背骨に対する心筋下層,脳腫瘍,海馬分節の質的改善にも寄与した。 ソースコードはhttps://github.com/soumbane/DualSelfDistillationで公開されている。

関連論文リスト

• TSUBF-Net: Trans-Spatial UNet-like Network with Bi-direction Fusion for Segmentation of Adenoid Hypertrophy in CT [15.491823587869087]
  アデノイド肥大は小児における閉塞型睡眠時無呼吸症候群の一般的な原因である。 3次元医用画像分割フレームワークであるTSUBF-Netを紹介する。 TSUBF-NetはHD95:7.03、IoU:85.63、DSC:92.26という最先端の手法よりも優れている。
  論文  参考訳（メタデータ） (2024-12-01T12:21:23Z)
• Subthalamic Nucleus segmentation in high-field Magnetic Resonance data. Is space normalization by template co-registration necessary? [0.21714059245968345]
  High-field Magnetic Resonance Imaging (MRI) は視床下核(STN)を低磁場画像よりも詳細に捉える能力の向上を証明している。 本稿では,2つの異なるDeep Learning(DL)自動セグメンテーションアーキテクチャの性能の比較を行う。 評価結果から, 自然空間におけるセグメンテーションの性能はSTNセグメンテーションよりも優れていた。
  論文  参考訳（メタデータ） (2024-07-22T08:57:19Z)
• Dual-scale Enhanced and Cross-generative Consistency Learning for Semi-supervised Medical Image Segmentation [49.57907601086494]
  医用画像のセグメンテーションはコンピュータ支援診断において重要な役割を担っている。 半教師型医用画像(DEC-Seg)のための新しいDual-scale Enhanced and Cross-generative consistency learning frameworkを提案する。
  論文  参考訳（メタデータ） (2023-12-26T12:56:31Z)
• TSI-Net: A Timing Sequence Image Segmentation Network for Intracranial Artery Segmentation in Digital Subtraction Angiography [14.584220472118188]
  本稿では,TSI-Net と呼ばれる U-shape を用いた時系列画像分割ネットワークを提案する。 エンコーダには双方向のConvGRUモジュール(BCM)が組み込まれており、可変長DSAシーケンスを入力できる。 近年の最先端ネットワークよりも性能が著しく向上している。
  論文  参考訳（メタデータ） (2023-09-07T04:44:38Z)
• Dual Multi-scale Mean Teacher Network for Semi-supervised Infection Segmentation in Chest CT Volume for COVID-19 [76.51091445670596]
  CT(Computed tomography)データから肺感染症を自動的に検出することは、COVID-19と戦う上で重要な役割を担っている。 現在の新型コロナウイルス感染症のセグメンテーションのほとんどは、主に3Dシーケンシャルな制約を欠いた2D CT画像に依存している。 既存の3次元CTセグメンテーション法では,3次元ボリュームにおける複数レベルの受容場サイズを達成できない単一スケールの表現に焦点が当てられている。
  論文  参考訳（メタデータ） (2022-11-10T13:11:21Z)
• Attentive Symmetric Autoencoder for Brain MRI Segmentation [56.02577247523737]
  視覚変換器(ViT)をベースとした3次元脳MRIセグメンテーションタスクのための新しいアテンテーティブシンメトリオートエンコーダを提案する。 事前学習の段階では、提案するオートエンコーダがより注意を払って、勾配測定値に従って情報パッチを再構築する。 実験の結果,提案手法は最先端の自己教師付き学習法や医用画像分割モデルよりも優れていた。
  論文  参考訳（メタデータ） (2022-09-19T09:43:19Z)
• GLEAM: Greedy Learning for Large-Scale Accelerated MRI Reconstruction [50.248694764703714]
  アンロールされたニューラルネットワークは、最近最先端の加速MRI再構成を達成した。 これらのネットワークは、物理ベースの一貫性とニューラルネットワークベースの正規化を交互に組み合わせることで、反復最適化アルゴリズムをアンロールする。 我々は,高次元画像設定のための効率的なトレーニング戦略である加速度MRI再構成のためのグレディ・ラーニングを提案する。
  論文  参考訳（メタデータ） (2022-07-18T06:01:29Z)
• Semi-Supervised Hybrid Spine Network for Segmentation of Spine MR Images [14.190504802866288]
  半教師付き複合脊椎ネットワーク (SSHSNet) という2段階のアルゴリズムを提案し, 同時椎体 (VBs) と椎間板 (IVDs) のセグメンテーションを実現する。 まず,2次元半監督型DeepLabv3+をクロス擬似監督を用いて構築し,スライス内特徴と粗いセグメンテーションを得た。 2段目では、3Dフル解像度のパッチベースのDeepLabv3+がスライス間情報を抽出するために構築された。 その結果,提案手法はデータ不均衡問題に対処する上で大きな可能性を秘めていることがわかった。
  論文  参考訳（メタデータ） (2022-03-23T02:57:14Z)
• Hierarchical 3D Feature Learning for Pancreas Segmentation [11.588903060674344]
  MRIとCTの両方から膵分画を自動化する3D完全畳み込み型深層ネットワークを提案する。 本モデルでは,Diceスコアが約88%と,既存のCT膵セグメンテーション法よりも優れていた。 さらなる制御実験により、達成された性能は、我々の3次元完全畳み込み深層ネットワークと階層的表現復号化の組み合わせによるものであることが示された。
  論文  参考訳（メタデータ） (2021-09-03T09:27:07Z)
• Cross-Modality Brain Tumor Segmentation via Bidirectional Global-to-Local Unsupervised Domain Adaptation [61.01704175938995]
  本論文では,UDAスキームに基づくBiGL(Bidirectional Global-to-Local)適応フレームワークを提案する。 具体的には、脳腫瘍をセグメント化するために、双方向画像合成およびセグメンテーションモジュールを提案する。 提案手法は, 最先端の非教師なし領域適応法を大きなマージンで上回っている。
  論文  参考訳（メタデータ） (2021-05-17T10:11:45Z)
• Rethinking the Extraction and Interaction of Multi-Scale Features for Vessel Segmentation [53.187152856583396]
  網膜血管と主要動脈を2次元基底画像と3次元CTアンギオグラフィー(CTA)スキャンで分割する,PC-Netと呼ばれる新しいディープラーニングモデルを提案する。 PC-Netでは、ピラミッド圧縮励起(PSE)モジュールが各畳み込みブロックに空間情報を導入し、より効果的なマルチスケール特徴を抽出する能力を高めている。
  論文  参考訳（メタデータ） (2020-10-09T08:22:54Z)

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。