論文の概要: Unsupervised augmentation optimization for few-shot medical image segmentation

• arxiv url: http://arxiv.org/abs/2306.05107v1
• Date: Thu, 8 Jun 2023 11:15:04 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-09 14:45:02.636156
• Title: Unsupervised augmentation optimization for few-shot medical image segmentation
• Title（参考訳）: マイカルイメージセグメンテーションのための教師なし強調最適化
• Authors: Quan Quan, Shang Zhao, Qingsong Yao, Heqin Zhu, S. Kevin Zhou
• Abstract要約: 人間のアノテーションを使わずに最適なパラメータを決定するためのフレームワークを提案する。 大規模な実験は、数発のセグメンテーションモデルを強化する際に最適化された拡張の優位性を示す。 左腎のSSL-ALPは、Abd-CTデータセットで3.39%向上しました。
• 参考スコア（独自算出の注目度）: 15.651920380963073
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The augmentation parameters matter to few-shot semantic segmentation since they directly affect the training outcome by feeding the networks with varying perturbated samples. However, searching optimal augmentation parameters for few-shot segmentation models without annotations is a challenge that current methods fail to address. In this paper, we first propose a framework to determine the ``optimal'' parameters without human annotations by solving a distribution-matching problem between the intra-instance and intra-class similarity distribution, with the intra-instance similarity describing the similarity between the original sample of a particular anatomy and its augmented ones and the intra-class similarity representing the similarity between the selected sample and the others in the same class. Extensive experiments demonstrate the superiority of our optimized augmentation in boosting few-shot segmentation models. We greatly improve the top competing method by 1.27\% and 1.11\% on Abd-MRI and Abd-CT datasets, respectively, and even achieve a significant improvement for SSL-ALP on the left kidney by 3.39\% on the Abd-CT dataset.
• Abstract（参考訳）: 拡張パラメータは,摂動サンプルの異なるネットワークに供給することで,トレーニング結果に直接影響を及ぼすため,少数ショットの意味セグメンテーションに重要な意味を持つ。 しかし、アノテーションのない数ショットセグメンテーションモデルに対して最適な拡張パラメータを探索することは、現在のメソッドが対処できない課題である。 本稿では,まず,特定の解剖学の原標本とその拡張標本との類似性を記述したintra-instance similarityと,選択した標本と他との類似性を表わしたintra-instance similarityとを同一クラス内の他の標本との類似性を表すintra-class similarityを用いて,人間のアノテーションを使わずに,'optimal'パラメータを決定する枠組みを提案する。 大規模な実験は、数発のセグメンテーションモデルを強化する際に最適化された拡張の優位性を示す。 我々はそれぞれAbd-MRIとAbd-CTのデータセットで1.27\%と1.11\%の競合法を大幅に改善し、Abd-CTのデータセットで3.39\%のSSL-ALPを有意に改善した。

関連論文リスト

• CT-based brain ventricle segmentation via diffusion Schrödinger Bridge without target domain ground truths [0.9720086191214947]
  クリニカルCTスキャンによる高効率かつ正確な脳室分画は、腹腔鏡下手術のような緊急手術には不可欠である。 我々は,CTセグメント化の真偽を必要とせず,新しい不確実性に留意した心室分画法を導入する。 提案手法では拡散型Schr"odinger Bridgeと残像U-Netを併用し,画像診断とMRI検査を併用した。
  論文  参考訳（メタデータ） (2024-05-28T15:17:58Z)
• Hybrid Representation-Enhanced Sampling for Bayesian Active Learning in Musculoskeletal Segmentation of Lower Extremities [0.9287179270753105]
  本研究では,密度と多様性の両基準を統合したハイブリッドな表現強化サンプリング戦略を提案する。 MRIとCT画像の2つの下肢(LE)データセットで実験を行った。
  論文  参考訳（メタデータ） (2023-07-26T06:52:29Z)
• Towards Better Certified Segmentation via Diffusion Models [62.21617614504225]
  セグメンテーションモデルは敵の摂動に弱いため、医療や自動運転といった重要な意思決定システムでの使用を妨げます。 近年,理論的保証を得るためにガウス雑音を入力に加えることにより,セグメント化予測のランダム化が提案されている。 本稿では,ランダムな平滑化と拡散モデルを組み合わせたセグメンテーション予測の問題に対処する。
  論文  参考訳（メタデータ） (2023-06-16T16:30:39Z)
• Ambiguous Medical Image Segmentation using Diffusion Models [60.378180265885945]
  我々は,グループ洞察の分布を学習することで,複数の可算出力を生成する単一拡散モデルに基づくアプローチを提案する。 提案モデルでは,拡散の固有のサンプリングプロセスを利用してセグメンテーションマスクの分布を生成する。 その結果,提案手法は既存の最先端曖昧なセグメンテーションネットワークよりも優れていることがわかった。
  論文  参考訳（メタデータ） (2023-04-10T17:58:22Z)
• Rethinking Semi-Supervised Medical Image Segmentation: A Variance-Reduction Perspective [51.70661197256033]
  医用画像セグメンテーションのための階層化グループ理論を用いた半教師付きコントラスト学習フレームワークARCOを提案する。 まず、分散還元推定の概念を用いてARCOを構築することを提案し、特定の分散還元技術が画素/ボクセルレベルのセグメンテーションタスクにおいて特に有用であることを示す。 5つの2D/3D医療データセットと3つのセマンティックセグメンテーションデータセットのラベル設定が異なる8つのベンチマークで、我々のアプローチを実験的に検証する。
  論文  参考訳（メタデータ） (2023-02-03T13:50:25Z)
• Reliable Joint Segmentation of Retinal Edema Lesions in OCT Images [55.83984261827332]
  本稿では,信頼性の高いマルチスケールウェーブレットエンハンストランスネットワークを提案する。 本研究では,ウェーブレット型特徴抽出器ネットワークとマルチスケール変圧器モジュールを統合したセグメンテーションバックボーンを開発した。 提案手法は,他の最先端セグメンテーション手法と比較して信頼性の高いセグメンテーション精度を実現する。
  論文  参考訳（メタデータ） (2022-12-01T07:32:56Z)
• Intra-class Adaptive Augmentation with Neighbor Correction for Deep Metric Learning [99.14132861655223]
  深層学習のためのクラス内適応拡張(IAA)フレームワークを提案する。 クラスごとのクラス内変動を合理的に推定し, 適応型合成試料を生成し, 硬質試料の採掘を支援する。 本手法は,検索性能の最先端手法を3%～6%向上させる。
  論文  参考訳（メタデータ） (2022-11-29T14:52:38Z)
• Prompt Tuning for Parameter-efficient Medical Image Segmentation [79.09285179181225]
  2つの医用画像データセットのセマンティックセグメンテーションにパラメータ効率が良いが効果的な適応を実現するために,いくつかのコントリビューションを提案し,検討する。 我々はこのアーキテクチャを、オンライン生成プロトタイプへの割り当てに基づく専用密集型セルフスーパービジョンスキームで事前訓練する。 得られたニューラルネットワークモデルにより、完全に微調整されたモデルとパラメータに適応したモデルとのギャップを緩和できることを実証する。
  論文  参考訳（メタデータ） (2022-11-16T21:55:05Z)
• A Unified Framework for Generalized Low-Shot Medical Image Segmentation with Scarce Data [24.12765716392381]
  距離距離距離距離学習(DML)に基づく医用画像分割の一般化のための統一的枠組みを提案する。 DMLでは,各カテゴリの多モード混合表現を学習し,画素の深層埋め込みとカテゴリ表現との間の余弦距離に基づいて密接な予測を行う。 脳MRIおよび腹部CTデータセットの実験において,提案手法は標準DNN(3D U-Net)法と古典的登録(ANT)法に対して,低ショットセグメンテーションにおいて優れた性能を示す。
  論文  参考訳（メタデータ） (2021-10-18T13:01:06Z)
• Learning Multi-Modal Volumetric Prostate Registration with Weak Inter-Subject Spatial Correspondence [2.6894568533991543]
  MRシークエンスにおける前立腺の位置に関する事前情報のための補助入力をニューラルネットワークに導入する。 MR-TRUS前立腺データのラベルが弱いことから,最先端のディープラーニング手法に匹敵する登録品質を示した。
  論文  参考訳（メタデータ） (2021-02-09T16:48:59Z)

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。