論文の概要: Ariadne's Thread:Using Text Prompts to Improve Segmentation of Infected Areas from Chest X-ray images

• arxiv url: http://arxiv.org/abs/2307.03942v1
• Date: Sat, 8 Jul 2023 09:36:17 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-11 16:28:19.195556
• Title: Ariadne's Thread:Using Text Prompts to Improve Segmentation of Infected Areas from Chest X-ray images
• Title（参考訳）: ariadne's thread:テキストプロンプトによる胸部x線画像からの感染領域の分割の改善
• Authors: Yi Zhong, Mengqiu Xu, Kongming Liang, Kaixin Chen, and Ming Wu
• Abstract要約: 本稿では,テキストプロンプトを用いてセグメンテーション結果を改善する言語駆動セグメンテーション手法を提案する。 QaTa-COV19データセットの実験から,本手法は,少なくともユニモーダル法と比較して,Diceのスコアを6.09%向上させることが示された。
• 参考スコア（独自算出の注目度）: 10.138661710940474
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Segmentation of the infected areas of the lung is essential for quantifying the severity of lung disease like pulmonary infections. Existing medical image segmentation methods are almost uni-modal methods based on image. However, these image-only methods tend to produce inaccurate results unless trained with large amounts of annotated data. To overcome this challenge, we propose a language-driven segmentation method that uses text prompt to improve to the segmentation result. Experiments on the QaTa-COV19 dataset indicate that our method improves the Dice score by 6.09% at least compared to the uni-modal methods. Besides, our extended study reveals the flexibility of multi-modal methods in terms of the information granularity of text and demonstrates that multi-modal methods have a significant advantage over image-only methods in terms of the size of training data required.
• Abstract（参考訳）: 肺感染症のような肺疾患の重症度を測定するには,肺感染部位の分節化が不可欠である。 既存の医用画像分割法は画像に基づくほぼ一様法である。 しかし、これらの画像のみの手法は、大量の注釈データで訓練されない限り、不正確な結果を生み出す傾向がある。 この課題を克服するために,テキストプロンプトを用いてセグメント化結果を改善する言語駆動セグメンテーション手法を提案する。 QaTa-COV19データセットの実験から,本手法は,少なくともユニモーダル法と比較して,Diceのスコアを6.09%向上させることが示された。 さらに,本研究では,テキストの情報粒度の観点からのマルチモーダル手法の柔軟性を明らかにし,必要なトレーニングデータのサイズにおいて,マルチモーダル手法が画像のみの手法よりも大きなアドバンテージを持つことを示す。

関連論文リスト

• Size Aware Cross-shape Scribble Supervision for Medical Image Segmentation [8.209508547149952]
  医用画像のセグメンテーションタスクにおいて,ネットワークトレーニングの高速化のために,スクリブル・インスペクションが広く用いられている。 これは、特に医療画像の文脈において、様々なスケールターゲットを収容することの難しさに悩まされることが多い。 本稿では,これらの課題を克服する3つの新しい手法を提案する。1) クロス形状のスクリブルアノテーション法,2) クロス形状に基づく擬似マスク法,3) サイズ対応マルチブランチ法である。
  論文  参考訳（メタデータ） (2024-08-24T17:55:02Z)
• CGAM: Click-Guided Attention Module for Interactive Pathology Image Segmentation via Backpropagating Refinement [8.590026259176806]
  腫瘍領域のセグメンテーションは、デジタル病理の定量的解析に欠かせない課題である。 最近のディープニューラルネットワークは、様々な画像分割タスクで最先端のパフォーマンスを示している。 本稿では,クリック型ユーザインタラクションによるディープニューラルネットワークの出力を改良する対話的セグメンテーション手法を提案する。
  論文  参考訳（メタデータ） (2023-07-03T13:45:24Z)
• 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)
• RGMIM: Region-Guided Masked Image Modeling for Learning Meaningful Representations from X-Ray Images [49.24576562557866]
  X線画像から意味のある表現を学習するための領域誘導マスク画像モデリング(RGMIM)を提案する。 RGMIMは、トレーニングセットの5%や10%といった小さなデータボリュームのパフォーマンスを、他の方法と比較して大幅に改善した。
  論文  参考訳（メタデータ） (2022-11-01T07:41:03Z)
• 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)
• Learning to segment fetal brain tissue from noisy annotations [6.456673654519456]
  自動胎児脳組織分節は、この臨界段階における脳の発達の定量的評価を高めることができる。 深層学習法は、医用画像のセグメンテーションにおける最先端の手法であり、また脳セグメンテーションにおける印象的な成果も達成している。 しかし、このタスクを実行するためのディープラーニングモデルの効果的なトレーニングには、一過性胎児脳構造の急速な発達を表すために、多数のトレーニングイメージが必要である。
  論文  参考訳（メタデータ） (2022-03-25T21:22:24Z)
• A Multi-Stage Attentive Transfer Learning Framework for Improving COVID-19 Diagnosis [49.3704402041314]
  新型コロナの診断を改善するための多段階集中移動学習フレームワークを提案する。 提案するフレームワークは、複数のソースタスクと異なるドメインのデータから知識を学習し、正確な診断モデルを訓練する3つの段階からなる。 本稿では,肺CT画像のマルチスケール表現を学習するための自己教師付き学習手法を提案する。
  論文  参考訳（メタデータ） (2021-01-14T01:39:19Z)
• An encoder-decoder-based method for COVID-19 lung infection segmentation [3.561478746634639]
  本稿では,CTスキャン画像を用いた多タスク深層学習による肺感染症セグメンテーションを提案する。 提案手法は,データやラベル付き画像が不足していても,肺感染症を高いパフォーマンスで分離することができる。
  論文  参考訳（メタデータ） (2020-07-02T04:02:03Z)
• Synergistic Learning of Lung Lobe Segmentation and Hierarchical Multi-Instance Classification for Automated Severity Assessment of COVID-19 in CT Images [61.862364277007934]
  3次元CT画像におけるCOVID-19の重症度自動評価のための相乗的学習フレームワークを提案する。 マルチタスクのディープネットワーク(M$2$UNet)が開発され、新型コロナウイルス患者の重症度を評価する。 われわれのM$2$UNetはパッチレベルのエンコーダと肺葉分画のためのセグメンテーションサブネットワークと重度評価のための分類サブネットワークから構成されている。
  論文  参考訳（メタデータ） (2020-05-08T03:16:15Z)
• Pathological Retinal Region Segmentation From OCT Images Using Geometric Relation Based Augmentation [84.7571086566595]
  本稿では,幾何学と形状の内在的関係を共同で符号化することで,従来のGANベースの医用画像合成法よりも優れた手法を提案する。 提案手法は,取得手順の異なる画像を有する公開RETOUCHデータセット上で,最先端のセグメンテーション手法より優れている。
  論文  参考訳（メタデータ） (2020-03-31T11:50:43Z)
• Robust Multimodal Brain Tumor Segmentation via Feature Disentanglement and Gated Fusion [71.87627318863612]
  画像モダリティの欠如に頑健な新しいマルチモーダルセグメンテーションフレームワークを提案する。 我々のネットワークは、入力モードをモダリティ固有の外観コードに分解するために、特徴不整合を用いる。 我々は,BRATSチャレンジデータセットを用いて,重要なマルチモーダル脳腫瘍セグメンテーション課題に対する本手法の有効性を検証した。
  論文  参考訳（メタデータ） (2020-02-22T14:32:04Z)

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。