論文の概要: DenseMP: Unsupervised Dense Pre-training for Few-shot Medical Image Segmentation

• arxiv url: http://arxiv.org/abs/2307.09604v1
• Date: Thu, 13 Jul 2023 15:18:15 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-23 11:57:33.561522
• Title: DenseMP: Unsupervised Dense Pre-training for Few-shot Medical Image Segmentation
• Title（参考訳）: DenseMP:少人数の医用画像セグメンテーションのための教師なしDense事前トレーニング
• Authors: Zhaoxin Fan, Puquan Pan, Zeren Zhang, Ce Chen, Tianyang Wang, Siyang Zheng, Min Xu
• Abstract要約: 医用画像のセマンティックセグメンテーションは、医用画像解析の領域において最も重要である。 本稿では,教師なし高密度プレトレーニングを生かした,教師なしFew-shot Medical Image Model Training Pipeline(DenseMP)について紹介する。 提案するパイプラインは,広く認識されている小ショットセグメンテーションモデルPA-Netの性能を大幅に向上させる。
• 参考スコア（独自算出の注目度）: 6.51140268845611
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Few-shot medical image semantic segmentation is of paramount importance in the domain of medical image analysis. However, existing methodologies grapple with the challenge of data scarcity during the training phase, leading to over-fitting. To mitigate this issue, we introduce a novel Unsupervised Dense Few-shot Medical Image Segmentation Model Training Pipeline (DenseMP) that capitalizes on unsupervised dense pre-training. DenseMP is composed of two distinct stages: (1) segmentation-aware dense contrastive pre-training, and (2) few-shot-aware superpixel guided dense pre-training. These stages collaboratively yield a pre-trained initial model specifically designed for few-shot medical image segmentation, which can subsequently be fine-tuned on the target dataset. Our proposed pipeline significantly enhances the performance of the widely recognized few-shot segmentation model, PA-Net, achieving state-of-the-art results on the Abd-CT and Abd-MRI datasets. Code will be released after acceptance.
• Abstract（参考訳）: 医療画像解析の分野では, 医療画像セマンティクスセグメンテーションが重要視されている。 しかし、既存の手法はトレーニング段階でデータの不足という課題に対処し、過剰フィッティングに繋がる。 この問題を軽減するために,教師なし高密度プレトレーニングを生かした,教師なし高密度画像分割モデルトレーニングパイプライン(DenseMP)を紹介する。 densempは,(1)セグメンテーション・アウェア・コントラスト・プレトレーニング,(2)マイナショット・アウェア・スーパーピクセル誘導型プレトレーニングの2つの異なるステージから構成される。 これらのステージは、数ショットの医療画像セグメンテーション用に特別に設計されたトレーニング済みの初期モデルを生成する。 提案するパイプラインは,Abd-CTおよびAbd-MRIデータセット上での最先端結果を達成し,広く認識されている小ショットセグメンテーションモデルPA-Netの性能を著しく向上させる。 コードは受理後にリリースされます。

関連論文リスト

• Disruptive Autoencoders: Leveraging Low-level features for 3D Medical Image Pre-training [51.16994853817024]
  本研究は、3Dラジオグラフィ画像のための効果的な事前学習フレームワークの設計に焦点をあてる。 ローカルマスキングと低レベルの摂動の組み合わせによって生成された破壊から、オリジナルのイメージを再構築しようとする事前トレーニングフレームワークであるDisruptive Autoencodersを紹介する。 提案する事前トレーニングフレームワークは、複数のダウンストリームタスクでテストされ、最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2023-07-31T17:59:42Z)
• Pre-Training with Diffusion models for Dental Radiography segmentation [0.0]
  セマンティックセグメンテーションのための簡単な事前学習法を提案する。 本手法はラベル効率の点で優れた性能を発揮する。 歯科用ラジオグラフィのセグメンテーションに関する実験結果から,提案手法は最先端の事前訓練法と競合することが示された。
  論文  参考訳（メタデータ） (2023-07-26T09:33:24Z)
• LVM-Med: Learning Large-Scale Self-Supervised Vision Models for Medical Imaging via Second-order Graph Matching [59.01894976615714]
  LVM-Medは、大規模医療データセットに基づいてトレーニングされた、最初のディープネットワークファミリーである。 55の公開データセットから約13万の医療画像を収集しました。 LVM-Medは、多くの最先端の教師付き、自己監督型、基礎モデルよりも経験的に優れている。
  論文  参考訳（メタデータ） (2023-06-20T22:21:34Z)
• SDC-UDA: Volumetric Unsupervised Domain Adaptation Framework for Slice-Direction Continuous Cross-Modality Medical Image Segmentation [8.33996223844639]
  SDC-UDAは,スライス指向連続型医療画像セグメンテーションのためのフレームワークである。 これは、スライス内およびスライス間自己強調画像翻訳、不確実性に制約された擬似ラベルの精細化、容積的自己訓練を組み合わせたものである。 我々は,SDC-UDAを複数の一般公開医療画像セグメンテーションデータセットで検証し,最先端セグメンテーション性能を実現する。
  論文  参考訳（メタデータ） (2023-05-18T14:44:27Z)
• 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)
• 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)
• Data-Limited Tissue Segmentation using Inpainting-Based Self-Supervised Learning [3.7931881761831328]
  プレテキストタスクを含む自己教師付き学習(SSL)メソッドは、ラベルなしデータを使用したモデルの最初の事前トレーニングによって、この要件を克服する可能性を示している。 ラベル限定シナリオにおけるCTとMRI画像のセグメンテーションにおける2つのSSL手法の有効性を評価する。 最適に訓練され,実装が容易なSSLセグメンテーションモデルは,ラベル制限シナリオにおけるMRIおよびCT組織セグメンテーションの古典的な手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-10-14T16:34:05Z)
• Mixed-UNet: Refined Class Activation Mapping for Weakly-Supervised Semantic Segmentation with Multi-scale Inference [28.409679398886304]
  我々は、デコードフェーズに2つの並列分岐を持つMixed-UNetという新しいモデルを開発する。 地域病院や公開データセットから収集したデータセットに対して,いくつかの一般的なディープラーニングに基づくセグメンテーションアプローチに対して,設計したMixed-UNetを評価した。
  論文  参考訳（メタデータ） (2022-05-06T08:37:02Z)
• PoissonSeg: Semi-Supervised Few-Shot Medical Image Segmentation via Poisson Learning [0.505645669728935]
  Few-shot Semantic(FSS)は、ディープラーニングにおけるデッドロックを壊すための有望な戦略である。 FSSモデルは、オーバーフィッティングを避けるために十分なピクセルレベルのアノテートクラスを必要とする。 医用画像セグメンテーションのための新しい半教師付きFSSフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-08-26T10:24:04Z)
• Modality Completion via Gaussian Process Prior Variational Autoencoders for Multi-Modal Glioma Segmentation [75.58395328700821]
  本稿では,患者スキャンに欠落するサブモダリティを1つ以上のインプットするために,MGP-VAE(Multi-modal Gaussian Process Prior Variational Autoencoder)を提案する。 MGP-VAEは、変分オートエンコーダ(VAE)に先立ってガウス過程(GP)を利用して、被験者/患者およびサブモダリティ相関を利用することができる。 4つのサブモダリティのうち2つ、または3つが欠落している脳腫瘍に対するMGP-VAEの適用性を示す。
  論文  参考訳（メタデータ） (2021-07-07T19:06:34Z)
• 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)

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。