論文の概要: Morphology-inspired Unsupervised Gland Segmentation via Selective Semantic Grouping

• arxiv url: http://arxiv.org/abs/2307.11989v1
• Date: Sat, 22 Jul 2023 06:03:40 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-25 18:40:31.918020
• Title: Morphology-inspired Unsupervised Gland Segmentation via Selective Semantic Grouping
• Title（参考訳）: 選択的セマンティックグルーピングによる形態的インスパイアされた非教師なしグランドセグメンテーション
• Authors: Qixiang Zhang, Yi Li, Cheng Xue, Xiaomeng Li
• Abstract要約: 本研究では,非教師下腺分節の深層学習法について検討する。 Selective Semantic Grouping を用いた新しい形態素インスピレーション手法を提案する。 この方法はmIOUで10.56%を超える第2位である。
• 参考スコア（独自算出の注目度）: 12.292982828553743
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Designing deep learning algorithms for gland segmentation is crucial for automatic cancer diagnosis and prognosis, yet the expensive annotation cost hinders the development and application of this technology. In this paper, we make a first attempt to explore a deep learning method for unsupervised gland segmentation, where no manual annotations are required. Existing unsupervised semantic segmentation methods encounter a huge challenge on gland images: They either over-segment a gland into many fractions or under-segment the gland regions by confusing many of them with the background. To overcome this challenge, our key insight is to introduce an empirical cue about gland morphology as extra knowledge to guide the segmentation process. To this end, we propose a novel Morphology-inspired method via Selective Semantic Grouping. We first leverage the empirical cue to selectively mine out proposals for gland sub-regions with variant appearances. Then, a Morphology-aware Semantic Grouping module is employed to summarize the overall information about the gland by explicitly grouping the semantics of its sub-region proposals. In this way, the final segmentation network could learn comprehensive knowledge about glands and produce well-delineated, complete predictions. We conduct experiments on GlaS dataset and CRAG dataset. Our method exceeds the second-best counterpart over 10.56% at mIOU.
• Abstract（参考訳）: 腺のセグメンテーションのためのディープラーニングアルゴリズムの設計は、がんの自動診断と予後に不可欠であるが、高価なアノテーションコストは、この技術の開発と応用を妨げる。 本稿では,手作業によるアノテーションの不要な非教師なし腺分節の深層学習法を初めて検討する。 既存の教師なしのセマンティクスセグメンテーション手法は、腺画像を多くの画分に過剰にセグメンテーションするか、腺領域を背景と混同して下セグメンテーションするかという大きな課題に直面する。 この課題を克服するために、我々の重要な洞察は、分節過程を導くための余分な知識として腺の形態に関する経験的手がかりを導入することである。 そこで本稿では,Selective Semantic Grouping を用いた新しい形態学インスピレーション手法を提案する。 まず経験的キューを利用して, 異なる外観の腺亜領域の提案を選択的にマイニングする。 次に、そのサブリージョンの提案の意味を明示的にグループ化し、腺に関する全体情報を要約するために形態認識意味グループ化モジュールを用いる。 このようにして、最終的なセグメンテーションネットワークは、腺に関する包括的知識を学習し、適切に記述された完全な予測を生成することができる。 GlaSデータセットとCRAGデータセットの実験を行った。 この方法はmIOUで10.56%を超える2番目に高い。

関連論文リスト

• Image Segmentation in Foundation Model Era: A Survey [99.19456390358211]
  イメージセグメンテーションにおける現在の研究は、これらの進歩に関連する特徴、課題、解決策の詳細な分析を欠いている。 本調査は、FM駆動画像セグメンテーションを中心とした最先端の研究を徹底的にレビューすることで、このギャップを埋めようとしている。 現在の研究成果の広さを包括する,300以上のセグメンテーションアプローチの概要を概観する。
  論文  参考訳（メタデータ） (2024-08-23T10:07:59Z)
• Semi- and Weakly-Supervised Learning for Mammogram Mass Segmentation with Limited Annotations [49.33388736227072]
  本稿では,マスセグメンテーションのための半弱教師付き学習フレームワークを提案する。 良好な性能を得るために, 限られた強ラベルのサンプルと十分な弱ラベルのサンプルを用いる。 CBIS-DDSMおよびINbreastデータセットを用いた実験により,本手法の有効性が示された。
  論文  参考訳（メタデータ） (2024-03-14T12:05:25Z)
• Gland Segmentation Via Dual Encoders and Boundary-Enhanced Attention [11.346720008403075]
  病理画像の精度と自動腺分割のためのDEAモデルを提案する。 このモデルは、バックボーンエンコーディングとデコードネットワークとローカルセマンティック抽出ネットワークの2つのブランチで構成されている。 GlaS と CRAG の2つの公開データセットによる実験結果から,本手法が他の腺分節法より優れていることが確認された。
  論文  参考訳（メタデータ） (2024-01-29T09:20:08Z)
• Tailored Multi-Organ Segmentation with Model Adaptation and Ensemble [22.82094545786408]
  マルチ組織セグメンテーションは、医用画像解析の基本的な課題である。 高価な労働コストと専門知識のため、多臓器アノテーションの入手は通常制限される。 本稿では,モデル適応段とモデルアンサンブル段からなる新しい2段法を提案する。
  論文  参考訳（メタデータ） (2023-04-14T13:39:39Z)
• Multi-organ segmentation: a progressive exploration of learning paradigms under scarce annotation [16.29982573567722]
  ディープラーニングベースのアプローチは急速に進化し、マルチ組織セグメンテーションの顕著な進歩を目の当たりにした。 しかし、複数の臓器の適切な大きさの微粒化アノテートデータセットを得ることは非常に困難で高価である。
  論文  参考訳（メタデータ） (2023-02-07T07:09:19Z)
• 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)
• Online Easy Example Mining for Weakly-supervised Gland Segmentation from Histology Images [10.832913704956253]
  病理組織像からのAI支援腺分節法の開発は, 自動診断と予後に重要である。 コンピュータビジョンにおける既存の弱教師付きセマンティックセマンティックセマンティクス法は、腺セマンティクスの変性結果を達成する。 信頼性の高い監視信号に着目したオンライン簡易事例マイニング(OEEM)を提案する。
  論文  参考訳（メタデータ） (2022-06-14T07:53:03Z)
• TA-Net: Topology-Aware Network for Gland Segmentation [71.52681611057271]
  本研究では, 密集した腺と高度に変形した腺を正確に分離する新しいトポロジ・アウェア・ネットワーク(TA-Net)を提案する。 TA-Netはマルチタスク学習アーキテクチャを持ち、腺セグメンテーションの一般化を強化する。 2つのデータセットで最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2021-10-27T17:10:58Z)
• 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)
• Three Ways to Improve Semantic Segmentation with Self-Supervised Depth Estimation [90.87105131054419]
  ラベルなし画像列からの自己教師付き単眼深度推定により強化された半教師付きセマンティックセマンティックセマンティックセマンティクスのフレームワークを提案する。 提案されたモデルをCityscapesデータセット上で検証する。
  論文  参考訳（メタデータ） (2020-12-19T21:18:03Z)

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。