論文の概要: Self-Supervised and Semi-Supervised Polyp Segmentation using Synthetic Data

• arxiv url: http://arxiv.org/abs/2307.12033v1
• Date: Sat, 22 Jul 2023 09:57:58 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-25 18:19:06.986712
• Title: Self-Supervised and Semi-Supervised Polyp Segmentation using Synthetic Data
• Title（参考訳）: 合成データを用いた自己監督・半監督ポリプセグメンテーション
• Authors: Enric Moreu, Eric Arazo, Kevin McGuinness, Noel E. O'Connor
• Abstract要約: 大腸ポリープの早期検出は、その治療および大腸癌予防において最も重要である。 コンピュータビジョン技術は、患者の大腸全体を調べるために手動で大腸手術を行う、診断段階の専門家を助ける可能性がある。 医用画像の最大の課題はデータの欠如であり、ポリプセグメンテーションアプローチに特有な課題は、手動でデータをラベル付けすることの難しさである。 本稿では, 実データと合成データを統合し, データセットのサイズを人工的に増加させ, ラベルなしサンプルが利用可能になった場合のトレーニングを支援する, ポリプセグメンテーションのエンドツーエンドモデルを提案する。
• 参考スコア（独自算出の注目度）: 16.356954231068077
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Early detection of colorectal polyps is of utmost importance for their treatment and for colorectal cancer prevention. Computer vision techniques have the potential to aid professionals in the diagnosis stage, where colonoscopies are manually carried out to examine the entirety of the patient's colon. The main challenge in medical imaging is the lack of data, and a further challenge specific to polyp segmentation approaches is the difficulty of manually labeling the available data: the annotation process for segmentation tasks is very time-consuming. While most recent approaches address the data availability challenge with sophisticated techniques to better exploit the available labeled data, few of them explore the self-supervised or semi-supervised paradigm, where the amount of labeling required is greatly reduced. To address both challenges, we leverage synthetic data and propose an end-to-end model for polyp segmentation that integrates real and synthetic data to artificially increase the size of the datasets and aid the training when unlabeled samples are available. Concretely, our model, Pl-CUT-Seg, transforms synthetic images with an image-to-image translation module and combines the resulting images with real images to train a segmentation model, where we use model predictions as pseudo-labels to better leverage unlabeled samples. Additionally, we propose PL-CUT-Seg+, an improved version of the model that incorporates targeted regularization to address the domain gap between real and synthetic images. The models are evaluated on standard benchmarks for polyp segmentation and reach state-of-the-art results in the self- and semi-supervised setups.
• Abstract（参考訳）: 大腸ポリープの早期検出は、その治療および大腸癌予防において最も重要である。 コンピュータビジョン技術は、患者の大腸全体を調べるために手動で大腸手術を行う、診断段階の専門家を助ける可能性がある。 医用画像の最大の課題はデータの欠如であり、ポリプセグメンテーションアプローチに特有のさらなる課題は、利用可能なデータを手動でラベル付けすることの難しさである:セグメンテーションタスクのアノテーションプロセスは非常に時間がかかる。 最近のアプローチは、利用可能なラベル付きデータをうまく活用するための洗練された技術でデータ可用性の課題に対処しているが、ラベル付けの量が大幅に削減される自己教師付きまたは半教師付きパラダイムを探求する者は少ない。 両課題に対処するために,我々は合成データを活用し,実データと合成データを統合し,データセットのサイズを人工的に増加させ,ラベルのないサンプルが利用可能になった場合のトレーニングを支援する,ポリプセグメンテーションのエンドツーエンドモデルを提案する。 具体的には、pl-cut-segというモデルが合成画像を画像から画像への変換モジュールに変換し、得られた画像と実際の画像を組み合わせることで、セグメンテーションモデルをトレーニングします。 さらに,本モデルの改良版であるPL-CUT-Seg+を提案する。 モデルは、ポリプセグメンテーションの標準ベンチマークで評価され、自己および半教師付きセットアップにおける最先端結果に到達する。

関連論文リスト

• EMIT-Diff: Enhancing Medical Image Segmentation via Text-Guided Diffusion Model [4.057796755073023]
  EMIT-Diffと呼ばれる医用画像合成のための制御可能な拡散モデルを開発した。 近年の拡散確率モデルを利用して、現実的で多様な合成医用画像データを生成する。 提案手法では, 合成試料が医療上の制約に適合することを確実にする。
  論文  参考訳（メタデータ） (2023-10-19T16:18:02Z)
• ArSDM: Colonoscopy Images Synthesis with Adaptive Refinement Semantic Diffusion Models [69.9178140563928]
  大腸内視鏡検査は臨床診断や治療に不可欠である。 注釈付きデータの不足は、既存の手法の有効性と一般化を制限する。 本稿では, 下流作業に有用な大腸内視鏡画像を生成するために, 適応Refinement Semantic Diffusion Model (ArSDM)を提案する。
  論文  参考訳（メタデータ） (2023-09-03T07:55:46Z)
• Mask-conditioned latent diffusion for generating gastrointestinal polyp images [2.027538200191349]
  本研究では,与えられたセグメンテーションマスクに条件付き合成GIポリプ画像を生成する条件付きDPMフレームワークを提案する。 本システムでは,ポリプの接地真実マスクを用いて,無限個の高忠実度合成ポリプ画像を生成することができる。 以上の結果から,実データと合成データの両方からなるトレーニングデータから,DeepLabv3+から0.7751の最適マイクロイモージョンIOUが得られた。
  論文  参考訳（メタデータ） (2023-04-11T14:11:17Z)
• Towards Automated Polyp Segmentation Using Weakly- and Semi-Supervised Learning and Deformable Transformers [8.01814397869811]
  ポリープセグメンテーションは大腸癌のコンピュータ診断への重要なステップである。 ポリプセグメンテーションの手法の多くは、ピクセル単位のアノテートデータセットを必要とする。 本稿では,弱い注釈付き画像のみを用いて,ラベルなし画像の活用によりトレーニング可能な新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-11-21T20:44:12Z)
• Analysing the effectiveness of a generative model for semi-supervised medical image segmentation [23.898954721893855]
  自動セグメンテーションにおける最先端技術は、U-Netのような差別モデルを用いて、教師付き学習のままである。 半教師付き学習(SSL)は、より堅牢で信頼性の高いモデルを得るために、重複のないデータの豊富さを活用する。 セマンティックGANのような深層生成モデルは、医療画像分割問題に取り組むための真に実行可能な代替手段である。
  論文  参考訳（メタデータ） (2022-11-03T15:19:59Z)
• CS$^2$: A Controllable and Simultaneous Synthesizer of Images and Annotations with Minimal Human Intervention [3.465671939864428]
  実写画像と対応するアノテーションを同時に生成する新しい制御可能同時合成器(CS$2$)を提案する。 提案するコントリビューションには,1)参照CT画像からスタイル情報と教師なしセグメンテーションマスクから構造情報の両方を受信する条件付き画像合成ネットワーク,2)これらの合成画像を自動的にセグメンテーションする対応するセグメンテーションマスクネットワークがある。
  論文  参考訳（メタデータ） (2022-06-20T15:09:10Z)
• 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)
• Towards Robust Partially Supervised Multi-Structure Medical Image Segmentation on Small-Scale Data [123.03252888189546]
  データ不足下における部分教師付き学習(PSL)における方法論的ギャップを埋めるために,不確実性下でのビシナルラベル(VLUU)を提案する。 マルチタスク学習とヴィジナルリスク最小化によって動機づけられたVLUUは、ビジナルラベルを生成することによって、部分的に教師付き問題を完全な教師付き問題に変換する。 本研究は,ラベル効率の高い深層学習における新たな研究の方向性を示唆するものである。
  論文  参考訳（メタデータ） (2020-11-28T16:31:00Z)
• Transferring and Regularizing Prediction for Semantic Segmentation [115.88957139226966]
  本稿では,セマンティックセグメンテーションの本質的特性を利用して,モデル伝達におけるそのような問題を緩和する。 本稿では,モデル転送を教師なし方式で正規化するための制約として固有特性を課す予測伝達の正規化器(RPT)を提案する。 GTA5とSynTHIA(synthetic data)で訓練されたモデルの都市景観データセット(アーバンストリートシーン)への転送に関するRTPの提案を検証するため、大規模な実験を行った。
  論文  参考訳（メタデータ） (2020-06-11T16:19:41Z)
• Semi-supervised Medical Image Classification with Relation-driven Self-ensembling Model [71.80319052891817]
  医用画像分類のための関係駆動型半教師付きフレームワークを提案する。 これは、摂動下で与えられた入力の予測一貫性を促進することでラベルのないデータを利用する。 本手法は,シングルラベルおよびマルチラベル画像分類のシナリオにおいて,最先端の半教師付き学習手法よりも優れる。
  論文  参考訳（メタデータ） (2020-05-15T06:57:54Z)
• 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)

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。