論文の概要: One-shot Joint Extraction, Registration and Segmentation of Neuroimaging Data

• arxiv url: http://arxiv.org/abs/2307.15198v1
• Date: Thu, 27 Jul 2023 21:14:40 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-31 14:24:31.152168
• Title: One-shot Joint Extraction, Registration and Segmentation of Neuroimaging Data
• Title（参考訳）: ニューロイメージングデータのワンショット関節抽出・登録・分割
• Authors: Yao Su and Zhentian Qian and Lei Ma and Lifang He and Xiangnan Kong
• Abstract要約: 抽出,登録,セグメント化タスクを協調的に最適化するために,JERSと呼ばれる統一的なエンドツーエンドフレームワークを提案する。 提案手法は,抽出,登録,セグメンテーションタスクにおいて例外的に機能する。
• 参考スコア（独自算出の注目度）: 20.2926956400118
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Brain extraction, registration and segmentation are indispensable preprocessing steps in neuroimaging studies. The aim is to extract the brain from raw imaging scans (i.e., extraction step), align it with a target brain image (i.e., registration step) and label the anatomical brain regions (i.e., segmentation step). Conventional studies typically focus on developing separate methods for the extraction, registration and segmentation tasks in a supervised setting. The performance of these methods is largely contingent on the quantity of training samples and the extent of visual inspections carried out by experts for error correction. Nevertheless, collecting voxel-level labels and performing manual quality control on high-dimensional neuroimages (e.g., 3D MRI) are expensive and time-consuming in many medical studies. In this paper, we study the problem of one-shot joint extraction, registration and segmentation in neuroimaging data, which exploits only one labeled template image (a.k.a. atlas) and a few unlabeled raw images for training. We propose a unified end-to-end framework, called JERS, to jointly optimize the extraction, registration and segmentation tasks, allowing feedback among them. Specifically, we use a group of extraction, registration and segmentation modules to learn the extraction mask, transformation and segmentation mask, where modules are interconnected and mutually reinforced by self-supervision. Empirical results on real-world datasets demonstrate that our proposed method performs exceptionally in the extraction, registration and segmentation tasks. Our code and data can be found at https://github.com/Anonymous4545/JERS
• Abstract（参考訳）: 脳の抽出、登録、セグメンテーションは、神経画像研究において必須の事前処理ステップである。 目的は、原画像スキャン(すなわち、抽出ステップ)から脳を抽出し、対象の脳画像(すなわち、登録ステップ)と整列させ、解剖学的脳領域(すなわち、セグメンテーションステップ)をラベル付けすることである。 従来の研究は、典型的には、教師付き環境での抽出、登録、分割タスクのための別々の方法の開発に重点を置いている。 これらの手法の性能は、トレーニングサンプルの量と、専門家による誤り訂正のための視覚検査の程度に大きく左右される。 しかしながら、多くの医学研究において、ボクセルレベルのラベルを収集し、高次元神経画像(例えば3D MRI)の手動品質制御を行うのは高価で時間を要する。 本稿では,1つのラベル付きテンプレート画像(a.a.atlas)と数個のラベル付き生画像のみを活用するニューロイメージングデータにおけるワンショット関節抽出,登録,セグメンテーションの問題について検討する。 我々はJERSと呼ばれる統合されたエンドツーエンドフレームワークを提案し、抽出、登録、セグメント化タスクを共同で最適化し、それら間のフィードバックを可能にする。 具体的には,抽出マスク,変換マスク,分割マスクを学習するために,抽出,登録,分割モジュールのグループを用いる。 実世界のデータセットにおける実験結果は,提案手法が抽出,登録,セグメンテーションタスクにおいて極めて有効であることを示している。 我々のコードとデータはhttps://github.com/Anonymous4545/JERSで確認できる。

関連論文リスト

• Distillation Learning Guided by Image Reconstruction for One-Shot Medical Image Segmentation [12.33442990188044]
  1ショットの医用画像分割法(MIS)は、しばしば登録エラーや低品質の合成画像に悩まされる。 知識蒸留に基づく新しいワンショットMISフレームワークを提案する。 これは、画像再構成によって導かれる蒸留プロセスを通じて、ネットワークが実際の画像を直接「見る」ことを可能にする。
  論文  参考訳（メタデータ） (2024-08-07T08:17:34Z)
• Self-Supervised Neuron Segmentation with Multi-Agent Reinforcement Learning [53.00683059396803]
  マスク画像モデル(MIM)は,マスク画像から元の情報を復元する簡便さと有効性から広く利用されている。 本稿では、強化学習(RL)を利用して最適な画像マスキング比とマスキング戦略を自動検索する決定に基づくMIMを提案する。 本手法は,ニューロン分節の課題において,代替自己監督法に対して有意な優位性を有する。
  論文  参考訳（メタデータ） (2023-10-06T10:40:46Z)
• Unsupervised Segmentation of Fetal Brain MRI using Deep Learning Cascaded Registration [2.494736313545503]
  従来の深層学習に基づく自動セグメンテーションは、グランドトラストラベルによる広範なトレーニングデータを必要とする。 ラベル付きデータに頼らずに複数の組織を正確にセグメンテーションするマルチアトラスセグメンテーションに基づく新しい手法を提案する。 提案手法では,3次元画像登録のためのカスケード深層学習ネットワークを用いて,移動画像への小さなインクリメンタルな変形を計算し,それを固定画像と正確に整合させる。
  論文  参考訳（メタデータ） (2023-07-07T13:17:12Z)
• Collaborative Feature Learning for Fine-grained Facial Forgery Detection and Segmentation [56.73855202368894]
  偽造検出に関する以前の研究は、主に顔全体に焦点を当てていた。 近年の偽造法では、重要な顔成分を編集し、他の成分をそのまま維持する手法が開発されている。 ファリシファイドコンポーネントの操作とセグメンテーションを同時に検出するための協調的特徴学習手法を提案する。
  論文  参考訳（メタデータ） (2023-04-17T08:49:11Z)
• 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)
• ERNet: Unsupervised Collective Extraction and Registration in Neuroimaging Data [19.691653910323566]
  我々はERNetと呼ばれる統合されたエンドツーエンドフレームワークを提案し、抽出タスクと登録タスクを協調的に最適化する。 実験の結果,提案手法はニューロイメージングデータにおける抽出・登録タスクの性能を効果的に向上させることができることがわかった。
  論文  参考訳（メタデータ） (2022-12-06T20:12:54Z)
• 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)
• 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)
• 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)
• JSSR: A Joint Synthesis, Segmentation, and Registration System for 3D Multi-Modal Image Alignment of Large-scale Pathological CT Scans [27.180136688977512]
  本稿では,エンドツーエンドの3D畳み込みニューラルネットワークに基づく新しいマルチタスク学習システムJSSRを提案する。 システムは、教師なしの方法で異なるタスク間の暗黙の制約を満たすように最適化されている。 従来型のマルチモーダル登録法よりも一貫して優れています。
  論文  参考訳（メタデータ） (2020-05-25T16:30:02Z)
• 3D medical image segmentation with labeled and unlabeled data using autoencoders at the example of liver segmentation in CT images [58.720142291102135]
  本研究では、畳み込みニューラルネットワークによるセグメンテーションを改善するために、オートエンコーダ抽出機能の可能性を検討する。 コンボリューション・オートエンコーダを用いてラベルのないデータから特徴を抽出し,CT画像における3次元肝セグメンテーションの目標タスクを実行するために,マルチスケールの完全畳み込みCNNを用いた。
  論文  参考訳（メタデータ） (2020-03-17T20:20:43Z)

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。