論文の概要: ScribbleVC: Scribble-supervised Medical Image Segmentation with Vision-Class Embedding

• arxiv url: http://arxiv.org/abs/2307.16226v1
• Date: Sun, 30 Jul 2023 13:38:52 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-01 16:59:22.988666
• Title: ScribbleVC: Scribble-supervised Medical Image Segmentation with Vision-Class Embedding
• Title（参考訳）: scribblevc:視覚クラス埋め込みを用いたscribbleによる医用画像セグメンテーション
• Authors: Zihan Li, Yuan Zheng, Xiangde Luo, Dandan Shan, Qingqi Hong
• Abstract要約: ScribbleVCは、スクリブル管理された医療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である。 提案手法は,スクリブルベースアプローチとセグメンテーションネットワークとクラス埋め込みモジュールを組み合わせることで,正確なセグメンテーションマスクを生成する。 ScribbleVCを3つのベンチマークデータセットで評価し、最先端の手法と比較する。
• 参考スコア（独自算出の注目度）: 5.425414924685109
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Medical image segmentation plays a critical role in clinical decision-making, treatment planning, and disease monitoring. However, accurate segmentation of medical images is challenging due to several factors, such as the lack of high-quality annotation, imaging noise, and anatomical differences across patients. In addition, there is still a considerable gap in performance between the existing label-efficient methods and fully-supervised methods. To address the above challenges, we propose ScribbleVC, a novel framework for scribble-supervised medical image segmentation that leverages vision and class embeddings via the multimodal information enhancement mechanism. In addition, ScribbleVC uniformly utilizes the CNN features and Transformer features to achieve better visual feature extraction. The proposed method combines a scribble-based approach with a segmentation network and a class-embedding module to produce accurate segmentation masks. We evaluate ScribbleVC on three benchmark datasets and compare it with state-of-the-art methods. The experimental results demonstrate that our method outperforms existing approaches in terms of accuracy, robustness, and efficiency. The datasets and code are released on GitHub.
• Abstract（参考訳）: 医療画像分割は、臨床意思決定、治療計画、疾患モニタリングにおいて重要な役割を果たす。 しかし,良質な注記の欠如,画像ノイズ,患者間の解剖学的差異などにより,医用画像の正確な分割が困難である。 さらに、既存のラベル効率の手法と完全に教師された手法の間には、まだかなりの性能差がある。 そこで我々は,マルチモーダル情報エンハンスメント機構による視覚とクラス埋め込みを利用した,scribble-supervised medical image segmentationのための新しいフレームワークscribblevcを提案する。 さらに、ScribbleVCはCNN機能とTransformer機能を利用して、より良い視覚的特徴抽出を実現している。 提案手法は,スクリブルベースアプローチとセグメンテーションネットワークとクラスエンベディングモジュールを組み合わせることで,正確なセグメンテーションマスクを生成する。 ScribbleVCを3つのベンチマークデータセットで評価し、最先端の手法と比較する。 実験の結果,提案手法は既存の手法よりも精度,堅牢性,効率の点で優れていた。 データセットとコードはgithubで公開されている。

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)
• UnSegGNet: Unsupervised Image Segmentation using Graph Neural Networks [9.268228808049951]
  この研究は、教師なし医療画像とコンピュータビジョンの幅広い分野に貢献する。 これは、現実世界の課題に沿うイメージセグメンテーションのための革新的な方法論である。 提案手法は,医用画像,リモートセンシング,物体認識など,多様な応用の可能性を秘めている。
  論文  参考訳（メタデータ） (2024-05-09T19:02:00Z)
• Language Guided Domain Generalized Medical Image Segmentation [68.93124785575739]
  単一ソースドメインの一般化は、より信頼性が高く一貫性のあるイメージセグメンテーションを現実の臨床環境にわたって約束する。 本稿では,テキストエンコーダ機能によって案内されるコントラスト学習機構を組み込むことで,テキスト情報を明確に活用する手法を提案する。 文献における既存手法に対して,本手法は良好な性能を発揮する。
  論文  参考訳（メタデータ） (2024-04-01T17:48:15Z)
• Medical Visual Prompting (MVP): A Unified Framework for Versatile and High-Quality Medical Image Segmentation [15.460598807078751]
  自然言語処理(NLP)の概念を事前学習・促進する医用ビジュアルプロンプト(MVP)フレームワークを提案する。 MVPにより、セグメンテーションネットワークは、情報を促進する形状をよりよく学習し、異なるタスク間での相互学習を促進することができる。 この新しい枠組みは、より少ないパラメータで性能を向上し、様々な医療課題における病変領域の正確なセグメンテーションに有意な可能性を秘めている。
  論文  参考訳（メタデータ） (2024-04-01T14:06:48Z)
• Multi-task Explainable Skin Lesion Classification [54.76511683427566]
  少ないラベル付きデータでよく一般化する皮膚病変に対する数発のショットベースアプローチを提案する。 提案手法は,アテンションモジュールや分類ネットワークとして機能するセグメンテーションネットワークの融合を含む。
  論文  参考訳（メタデータ） (2023-10-11T05:49:47Z)
• 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)
• 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)
• Pseudo-label Guided Cross-video Pixel Contrast for Robotic Surgical Scene Segmentation with Limited Annotations [72.15956198507281]
  シーンセグメンテーションを促進するために,新しい擬似ラベル付きクロスビデオコントラスト学習法であるPGV-CLを提案する。 本研究では,ロボット外科手術データセットEndoVis18と白内障手術データセットCaDISについて検討した。
  論文  参考訳（メタデータ） (2022-07-20T05:42:19Z)
• Cross-level Contrastive Learning and Consistency Constraint for Semi-supervised Medical Image Segmentation [46.678279106837294]
  半教師型医用画像セグメンテーションにおける局所特徴の表現能力を高めるためのクロスレベルコンストラシティブ学習手法を提案する。 クロスレベルなコントラスト学習と一貫性制約の助けを借りて、非ラベル付きデータを効果的に探索してセグメンテーション性能を向上させることができる。
  論文  参考訳（メタデータ） (2022-02-08T15:12:11Z)
• Cascaded Robust Learning at Imperfect Labels for Chest X-ray Segmentation [61.09321488002978]
  不完全アノテーションを用いた胸部X線分割のための新しいカスケードロバスト学習フレームワークを提案する。 モデルは3つの独立したネットワークから成り,ピアネットワークから有用な情報を効果的に学習できる。 提案手法は,従来の手法と比較して,セグメント化タスクの精度を大幅に向上させることができる。
  論文  参考訳（メタデータ） (2021-04-05T15:50:16Z)
• Robust Medical Instrument Segmentation Challenge 2019 [56.148440125599905]
  腹腔鏡装置の術中追跡は、しばしばコンピュータとロボットによる介入の必要条件である。 本研究の課題は,30の手術症例から取得した10,040枚の注釈画像からなる外科的データセットに基づいていた。 結果は、初期仮説、すなわち、アルゴリズムの性能がドメインギャップの増大とともに低下することを確認する。
  論文  参考訳（メタデータ） (2020-03-23T14:35:08Z)

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。