論文の概要: LesionMix: A Lesion-Level Data Augmentation Method for Medical Image Segmentation

• arxiv url: http://arxiv.org/abs/2308.09026v1
• Date: Thu, 17 Aug 2023 14:56:08 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-21 16:26:28.745857
• Title: LesionMix: A Lesion-Level Data Augmentation Method for Medical Image Segmentation
• Title（参考訳）: LesionMix:医療画像セグメンテーションのための病変レベルデータ拡張手法
• Authors: Berke Doga Basaran, Weitong Zhang, Mengyun Qiao, Bernhard Kainz, Paul M. Matthews, Wenjia Bai
• Abstract要約: 新規かつ簡便な病変認識データ拡張法であるLesionMixを提案する。 病変レベルで増強を行い、病変の形状、位置、強度、負荷分布の多様性を増大させる。 4つの脳MRI病変データセットと1つの肝CT病変データセットを含む、異なるモダリティと異なる病変データセットの実験は、LesionMixが病変画像セグメンテーションにおいて有望なパフォーマンスを達成することを実証している。
• 参考スコア（独自算出の注目度）: 10.464109996943218
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Data augmentation has become a de facto component of deep learning-based medical image segmentation methods. Most data augmentation techniques used in medical imaging focus on spatial and intensity transformations to improve the diversity of training images. They are often designed at the image level, augmenting the full image, and do not pay attention to specific abnormalities within the image. Here, we present LesionMix, a novel and simple lesion-aware data augmentation method. It performs augmentation at the lesion level, increasing the diversity of lesion shape, location, intensity and load distribution, and allowing both lesion populating and inpainting. Experiments on different modalities and different lesion datasets, including four brain MR lesion datasets and one liver CT lesion dataset, demonstrate that LesionMix achieves promising performance in lesion image segmentation, outperforming several recent Mix-based data augmentation methods. The code will be released at https://github.com/dogabasaran/lesionmix.
• Abstract（参考訳）: データ拡張は、深層学習に基づく医療画像セグメンテーションのデファクトコンポーネントとなっている。 医療画像に使用されるほとんどのデータ拡張技術は、トレーニング画像の多様性を改善するために空間および強度変換に焦点を当てている。 それらはしばしば画像レベルで設計され、全体像を増大させ、画像内の特定の異常に注意を払わない。 本稿では,新規かつ簡便な病変認識データ拡張手法であるLesionMixを提案する。 病変のレベルを増大させ、病変の形状、位置、強度、負荷分布の多様性を高め、病変の集団化と着色を可能にする。 4つの脳MR病変データセットと1つの肝CT病変データセットを含む、異なるモダリティと異なる病変データセットの実験は、LesionMixが病変画像のセグメンテーションにおいて有望なパフォーマンスを達成し、最近のMixベースのデータ拡張手法よりも優れていることを示した。 コードはhttps://github.com/dogabasaran/lesionmixでリリースされる。

関連論文リスト

• Dual-scale Enhanced and Cross-generative Consistency Learning for Semi-supervised Medical Image Segmentation [49.57907601086494]
  医用画像のセグメンテーションはコンピュータ支援診断において重要な役割を担っている。 半教師型医用画像(DEC-Seg)のための新しいDual-scale Enhanced and Cross-generative consistency learning frameworkを提案する。
  論文  参考訳（メタデータ） (2023-12-26T12:56:31Z)
• End-to-end autoencoding architecture for the simultaneous generation of medical images and corresponding segmentation masks [3.1133049660590615]
  ハミルトン変分オートエンコーダ(HVAE)に基づくエンドツーエンドアーキテクチャを提案する。 従来の変分オートエンコーダ(VAE)と比較して後部分布近似が向上する。 本手法は, 生成的逆境条件より優れ, 画像品質の向上を示す。
  論文  参考訳（メタデータ） (2023-11-17T11:56:53Z)
• 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)
• AMLP:Adaptive Masking Lesion Patches for Self-supervised Medical Image Segmentation [67.97926983664676]
  自己監督型マスク画像モデリングは自然画像に対して有望な結果を示した。 しかし,このような手法を医用画像に直接適用することは依然として困難である。 適応型マスキング病変パッチ(AMLP)の自己管理型医用画像分割フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-09-08T13:18:10Z)
• Deepfake Image Generation for Improved Brain Tumor Segmentation [0.0]
  本研究は,脳腫瘍セグメンテーションにおけるディープフェイク画像生成の可能性について検討した。 Generative Adversarial Networkは、ディープフェイク画像で訓練されたU-Netベースの畳み込みニューラルネットワークを用いて、画像から画像への変換と画像のセグメンテーションに使用された。 その結果,画像セグメンテーションの品質指標の面ではパフォーマンスが向上し,限られたデータでトレーニングする際の支援が可能となった。
  論文  参考訳（メタデータ） (2023-07-26T16:11:51Z)
• M$^{2}$SNet: Multi-scale in Multi-scale Subtraction Network for Medical Image Segmentation [73.10707675345253]
  医用画像から多様なセグメンテーションを仕上げるマルチスケールサブトラクションネットワーク(M$2$SNet)を提案する。 本手法は,4つの異なる医用画像セグメンテーションタスクの11つのデータセットに対して,異なる評価基準の下で,ほとんどの最先端手法に対して好意的に機能する。
  論文  参考訳（メタデータ） (2023-03-20T06:26:49Z)
• 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)
• Development of an algorithm for medical image segmentation of bone tissue in interaction with metallic implants [58.720142291102135]
  本研究では,金属インプラントとの接触部における骨成長の計算アルゴリズムを開発した。 骨とインプラント組織はトレーニングデータセットに手動でセグメンテーションされた。 ネットワーク精度の面では、モデルは約98%に達した。
  論文  参考訳（メタデータ） (2022-04-22T08:17:20Z)
• CarveMix: A Simple Data Augmentation Method for Brain Lesion Segmentation [38.785081940984135]
  我々はCNNに基づく脳病変分類のための単純なデータ拡張手法であるCarveMixを提案する。 本手法は,他の単純なデータ拡張手法と比較してセグメンテーション精度を向上する。
  論文  参考訳（メタデータ） (2021-08-16T03:54:52Z)
• Positional Contrastive Learning for Volumetric Medical Image Segmentation [13.086140606803408]
  コントラストデータペアを生成するための新しい位置コントラスト学習フレームワークを提案する。 提案手法は,半教師付き設定と移動学習の両方において既存の手法と比較して,セグメンテーション性能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） (2021-06-16T22:15:28Z)
• 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。