論文の概要: Punctate White Matter Lesion Segmentation in Preterm Infants Powered by
Counterfactually Generative Learning
- arxiv url: http://arxiv.org/abs/2309.03440v1
- Date: Thu, 7 Sep 2023 01:46:17 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-08 14:39:59.827201
- Title: Punctate White Matter Lesion Segmentation in Preterm Infants Powered by
Counterfactually Generative Learning
- Title(参考訳): 相反的生成学習を応用した早産児における空白質病変の分節化
- Authors: Zehua Ren, Yongheng Sun, Miaomiao Wang, Yuying Feng, Xianjun Li, Chao
Jin, Jian Yang, Chunfeng Lian, Fan Wang
- Abstract要約: 本稿では,脳組織分節化の補助的課題と反事実推論の考え方を活用して,病変の微細な位置的および形態的表現を学習することを提案する。
簡易で実装が容易なディープラーニングフレームワーク(DeepPWML)を設計し,組織確率マップと病変の反事実マップを組み合わせて,軽量セグメンテーションネットワークのトレーニングを行う。
- 参考スコア(独自算出の注目度): 22.42288236436624
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Accurate segmentation of punctate white matter lesions (PWMLs) are
fundamental for the timely diagnosis and treatment of related developmental
disorders. Automated PWMLs segmentation from infant brain MR images is
challenging, considering that the lesions are typically small and low-contrast,
and the number of lesions may dramatically change across subjects. Existing
learning-based methods directly apply general network architectures to this
challenging task, which may fail to capture detailed positional information of
PWMLs, potentially leading to severe under-segmentations. In this paper, we
propose to leverage the idea of counterfactual reasoning coupled with the
auxiliary task of brain tissue segmentation to learn fine-grained positional
and morphological representations of PWMLs for accurate localization and
segmentation. A simple and easy-to-implement deep-learning framework (i.e.,
DeepPWML) is accordingly designed. It combines the lesion counterfactual map
with the tissue probability map to train a lightweight PWML segmentation
network, demonstrating state-of-the-art performance on a real-clinical dataset
of infant T1w MR images. The code is available at
\href{https://github.com/ladderlab-xjtu/DeepPWML}{https://github.com/ladderlab-xjtu/DeepPWML}.
- Abstract(参考訳): パンクレート白質病変(PWML)の正確なセグメンテーションは、関連する発達障害のタイムリーな診断と治療に欠かせない。
乳児脳mri画像からのpwmlの自動分割は、通常、病変は小さく、低コントラストであり、病変の数は被験者間で劇的に変化する可能性があるため、困難である。
既存の学習ベースの手法は、この困難なタスクに一般的なネットワークアーキテクチャを直接適用するが、pwmlの詳細な位置情報を捉えられず、重度の低セグメント化につながる可能性がある。
本稿では,脳組織セグメンテーションの補助的課題と相まって,PWMLの微粒な位置的および形態的表現を正確な位置化とセグメンテーションのために学習する反事実推論の考え方を活用することを提案する。
単純で実装が容易なディープラーニングフレームワーク(DeepPWML)が設計されている。
病変偽物マップと組織確率マップを組み合わせることで、軽量pwmlセグメンテーションネットワークを訓練し、乳児t1w mr画像の実臨床データセットで最先端のパフォーマンスを示す。
コードは \href{https://github.com/ladderlab-xjtu/DeepPWML}{https://github.com/ladderlab-xjtu/DeepPWML} で公開されている。
関連論文リスト
- Mitigating Hallucinations of Large Language Models in Medical Information Extraction via Contrastive Decoding [92.32881381717594]
医療情報抽出タスクにおける幻覚の問題を解決するために,ALCD(ALternate Contrastive Decoding)を導入する。
ALCDは, 従来の復号法に比べて幻覚の解消に有意な改善が見られた。
論文 参考訳(メタデータ) (2024-10-21T07:19:19Z) - Cross-Modal Causal Intervention for Medical Report Generation [109.83549148448469]
医療報告生成(MRG)は、コンピュータ支援診断と治療指導に不可欠である。
視覚的および言語的バイアスによって引き起こされる画像テキストデータ内の素早い相関のため、病変領域を確実に記述した正確なレポートを生成することは困難である。
本稿では,視覚分解モジュール (VDM) と言語分解モジュール (LDM) からなるMRGのための新しい視覚言語因果干渉 (VLCI) フレームワークを提案する。
論文 参考訳(メタデータ) (2023-03-16T07:23:55Z) - 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) - Diffusion Model based Semi-supervised Learning on Brain Hemorrhage
Images for Efficient Midline Shift Quantification [14.978566465420572]
脳ミドルラインシフト(MLS)は,頭蓋内出血の診断と治療決定のために考慮すべき最も重要な因子の1つである。
頭部CTからMLSのスケールを正確に測定する新しい半教師付きフレームワークを提案する。
実際の臨床脳出血データセットに関する実験は、最先端の性能を達成し、解釈可能な変形場を生成することができる。
論文 参考訳(メタデータ) (2023-01-01T14:19:52Z) - Attend Who is Weak: Pruning-assisted Medical Image Localization under
Sophisticated and Implicit Imbalances [102.68466217374655]
ディープニューラルネットワーク(DNN)は、医療画像理解タスクのテキストファクト選択として急速に普及している。
本稿では,プルーニングを用いてテキスト・ハード・トゥ・ラーン(HTL)学習サンプルを自動かつ適応的に識別する手法を提案する。
また、HTLが複雑な人口動態の不均衡を捉える能力を示す興味深い統計分析も提示する。
論文 参考訳(メタデータ) (2022-12-06T00:32:03Z) - Superficial White Matter Analysis: An Efficient Point-cloud-based Deep
Learning Framework with Supervised Contrastive Learning for Consistent
Tractography Parcellation across Populations and dMRI Acquisitions [68.41088365582831]
ホワイトマターパーセレーション(White matter parcellation)は、トラクトグラフィーをクラスタまたは解剖学的に意味のあるトラクトに分類する。
ほとんどのパーセレーション法はディープホワイトマター(DWM)にフォーカスするが、その複雑さのため表面ホワイトマター(SWM)に対処する手法は少ない。
本稿では,2段階の深層学習に基づく新しいフレームワークであるSuperficial White Matter Analysis (SupWMA)を提案する。
論文 参考訳(メタデータ) (2022-07-18T23:07:53Z) - 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) - 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) - Semi-supervised Medical Image Segmentation through Dual-task Consistency [18.18484640332254]
本稿では,画素単位のセグメンテーションマップと,ターゲットの幾何認識レベルセット表現を共同で予測する,新しいデュアルタスクディープネットワークを提案する。
本手法はラベルなしデータを組み込むことで性能を大幅に向上させることができる。
当フレームワークは,最先端の半教師付き医用画像分割法より優れている。
論文 参考訳(メタデータ) (2020-09-09T17:49:21Z)
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。