論文の概要: Self-supervised TransUNet for Ultrasound regional segmentation of the
distal radius in children
- arxiv url: http://arxiv.org/abs/2309.09490v1
- Date: Mon, 18 Sep 2023 05:23:33 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-19 15:01:00.751762
- Title: Self-supervised TransUNet for Ultrasound regional segmentation of the
distal radius in children
- Title（参考訳）: 小児遠位端の超音波領域分割のための自己教師型TransUNet
- Authors: Yuyue Zhou, Jessica Knight, Banafshe Felfeliyan, Christopher Keen,
Abhilash Rakkunedeth Hareendranathan, Jacob L. Jaremko
- Abstract要約: TransUNetのSSL(SSL-MAE)用のMasked Autoencoderは、子供の手首超音波スキャンからボニー領域を分割する。
本稿では,TransUNet の SSL (SSL-MAE) 用 Masked Autoencoder を小児手首超音波スキャンからボニー領域に分割する可能性について検討した。
- 参考スコア（独自算出の注目度）: 0.6291443816903801
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Supervised deep learning offers great promise to automate analysis of medical
images from segmentation to diagnosis. However, their performance highly relies
on the quality and quantity of the data annotation. Meanwhile, curating large
annotated datasets for medical images requires a high level of expertise, which
is time-consuming and expensive. Recently, to quench the thirst for large data
sets with high-quality annotation, self-supervised learning (SSL) methods using
unlabeled domain-specific data, have attracted attention. Therefore, designing
an SSL method that relies on minimal quantities of labeled data has
far-reaching significance in medical images. This paper investigates the
feasibility of deploying the Masked Autoencoder for SSL (SSL-MAE) of TransUNet,
for segmenting bony regions from children's wrist ultrasound scans. We found
that changing the embedding and loss function in SSL-MAE can produce better
downstream results compared to the original SSL-MAE. In addition, we determined
that only pretraining TransUNet embedding and encoder with SSL-MAE does not
work as well as TransUNet without SSL-MAE pretraining on downstream
segmentation tasks.
- Abstract（参考訳）: 教師付きディープラーニングは、セグメンテーションから診断まで、医療画像の分析を自動化することを大いに約束する。
しかし、それらのパフォーマンスはデータアノテーションの品質と量に大きく依存している。
一方、医療画像のための大規模な注釈付きデータセットのキュレーションには、高いレベルの専門知識が必要です。
近年,高品質なアノテーションを付加した大規模データセットに対して,ラベル付きドメイン固有データを用いた自己教師付き学習(SSL)手法が注目されている。
したがって、最小限のラベル付きデータに依存するSSL方式を設計することは、医療画像においてはるかに重要となる。
本稿では,TransUNet の SSL (SSL-MAE) 用 Masked Autoencoder を小児手首超音波スキャンからボニー領域に分割する可能性について検討した。
SSL-MAEにおける埋め込みとロス関数の変更は,従来のSSL-MAEと比較して,よりダウンストリームな結果が得られることがわかった。
さらに、SSL-MAEによるTransUNetのプリトレーニングとエンコーダのみは、下流セグメンテーションタスクでSSL-MAEを事前トレーニングすることなく、TransUNetと同等に動作しないと判断した。
関連論文リスト
- Self-Supervised Multiple Instance Learning for Acute Myeloid Leukemia Classification [1.1874560263468232]
急性骨髄性白血病(AML)のような疾患は、単細胞レベルでのアノテーションが不足し、コストがかかるため困難である。
マルチインスタンス学習(MIL)は、弱いラベル付きシナリオに対処するが、ラベル付きデータで訓練された強力なエンコーダを必要とする。
本研究では,MILをベースとしたサブタイプAML分類のための事前学習手法として,自己監督学習(SSL)について検討する。
論文 参考訳（メタデータ） (2024-03-08T15:16:15Z) - Self-supervised learning for skin cancer diagnosis with limited training data [0.196629787330046]
自己教師付き学習(SSL)は、限られたトレーニングデータを持つシナリオに対するImageNetの標準教師付き事前トレーニングの代替である。
textitfurther SSL をタスク固有のデータセットで事前トレーニングし、その実装は教師あり転送学習によって動機づけられる。
タスク固有のデータに対するより最小限のSSL事前トレーニングは、限られたラベル付きデータによる医療画像分類タスクにおいて、ImageNet上の大規模なSSL事前トレーニングと同じくらい効果的である。
論文 参考訳（メタデータ） (2024-01-01T08:11:38Z) - ASLseg: Adapting SAM in the Loop for Semi-supervised Liver Tumor Segmentation [2.3617131367115705]
肝腫瘍の分節化は, コンピュータ診断, 手術計画, 予後評価に必須である。
セミ・スーパーバイザード・ラーニング(SSL)はこれらの課題に対処するための一般的なテクニックである。
我々は、SAMをSSL設定に効果的に適応できる新しい半教師付きフレームワーク ASLseg を提案する。
論文 参考訳（メタデータ） (2023-12-13T08:31:26Z) - CroSSL: Cross-modal Self-Supervised Learning for Time-series through
Latent Masking [11.616031590118014]
CroSSLは、欠落したモダリティとエンドツーエンドのクロスモーダル学習を扱うことができる。
動作センサを含む幅広いデータを用いて本手法の評価を行った。
論文 参考訳（メタデータ） (2023-07-31T17:10:10Z) - PCRLv2: A Unified Visual Information Preservation Framework for
Self-supervised Pre-training in Medical Image Analysis [56.63327669853693]
本稿では,ピクセルレベルの情報を高レベルなセマンティクスに明示的にエンコードするための画素復元タスクを提案する。
また,画像理解を支援する強力なツールであるスケール情報の保存についても検討する。
提案されている統合SSLフレームワークは、さまざまなタスクで自己管理されたフレームワークを超越している。
論文 参考訳（メタデータ） (2023-01-02T17:47:27Z) - OpenLDN: Learning to Discover Novel Classes for Open-World
Semi-Supervised Learning [110.40285771431687]
半教師付き学習(SSL)は、教師付き学習のアノテーションボトルネックに対処する主要なアプローチの1つである。
最近のSSLメソッドは、ラベルなしデータの大規模なリポジトリを有効活用して、ラベル付きデータの小さなセットに依存しながら、パフォーマンスを向上させることができる。
この研究は、ペアワイズ類似度損失を利用して新しいクラスを発見するOpenLDNを導入している。
論文 参考訳（メタデータ） (2022-07-05T18:51:05Z) - Collaborative Intelligence Orchestration: Inconsistency-Based Fusion of
Semi-Supervised Learning and Active Learning [60.26659373318915]
アクティブラーニング(AL)と半教師付きラーニング(SSL)は2つの効果があるが、しばしば孤立している。
本稿では、SSL-ALの潜在的な優位性をさらに調査するために、革新的な一貫性に基づく仮想aDvErialアルゴリズムを提案する。
2つの実世界のケーススタディは、提案したデータサンプリングアルゴリズムの適用と展開の実践的な産業価値を可視化する。
論文 参考訳（メタデータ） (2022-06-07T13:28:43Z) - DATA: Domain-Aware and Task-Aware Pre-training [94.62676913928831]
我々は、自己教師付き学習(SSL)に特化した、シンプルで効果的なNASアプローチであるDataを提示する。
提案手法は,画像分類,オブジェクト検出,セマンティックセグメンテーションなど,下流タスクにおける計算コストの広い範囲にわたる有望な結果を実現する。
論文 参考訳（メタデータ） (2022-03-17T02:38:49Z) - Self-supervised Learning is More Robust to Dataset Imbalance [65.84339596595383]
データセット不均衡下での自己教師型学習について検討する。
既製の自己教師型表現は、教師型表現よりもクラス不均衡に対してすでに堅牢である。
我々は、不均衡なデータセット上でSSL表現品質を一貫して改善する、再重み付け正規化手法を考案した。
論文 参考訳（メタデータ） (2021-10-11T06:29:56Z) - Medical Instrument Segmentation in 3D US by Hybrid Constrained
Semi-Supervised Learning [62.13520959168732]
3DUSにおける楽器セグメンテーションのための半教師付き学習フレームワークを提案する。
SSL学習を実現するため、Dual-UNetが提案されている。
提案手法は,Diceの約68.6%-69.1%,推定時間約1秒を実現している。
論文 参考訳（メタデータ） (2021-07-30T07:59:45Z) - Semi-supervised Medical Image Classification with Global Latent Mixing [8.330337646455957]
ディープラーニングによるコンピュータ支援診断は、大規模な注釈付きデータセットに依存している。
半教師付き学習は、ラベルのないデータを活用することでこの課題を軽減する。
ラベル付きおよびラベルなしデータの線形混合に基づいてニューラルネットワークをトレーニングする新しいSSL手法を提案する。
論文 参考訳（メタデータ） (2020-05-22T14:49:13Z)
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。