論文の概要: Scribble-based 3D Multiple Abdominal Organ Segmentation via
Triple-branch Multi-dilated Network with Pixel- and Class-wise Consistency
- arxiv url: http://arxiv.org/abs/2309.09730v1
- Date: Mon, 18 Sep 2023 12:50:58 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-19 13:31:28.134859
- Title: Scribble-based 3D Multiple Abdominal Organ Segmentation via
Triple-branch Multi-dilated Network with Pixel- and Class-wise Consistency
- Title（参考訳）: 3分岐多拡張ネットワークによるクリブル型3次元腹部臓器セグメンテーション
- Authors: Meng Han, Xiangde Luo, Wenjun Liao, Shichuan Zhang, Shaoting Zhang,
Guotai Wang
- Abstract要約: そこで本研究では,CTからスクリブル制御された多発性腹部臓器分節に対する2つの整合性制約を有する新しい3Dフレームワークを提案する。
より安定した教師なし学習のために、voxel-wiseの不確実性を用いて、ソフトな擬似ラベルを修正し、各デコーダの出力を監督する。
公開WORDデータセットの実験により,本手法は既存の5つのスクリブル教師付き手法より優れていることが示された。
- 参考スコア（独自算出の注目度）: 20.371144313009122
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Multi-organ segmentation in abdominal Computed Tomography (CT) images is of
great importance for diagnosis of abdominal lesions and subsequent treatment
planning. Though deep learning based methods have attained high performance,
they rely heavily on large-scale pixel-level annotations that are
time-consuming and labor-intensive to obtain. Due to its low dependency on
annotation, weakly supervised segmentation has attracted great attention.
However, there is still a large performance gap between current
weakly-supervised methods and fully supervised learning, leaving room for
exploration. In this work, we propose a novel 3D framework with two consistency
constraints for scribble-supervised multiple abdominal organ segmentation from
CT. Specifically, we employ a Triple-branch multi-Dilated network (TDNet) with
one encoder and three decoders using different dilation rates to capture
features from different receptive fields that are complementary to each other
to generate high-quality soft pseudo labels. For more stable unsupervised
learning, we use voxel-wise uncertainty to rectify the soft pseudo labels and
then supervise the outputs of each decoder. To further regularize the network,
class relationship information is exploited by encouraging the generated class
affinity matrices to be consistent across different decoders under multi-view
projection. Experiments on the public WORD dataset show that our method
outperforms five existing scribble-supervised methods.
- Abstract（参考訳）: 腹部ct画像におけるマルチオルガンセグメンテーションは腹部病変の診断とその後の治療計画に非常に重要である。
深層学習に基づく手法は高い性能を達成したが、時間を要する大規模ピクセルレベルのアノテーションに大きく依存している。
アノテーションへの依存が少ないため、弱い教師付きセグメンテーションが注目されている。
しかし、現在の弱教師付き手法と完全な教師付き学習の間には依然として大きなパフォーマンスギャップがあり、探索の余地は残されている。
そこで本研究では,CTからスクリブル制御された多発腹部臓器分節に対する2つの整合性制約を持つ新しい3Dフレームワークを提案する。
具体的には、1つのエンコーダと異なる拡張率を使用する3つのデコーダを備えたトリプルブランチマルチ拡張ネットワーク(tdnet)を使用して、互いに相補的な異なる受容フィールドから特徴をキャプチャし、高品質なソフト擬似ラベルを生成する。
より安定した教師なし学習のために、我々はvoxel-wise uncertaintyを使ってソフト擬似ラベルを正し、各デコーダの出力を監督する。
ネットワークをさらに正則化するために、生成されたクラス親和性行列を多視点投影下で異なるデコーダ間で一貫性を持たせ、クラス関係情報を活用する。
公開ワードデータセットを用いた実験により,提案手法が既存の5つのscribble-supervisedメソッドを上回っていることが示された。
関連論文リスト
- 3D Medical Image Segmentation with Sparse Annotation via Cross-Teaching
between 3D and 2D Networks [26.29122638813974]
本稿では,3次元ネットワークと2次元ネットワークの相互学習を用いて,スパースアノテーションから頑健に学習できるフレームワークを提案する。
MMWHSデータセットに対する実験結果から,本手法は最先端(SOTA)半教師付きセグメンテーション法よりも優れていることが示された。
論文 参考訳（メタデータ） (2023-07-30T15:26:17Z) - Semi-supervised Pathological Image Segmentation via Cross Distillation
of Multiple Attentions [19.236045479697797]
我々は,CDMA(Cross Distillation of Multiple Attentions)に基づく新しい半教師付き学習(SSL)手法を提案する。
提案したCDMAは,公開DigestPathデータセット上の8つの最先端SSL手法と比較した。
論文 参考訳（メタデータ） (2023-05-30T08:23:07Z) - Improved Abdominal Multi-Organ Segmentation via 3D Boundary-Constrained
Deep Neural Networks [9.416108287575915]
我々は3Dエンコーダ・デコーダネットワークを訓練し,腹部臓器とそれに対応する境界をCTスキャンで同時に分割する。
腹腔内多臓器分節の改善における相補的境界予測タスクの有用性について検討した。
論文 参考訳（メタデータ） (2022-10-09T15:31:19Z) - Image Understands Point Cloud: Weakly Supervised 3D Semantic
Segmentation via Association Learning [59.64695628433855]
ラベルのない画像から補完的な情報を取り入れた3次元セグメンテーションのための新しいクロスモダリティ弱教師付き手法を提案する。
基本的に、ラベルの小さな部分のパワーを最大化するために、アクティブなラベリング戦略を備えたデュアルブランチネットワークを設計する。
提案手法は,1%未満のアクティブなアノテーションで,最先端の完全教師付き競合よりも優れていた。
論文 参考訳（メタデータ） (2022-09-16T07:59:04Z) - Triple-View Feature Learning for Medical Image Segmentation [9.992387025633805]
TriSegNetは半教師付きセマンティックセグメンテーションフレームワークである。
ラベル付けされたデータの限られた量と、ラベル付けされていない大量のデータに基づいて、トリプルビューの特徴学習を使用する。
論文 参考訳（メタデータ） (2022-08-12T14:41:40Z) - Scribble-Supervised Medical Image Segmentation via Dual-Branch Network
and Dynamically Mixed Pseudo Labels Supervision [15.414578073908906]
単純で効率的なスクリブル教師付き画像分割法を提案し,それを心臓MRIセグメント化に適用する。
このスクリブル・インスペクションと補助擬似ラベル・インスペクションを組み合わせることで、デュアルブランチ・ネットワークは、スクリブル・アノテーションからエンドツーエンドまで効率的に学習することができる。
論文 参考訳（メタデータ） (2022-03-04T02:50:30Z) - Unsupervised Representation Learning for 3D Point Cloud Data [66.92077180228634]
我々は、教師なしのポイントクラウド学習に対して、シンプルで効果的なアプローチを提案する。
特に、原点雲の優れたコントラストバージョンを生成する非常に有用な変換を同定する。
本研究では,3次元オブジェクト分類,形状部分分割,シーン分割の3つの下流タスクについて実験を行った。
論文 参考訳（メタデータ） (2021-10-13T10:52:45Z) - Automatic Polyp Segmentation via Multi-scale Subtraction Network [100.94922587360871]
臨床的には、正確なポリープセグメンテーションは大腸癌の早期発見に重要な情報を提供する。
既存のほとんどの手法はU字型構造に基づいており、デコーダで段階的に異なるレベルの特徴を融合させるために要素ワイド付加または結合を用いる。
大腸内視鏡画像からポリプを抽出するマルチスケールサブトラクションネットワーク(MSNet)を提案する。
論文 参考訳（メタデータ） (2021-08-11T07:54:07Z) - Semi-supervised Left Atrium Segmentation with Mutual Consistency
Training [60.59108570938163]
3次元MR画像からの半教師付き左房分割のための新しいMultual Consistency Network(MC-Net)を提案する。
我々のMC-Netは1つのエンコーダと2つのわずかに異なるデコーダから構成されており、2つのデコーダの予測誤差は教師なしの損失として変換される。
我々は,公開左心房(la)データベース上でmc-netを評価し,ラベルなしデータを効果的に活用することで印象的な性能向上を実現する。
論文 参考訳（メタデータ） (2021-03-04T09:34:32Z) - Few-shot 3D Point Cloud Semantic Segmentation [138.80825169240302]
本稿では,新しい注意型マルチプロトタイプトランスダクティブ・ショットポイント・クラウドセマンティックセマンティック・セマンティクス法を提案する。
提案手法は,雲のセマンティックセマンティックセグメンテーション設定の違いによるベースラインに比べて,顕著で一貫した改善を示す。
論文 参考訳（メタデータ） (2020-06-22T08:05:25Z) - Unpaired Multi-modal Segmentation via Knowledge Distillation [77.39798870702174]
本稿では,不対向画像分割のための新しい学習手法を提案する。
提案手法では,CTおよびMRI間での畳み込みカーネルの共有により,ネットワークパラメータを多用する。
我々は2つの多クラスセグメンテーション問題に対するアプローチを広範囲に検証した。
論文 参考訳（メタデータ） (2020-01-06T20:03:17Z)
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。