論文の概要: Partition-A-Medical-Image: Extracting Multiple Representative
Sub-regions for Few-shot Medical Image Segmentation
- arxiv url: http://arxiv.org/abs/2309.11172v1
- Date: Wed, 20 Sep 2023 09:31:57 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-21 16:42:36.265019
- Title: Partition-A-Medical-Image: Extracting Multiple Representative
Sub-regions for Few-shot Medical Image Segmentation
- Title（参考訳）: 分割医療画像: 医用画像分割のための複数のサブ領域の抽出
- Authors: Yazhou Zhu, Shidong Wang, Tong Xin, Zheng Zhang, Haofeng Zhang
- Abstract要約: Few-shot Medical Image (FSMIS)は、医療画像セグメンテーションタスクのための、より有望なソリューションである。
支援医療画像から複数のサブリージョンを抽出する手法を提案する。
次に,2方向除去機構に基づく新しいPRD(Prototypeal Representation Debiasing)モジュールを提案する。
- 参考スコア（独自算出の注目度）: 23.926487942901872
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Few-shot Medical Image Segmentation (FSMIS) is a more promising solution for
medical image segmentation tasks where high-quality annotations are naturally
scarce. However, current mainstream methods primarily focus on extracting
holistic representations from support images with large intra-class variations
in appearance and background, and encounter difficulties in adapting to query
images. In this work, we present an approach to extract multiple representative
sub-regions from a given support medical image, enabling fine-grained selection
over the generated image regions. Specifically, the foreground of the support
image is decomposed into distinct regions, which are subsequently used to
derive region-level representations via a designed Regional Prototypical
Learning (RPL) module. We then introduce a novel Prototypical Representation
Debiasing (PRD) module based on a two-way elimination mechanism which
suppresses the disturbance of regional representations by a self-support,
Multi-direction Self-debiasing (MS) block, and a support-query, Interactive
Debiasing (ID) block. Finally, an Assembled Prediction (AP) module is devised
to balance and integrate predictions of multiple prototypical representations
learned using stacked PRD modules. Results obtained through extensive
experiments on three publicly accessible medical imaging datasets demonstrate
consistent improvements over the leading FSMIS methods. The source code is
available at https://github.com/YazhouZhu19/PAMI.
- Abstract（参考訳）: Few-shot Medical Image Segmentation (FSMIS)は、高品質なアノテーションが自然に不足する医療画像セグメンテーションタスクのための、より有望なソリューションである。
しかし、現在の主流の手法は、主に外観や背景に大きなクラス内変動のあるサポート画像から全体表現を抽出することに焦点を当てており、クエリ画像への適応に困難が伴う。
本研究では, 所定の支援医用画像から複数の代表領域を抽出し, 生成した画像領域を詳細に選択する手法を提案する。
具体的には、支援画像の前景を別々の領域に分解し、その後、設計されたRPLモジュールを介して地域レベルの表現を導出する。
次に, 自己支持型多方向自己脱バイアス (ms) ブロックと支援クエリ型対話的脱バイアス (id) ブロックによる地域表現の乱れを抑制する双方向除去機構に基づく, 新たな原型的表現脱バイアス (prd) モジュールを提案する。
最後に、アセンブリ予測(AP)モジュールは、スタックされたRDモジュールを用いて学習した複数のプロトタイプ表現の予測のバランスと統合を図っている。
3つの公開医療画像データセットの広範な実験により、主要なFSMIS法よりも一貫した改善が示された。
ソースコードはhttps://github.com/YazhouZhu19/PAMIで入手できる。
関連論文リスト
- Unlocking the Power of Spatial and Temporal Information in Medical Multimodal Pre-training [99.2891802841936]
我々は,空間的・時間的微粒なモデリングのためのMed-STフレームワークを提案する。
空間モデリングでは、Med-STはMixture of View Expert (MoVE)アーキテクチャを使用して、正面と横の両方のビューから異なる視覚的特徴を統合する。
時間的モデリングのために,フォワードマッピング分類 (FMC) とリバースマッピング回帰 (RMR) による新たな双方向サイクル整合性目標を提案する。
論文 参考訳（メタデータ） (2024-05-30T03:15:09Z) - FeaInfNet: Diagnosis in Medical Image with Feature-Driven Inference and
Visual Explanations [4.022446255159328]
解釈可能なディープラーニングモデルは、画像認識の分野で広く注目を集めている。
提案されている多くの解釈可能性モデルは、医用画像診断の精度と解釈性に問題がある。
これらの問題を解決するために,機能駆動型推論ネットワーク(FeaInfNet)を提案する。
論文 参考訳（メタデータ） (2023-12-04T13:09:00Z) - Few-Shot Medical Image Segmentation via a Region-enhanced Prototypical
Transformer [20.115149216170327]
Region-enhanced Prototypeal Transformer (RPT) は、大規模なクラス内多様性/バイアスの影響を緩和するための、数発の学習に基づく手法である。
BaTブロックを積み重ねることで、提案したRTTは、生成した地域プロトタイプを反復的に最適化し、最終的に修正されたより正確なグローバルプロトタイプを生成することができる。
論文 参考訳（メタデータ） (2023-09-09T15:39:38Z) - Multi-task Paired Masking with Alignment Modeling for Medical
Vision-Language Pre-training [55.56609500764344]
本稿では,マルチタスク・ペアド・マスキング・アライメント(MPMA)に基づく統合フレームワークを提案する。
また, メモリ拡張クロスモーダルフュージョン (MA-CMF) モジュールを導入し, 視覚情報を完全統合し, レポート再構築を支援する。
論文 参考訳（メタデータ） (2023-05-13T13:53:48Z) - Ambiguous Medical Image Segmentation using Diffusion Models [60.378180265885945]
我々は,グループ洞察の分布を学習することで,複数の可算出力を生成する単一拡散モデルに基づくアプローチを提案する。
提案モデルでは,拡散の固有のサンプリングプロセスを利用してセグメンテーションマスクの分布を生成する。
その結果,提案手法は既存の最先端曖昧なセグメンテーションネットワークよりも優れていることがわかった。
論文 参考訳（メタデータ） (2023-04-10T17:58:22Z) - Generalizable Medical Image Segmentation via Random Amplitude Mixup and
Domain-Specific Image Restoration [17.507951655445652]
本稿では,新しい医用画像分割法を提案する。
具体的には、セグメント化モデルと自己超越ドメイン固有の画像復元モジュールを組み合わせることで、マルチタスクパラダイムとしてアプローチを設計する。
医用画像における2つの一般化可能なセグメンテーションベンチマークにおいて,本手法の有効性を示す。
論文 参考訳（メタデータ） (2022-08-08T03:56:20Z) - Multiple Sclerosis Lesions Segmentation using Attention-Based CNNs in
FLAIR Images [0.2578242050187029]
多発性硬化症(Multiple Sclerosis、MS)は、中枢神経系の病変を引き起こす自己免疫性脱髄性疾患である。
今のところ、病変の分断には多要素自動バイオメディカルアプローチが多用されている。
著者らは1つのモダリティ(FLAIR画像)を用いてMS病変を正確に分類する方法を提案する。
論文 参考訳（メタデータ） (2022-01-05T21:37:43Z) - Modality Completion via Gaussian Process Prior Variational Autoencoders
for Multi-Modal Glioma Segmentation [75.58395328700821]
本稿では,患者スキャンに欠落するサブモダリティを1つ以上のインプットするために,MGP-VAE(Multi-modal Gaussian Process Prior Variational Autoencoder)を提案する。
MGP-VAEは、変分オートエンコーダ(VAE)に先立ってガウス過程(GP)を利用して、被験者/患者およびサブモダリティ相関を利用することができる。
4つのサブモダリティのうち2つ、または3つが欠落している脳腫瘍に対するMGP-VAEの適用性を示す。
論文 参考訳（メタデータ） (2021-07-07T19:06:34Z) - Cross-Modality Brain Tumor Segmentation via Bidirectional
Global-to-Local Unsupervised Domain Adaptation [61.01704175938995]
本論文では,UDAスキームに基づくBiGL(Bidirectional Global-to-Local)適応フレームワークを提案する。
具体的には、脳腫瘍をセグメント化するために、双方向画像合成およびセグメンテーションモジュールを提案する。
提案手法は, 最先端の非教師なし領域適応法を大きなマージンで上回っている。
論文 参考訳（メタデータ） (2021-05-17T10:11:45Z) - Few-shot Medical Image Segmentation using a Global Correlation Network
with Discriminative Embedding [60.89561661441736]
医療画像分割のための新しい手法を提案する。
深層畳み込みネットワークを用いた数ショット画像セグメンタを構築します。
深層埋め込みの識別性を高め,同一クラスの特徴領域のクラスタリングを促進する。
論文 参考訳（メタデータ） (2020-12-10T04:01:07Z)
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。