論文の概要: Towards Foundation Models Learned from Anatomy in Medical Imaging via Self-Supervision

• arxiv url: http://arxiv.org/abs/2309.15358v1
• Date: Wed, 27 Sep 2023 01:53:45 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-28 16:57:52.688295
• Title: Towards Foundation Models Learned from Anatomy in Medical Imaging via Self-Supervision
• Title（参考訳）: 自己スーパービジョンによる医用画像の解剖学から学ぶ基礎モデルに向けて
• Authors: Mohammad Reza Hosseinzadeh Taher, Michael B. Gotway, Jianming Liang
• Abstract要約: 我々は,人間の解剖学に基づいて意識的,目的的に発達した医用画像の基礎モデルを提案する。 我々は,人間の解剖学の階層的性質を生かした,新たな自己教師型学習(SSL)戦略を考案した。
• 参考スコア（独自算出の注目度）: 8.84494874768244
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Human anatomy is the foundation of medical imaging and boasts one striking characteristic: its hierarchy in nature, exhibiting two intrinsic properties: (1) locality: each anatomical structure is morphologically distinct from the others; and (2) compositionality: each anatomical structure is an integrated part of a larger whole. We envision a foundation model for medical imaging that is consciously and purposefully developed upon this foundation to gain the capability of "understanding" human anatomy and to possess the fundamental properties of medical imaging. As our first step in realizing this vision towards foundation models in medical imaging, we devise a novel self-supervised learning (SSL) strategy that exploits the hierarchical nature of human anatomy. Our extensive experiments demonstrate that the SSL pretrained model, derived from our training strategy, not only outperforms state-of-the-art (SOTA) fully/self-supervised baselines but also enhances annotation efficiency, offering potential few-shot segmentation capabilities with performance improvements ranging from 9% to 30% for segmentation tasks compared to SSL baselines. This performance is attributed to the significance of anatomy comprehension via our learning strategy, which encapsulates the intrinsic attributes of anatomical structures-locality and compositionality-within the embedding space, yet overlooked in existing SSL methods. All code and pretrained models are available at https://github.com/JLiangLab/Eden.
• Abstract（参考訳）: 人間の解剖学は医用画像の基礎であり、その自然の階層構造は、(1)局所性:各解剖学的構造が他と形態的に異なること、(2)構成性:各解剖学的構造がより大きな全体の統合された部分であること、の2つの固有の性質を示す。 我々は,この基礎の上に意識的,目的的に発達した医用画像の基礎モデルを構想し,ヒト解剖学の「理解」能力を獲得し,医用画像の基礎的特性を保持する。 医用画像の基礎モデルに向けたこのビジョンを実現するための第一歩として,人間の解剖学の階層的性質を活用する,新たな自己教師型学習(SSL)戦略を考案する。 我々の広範な実験により、SSL事前訓練モデルは、我々のトレーニング戦略から派生したもので、最先端(SOTA)ベースラインより優れているだけでなく、アノテーションの効率も向上し、SSLベースラインよりも9%から30%のセグメンテーションタスクでパフォーマンスが向上した。 この性能は,既存のSSL手法では見過ごされていないが,局所性と構成性の固有の特性をカプセル化した学習戦略による解剖学的理解の重要性に起因している。 すべてのコードと事前訓練されたモデルはhttps://github.com/JLiangLab/Eden.comで入手できる。

関連論文リスト

• Anatomy-guided Pathology Segmentation [56.883822515800205]
  本研究では, 解剖学的特徴と病理学的情報を組み合わせた汎用的セグメンテーションモデルを構築し, 病理学的特徴のセグメンテーション精度を高めることを目的とする。 我々の解剖学・病理学交流(APEx)訓練では,ヒト解剖学の問合せ表現に結合特徴空間をデコードする問合せベースのセグメンテーション変換器を用いている。 これにより、FDG-PET-CTとChest X-Rayの病理分類タスクにおいて、強力なベースライン法に比べて最大3.3%のマージンで、ボード全体で最高の結果を報告できる。
  論文  参考訳（メタデータ） (2024-07-08T11:44:15Z)
• HATs: Hierarchical Adaptive Taxonomy Segmentation for Panoramic Pathology Image Analysis [19.04633470168871]
  パノラマ画像分割は、形態学的に複雑で可変スケールの解剖学のため、顕著な課題である。 本稿では, 腎臓構造のパノラマ像を, 詳細な解剖学的知見を生かして網羅的に把握することを目的とした, 階層型適応分類法を提案する。 提案手法では,各領域,機能単位,細胞にまたがる空間的関係を多機能な「プラグ・アンド・プレイ」損失関数に変換する革新的HATs手法と,解剖学的階層化と大規模考察を,全パノラマ要素に統一された単純な行列表現に変換すること,そして,(3)。
  論文  参考訳（メタデータ） (2024-06-30T05:35:26Z)
• Representing Part-Whole Hierarchies in Foundation Models by Learning Localizability, Composability, and Decomposability from Anatomy via Self-Supervision [7.869873154804936]
  我々はAdam[79]を拡張する新しい自己教師型学習フレームワークであるAdam-v2を紹介します。 Adam-v2は3つのキーブランチを通じて学習目標に全階層を明示的に組み込んでいる。 ゼロショット、少数ショット転送、フル微調整設定において、Adam-v2の優れたパフォーマンスを示す11のベースラインと比較して、10タスクにわたる実験結果が得られた。
  論文  参考訳（メタデータ） (2024-04-24T06:02:59Z)
• Knowledge-enhanced Visual-Language Pretraining for Computational Pathology [68.6831438330526]
  本稿では,公共資源から収集した大規模画像テキストペアを利用した視覚的表現学習の課題について考察する。 ヒト32組織から病理診断を必要とする4,718の疾患に対して50,470個の情報属性からなる病理知識ツリーをキュレートする。
  論文  参考訳（メタデータ） (2024-04-15T17:11:25Z)
• Learning Anatomically Consistent Embedding for Chest Radiography [4.990778682575127]
  本稿では,医用画像解析のための新しいSSL手法PEAC(パッチ埋込み解剖学的整合性)を提案する。 具体的には、安定したグリッドベースのマッチング、事前学習されたPEACモデルを様々な下流タスクに転送することで、グローバルおよびローカルなコンバーテンシーを学習することを提案する。 我々はPEACが既存の最先端の完全/自己管理手法よりもはるかに優れた性能を発揮することを広く実証した。
  論文  参考訳（メタデータ） (2023-12-01T04:07:12Z)
• S3M: Scalable Statistical Shape Modeling through Unsupervised Correspondences [91.48841778012782]
  本研究では,集団解剖学における局所的および大域的形状構造を同時に学習するための教師なし手法を提案する。 我々のパイプラインは、ベースライン法と比較して、SSMの教師なし対応推定を大幅に改善する。 我々の手法は、ノイズの多いニューラルネットワーク予測から学ぶのに十分堅牢であり、より大きな患者にSSMを拡張できる可能性がある。
  論文  参考訳（メタデータ） (2023-04-15T09:39:52Z)
• Anatomical Invariance Modeling and Semantic Alignment for Self-supervised Learning in 3D Medical Image Analysis [6.87667643104543]
  自己教師付き学習(SSL)は、最近、3D医療画像解析タスクで有望なパフォーマンスを達成した。 現在のほとんどの手法は、元々写真や自然画像用に設計された既存のSSLパラダイムに従っている。 我々は,解剖的不変性モデリングと意味的アライメントを明確に満たす,自己教師付き学習フレームワークAliceを提案する。
  論文  参考訳（メタデータ） (2023-02-11T06:36:20Z)
• Mine yOur owN Anatomy: Revisiting Medical Image Segmentation with Extremely Limited Labels [54.58539616385138]
  我々は、Mine yOur owN Anatomy (MONA) と呼ばれる、新しい半教師付き2次元医用画像セグメンテーションフレームワークを紹介する。 まず、先行研究では、すべてのピクセルがモデルトレーニングに等しく重要であると論じており、我々はこの1つだけで意味のある解剖学的特徴を定義できないことを経験的に観察している。 第2に,医療画像を解剖学的特徴の集合に分解できるモデルを構築する。
  論文  参考訳（メタデータ） (2022-09-27T15:50:31Z)
• Seeking Common Ground While Reserving Differences: Multiple Anatomy Collaborative Framework for Undersampled MRI Reconstruction [49.16058553281751]
  本稿では,解剖学的および解剖学的特化学習者による新しいMRI再構成フレームワークを提案する。 脳、膝、心臓のMRIデータセットの実験は、これらの学習者のうち3人が複数の解剖学的共同学習を通して再建性能を向上させることができることを示した。
  論文  参考訳（メタデータ） (2022-06-15T08:19:07Z)
• Learning to Segment Anatomical Structures Accurately from One Exemplar [34.287877547953194]
  大量の注釈付きトレーニング画像を用いることなく、正確な解剖学的構造セグメンテーションを作成できる方法は、非常に望ましい。 本研究では,自然に組み込まれたループ機構を備えたワンショット解剖セグメントであるContour Transformer Network (CTN)を提案する。 筆者らのワンショット学習法は,非学習に基づく手法を著しく上回り,最先端の完全教師付きディープラーニングアプローチと競争的に機能することを示した。
  論文  参考訳（メタデータ） (2020-07-06T20:27:38Z)
• DeepRetinotopy: Predicting the Functional Organization of Human Visual Cortex from Structural MRI Data using Geometric Deep Learning [125.99533416395765]
  我々は,脳機能と解剖学の複雑な関係を構造的および機能的MRIデータから学習するために,大脳皮質の構造を活用できるディープラーニングモデルを開発した。 我々のモデルは解剖学的特性だけで人間の視覚野の機能的構造を予測することができ、また個人間でのニュアンスの変化を予測することができた。
  論文  参考訳（メタデータ） (2020-05-26T04:54:31Z)

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。