Fugu-MT 論文翻訳(概要): Label Augmentation Method for Medical Landmark Detection in Hip Radiograph Images

論文の概要: Label Augmentation Method for Medical Landmark Detection in Hip Radiograph Images

arxiv url: http://arxiv.org/abs/2309.16066v1
Date: Wed, 27 Sep 2023 23:17:58 GMT
ステータス: 処理完了
システム内更新日: 2023-09-29 18:24:55.550968
Title: Label Augmentation Method for Medical Landmark Detection in Hip Radiograph Images
Title（参考訳）: ヒップラジオグラフィ画像における医療的ランドマーク検出のためのラベル拡張法
Authors: Yehyun Suh, Peter Chan, J.Ryan Martin, Daniel Moyer
Abstract要約: 2つのフェーズからなるカリキュラムの下で、汎用的なU-Netアーキテクチャをトレーニングする。本手法の利点を,ゴールドスタンダードな専門家アノテーションを用いた6つのラジオグラフのデータセットで測定する。
参考スコア（独自算出の注目度）: 1.8352113484137624
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: This work reports the empirical performance of an automated medical landmark detection method for predict clinical markers in hip radiograph images. Notably, the detection method was trained using a label-only augmentation scheme; our results indicate that this form of augmentation outperforms traditional data augmentation and produces highly sample efficient estimators. We train a generic U-Net-based architecture under a curriculum consisting of two phases: initially relaxing the landmarking task by enlarging the label points to regions, then gradually eroding these label regions back to the base task. We measure the benefits of this approach on six datasets of radiographs with gold-standard expert annotations.
Abstract（参考訳）: 本研究は,股関節X線写真における臨床マーカーを自動診断する医療ランドマーク検出手法の実証的性能について報告する。この手法はラベルのみの増量法を用いて訓練され,本手法が従来のデータ増量法よりも優れ,高サンプリング効率な推定器が得られた。まず、ラベルポイントを領域に拡大することでランドマーク化タスクを緩和し、その後、徐々にこれらのラベル領域をベースタスクに戻します。このアプローチの利点を、ゴールド標準のエキスパートアノテーションを用いた6つのラジオグラフデータセットで測定する。

関連論文リスト

Self-supervised pre-training with diffusion model for few-shot landmark detection in x-ray images [0.8793721044482612]
本研究では,拡散確率モデル(DDPM)をランドマーク検出タスクに適用する新しい手法を提案する。私たちの重要なイノベーションは、ランドマーク検出における自己教師付き事前トレーニングにDDPMを活用することです。この方法は、最小限の注釈付きトレーニングデータで正確なランドマーク検出を可能にする。
論文参考訳（メタデータ） (2024-07-25T15:32:59Z)
FM-OSD: Foundation Model-Enabled One-Shot Detection of Anatomical Landmarks [44.54301473673582]
医用画像のランドマーク検出を高精度に行うための,最初の基礎モデル付きワンショットランドマーク検出(FM-OSD)フレームワークを提案する。本手法は,単一のテンプレート画像のみを用いることで,最先端のワンショットランドマーク検出法よりも優れていることを示す。
論文参考訳（メタデータ） (2024-07-07T15:37:02Z)
Real-time guidewire tracking and segmentation in intraoperative x-ray [52.51797358201872]
リアルタイムガイドワイヤ分割と追跡のための2段階のディープラーニングフレームワークを提案する。第1段階では、ヨロフ5検出器が元のX線画像と合成画像を使って訓練され、ターゲットのガイドワイヤのバウンディングボックスを出力する。第2段階では、検出された各バウンディングボックスにガイドワイヤを分割するために、新規で効率的なネットワークが提案されている。
論文参考訳（メタデータ） (2024-04-12T20:39:19Z)
Explanations of Classifiers Enhance Medical Image Segmentation via End-to-end Pre-training [37.11542605885003]
医用画像セグメンテーションは、ディープニューラルネットワークを用いて、胸部X線写真などの医用画像の異常な構造を特定し、発見することを目的としている。我々の研究は、よく訓練された分類器から説明を集め、セグメンテーションタスクの擬似ラベルを生成する。次に、インテグレート・グラディエント(IG)法を用いて、分類器から得られた説明を蒸留し、強化し、大規模診断指向のローカライゼーション・ラベル(DoLL)を生成する。これらのDLLアノテーション付き画像は、新型コロナウイルス感染症、肺、心臓、鎖骨などの下流のセグメンテーションタスクのために、モデルを微調整する前に事前訓練するために使用される。
論文参考訳（メタデータ） (2024-01-16T16:18:42Z)
Significantly improving zero-shot X-ray pathology classification via fine-tuning pre-trained image-text encoders [50.689585476660554]
本稿では,正対損失緩和とランダムな文サンプリングを含む新たな微調整手法を提案する。提案手法は,胸部X線データセットと3つの事前訓練モデル間のゼロショット病理分類を一貫して改善する。
論文参考訳（メタデータ） (2022-12-14T06:04:18Z)
One-Shot Medical Landmark Localization by Edge-Guided Transform and Noisy Landmark Refinement [59.14062241534754]
医用ランドマークのワンショット化のための2段階のフレームワークを提案する。ステージIでは,新たな損失関数の指導の下で,グローバルアライメントと局所変形のエンドツーエンドのカスケードを学習する。ステージIIでは,信頼性の高い擬似ラベルを選択するための自己整合性や,半教師付き学習のための相互整合性について検討する。
論文参考訳（メタデータ） (2022-07-31T15:42:28Z)
Cross-Modal Contrastive Learning for Abnormality Classification and Localization in Chest X-rays with Radiomics using a Feedback Loop [63.81818077092879]
医療画像のためのエンドツーエンドのセミスーパーバイスドクロスモーダルコントラスト学習フレームワークを提案する。まず、胸部X線を分類し、画像特徴を生成するために画像エンコーダを適用する。放射能の特徴は別の専用エンコーダを通過し、同じ胸部x線から生成された画像の特徴の正のサンプルとして機能する。
論文参考訳（メタデータ） (2021-04-11T09:16:29Z)
Deep Semi-supervised Metric Learning with Dual Alignment for Cervical Cancer Cell Detection [49.78612417406883]
子宮頸癌細胞検出のための新しい半教師付き深度測定法を提案する。私たちのモデルは、埋め込みメトリック空間を学習し、提案レベルとプロトタイプレベルの両方でセマンティック機能の二重アライメントを行います。本研究は,240,860個の頸部細胞画像からなる半監督型頸部がん細胞検出のための大規模データセットを初めて構築した。
論文参考訳（メタデータ） (2021-04-07T17:11:27Z)
Cascaded Robust Learning at Imperfect Labels for Chest X-ray Segmentation [61.09321488002978]
不完全アノテーションを用いた胸部X線分割のための新しいカスケードロバスト学習フレームワークを提案する。モデルは3つの独立したネットワークから成り,ピアネットワークから有用な情報を効果的に学習できる。提案手法は,従来の手法と比較して,セグメント化タスクの精度を大幅に向上させることができる。
論文参考訳（メタデータ） (2021-04-05T15:50:16Z)
Reciprocal Landmark Detection and Tracking with Extremely Few Annotations [10.115679843920958]
本稿では,心エコーラベルのスパース特性を扱うために,新しいエンドツーエンドの相互検出・追跡モデルを提案する。このモデルは、心臓のシネシーケンス全体にわたって注釈付きフレームをほとんど使わずにトレーニングされ、ランドマークの一貫した検出と追跡が生成される。
論文参考訳（メタデータ） (2021-01-27T06:59:41Z)
Weakly-Supervised Segmentation for Disease Localization in Chest X-Ray Images [0.0]
医用胸部X線画像のセマンティックセグメンテーションに対する新しいアプローチを提案する。本手法は肺と胸壁の間の異常な空気量を検出するための胸部X線検査に適用可能である。
論文参考訳（メタデータ） (2020-07-01T20:48:35Z)

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。