論文の概要: Class Activation Map-based Weakly supervised Hemorrhage Segmentation
using Resnet-LSTM in Non-Contrast Computed Tomography images
- arxiv url: http://arxiv.org/abs/2309.16627v1
- Date: Thu, 28 Sep 2023 17:32:19 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-29 13:05:40.924729
- Title: Class Activation Map-based Weakly supervised Hemorrhage Segmentation
using Resnet-LSTM in Non-Contrast Computed Tomography images
- Title（参考訳）: 非コントラストCT画像におけるResnet-LSTMを用いたクラス活性化マップに基づく弱制御出血分類
- Authors: Shreyas H Ramananda, Vaanathi Sundaresan
- Abstract要約: 非造影CT(non-contrast CT, NCCT)による重症度評価にて頭蓋内出血を診断した。
ディープラーニング(DL)ベースの手法は大きな可能性を示しているが、トレーニングには大量の手書きの病変レベルラベルが必要である。
画像レベルのバイナリ分類ラベルを用いて,NCCTスキャン上でのICHセグメンテーションの弱教師付きDL手法を提案する。
- 参考スコア（独自算出の注目度）: 0.06269281581001895
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In clinical settings, intracranial hemorrhages (ICH) are routinely diagnosed
using non-contrast CT (NCCT) for severity assessment. Accurate automated
segmentation of ICH lesions is the initial and essential step, immensely useful
for such assessment. However, compared to other structural imaging modalities
such as MRI, in NCCT images ICH appears with very low contrast and poor SNR.
Over recent years, deep learning (DL)-based methods have shown great potential,
however, training them requires a huge amount of manually annotated
lesion-level labels, with sufficient diversity to capture the characteristics
of ICH. In this work, we propose a novel weakly supervised DL method for ICH
segmentation on NCCT scans, using image-level binary classification labels,
which are less time-consuming and labor-efficient when compared to the manual
labeling of individual ICH lesions. Our method initially determines the
approximate location of ICH using class activation maps from a classification
network, which is trained to learn dependencies across contiguous slices. We
further refine the ICH segmentation using pseudo-ICH masks obtained in an
unsupervised manner. The method is flexible and uses a computationally light
architecture during testing. On evaluating our method on the validation data of
the MICCAI 2022 INSTANCE challenge, our method achieves a Dice value of 0.55,
comparable with those of existing weakly supervised method (Dice value of
0.47), despite training on a much smaller training data.
- Abstract（参考訳）: 非造影CT(non-contrast CT, NCCT)を用いて重症度評価を行い, 脳内出血と診断した。
ICH病変の正確な自動セグメンテーションは、初期および必須ステップであり、そのような評価に非常に有用である。
しかし, NCCT画像ではMRIなどの他の構造像に比べて, ICHは非常に低コントラストで低SNRで現れる。
近年, 深層学習(DL)に基づく手法は大きな可能性を示しているが, ICHの特徴を捉えるのに十分な多様性を持つ手動の病変レベルラベルを大量に必要としている。
そこで本研究では,画像レベルの2値分類ラベルを用いたncctスキャンにおけるictセグメンテーションの弱い教師付きdl法を提案する。
提案手法は,連続したスライス間の依存関係を学習するために訓練された分類ネットワークからクラスアクティベーションマップを用いて,まず ich の近似位置を決定する。
疑似ICHマスクを用いて、教師なしの方法でICHセグメンテーションを改良する。
この方法は柔軟で、テスト中に計算的に軽量なアーキテクチャを使用する。
本手法は,MICCAI 2022 INSTANCEチャレンジの検証データについて評価し,より少ないトレーニングデータでトレーニングしたにもかかわらず,既存の弱教師付き手法(Dice値0.47)と同等のDice値0.55を達成した。
関連論文リスト
- Weakly Supervised Intracranial Hemorrhage Segmentation using Head-Wise
Gradient-Infused Self-Attention Maps from a Swin Transformer in Categorical
Learning [0.6269243524465492]
頭蓋内出血(ICH、Intracranial hemorrhage)は、タイムリーな診断と正確な治療を必要とする救命救急疾患である。
深層学習技術は、医用画像解析と処理の先駆的なアプローチとして現れてきた。
ICH分類タスクで訓練されたSwin変換器と分類ラベルを併用した,新しいICHセグメンテーション手法を提案する。
論文 参考訳（メタデータ） (2023-04-11T00:17:34Z) - Rethinking Semi-Supervised Medical Image Segmentation: A
Variance-Reduction Perspective [51.70661197256033]
医用画像セグメンテーションのための階層化グループ理論を用いた半教師付きコントラスト学習フレームワークARCOを提案する。
まず、分散還元推定の概念を用いてARCOを構築することを提案し、特定の分散還元技術が画素/ボクセルレベルのセグメンテーションタスクにおいて特に有用であることを示す。
5つの2D/3D医療データセットと3つのセマンティックセグメンテーションデータセットのラベル設定が異なる8つのベンチマークで、我々のアプローチを実験的に検証する。
論文 参考訳（メタデータ） (2023-02-03T13:50:25Z) - PCA: Semi-supervised Segmentation with Patch Confidence Adversarial
Training [52.895952593202054]
医用画像セグメンテーションのためのPatch Confidence Adrial Training (PCA) と呼ばれる半教師付き対向法を提案する。
PCAは各パッチの画素構造とコンテキスト情報を学習し、十分な勾配フィードバックを得る。
本手法は, 医用画像のセグメンテーションにおいて, 最先端の半教師付き手法より優れており, その有効性を示している。
論文 参考訳（メタデータ） (2022-07-24T07:45:47Z) - Mixed-UNet: Refined Class Activation Mapping for Weakly-Supervised
Semantic Segmentation with Multi-scale Inference [28.409679398886304]
我々は、デコードフェーズに2つの並列分岐を持つMixed-UNetという新しいモデルを開発する。
地域病院や公開データセットから収集したデータセットに対して,いくつかの一般的なディープラーニングに基づくセグメンテーションアプローチに対して,設計したMixed-UNetを評価した。
論文 参考訳（メタデータ） (2022-05-06T08:37:02Z) - Learning Fuzzy Clustering for SPECT/CT Segmentation via Convolutional
Neural Networks [5.3123694982708365]
QBSPECT(Quantitative bone single-photon emission Computed Tomography)は、平面骨シンチグラフィよりも骨転移をより定量的に評価する可能性を秘めています。
解剖学的領域-関心(ROI)のセグメント化は、まだ専門家による手動の記述に大きく依存しています。
本研究では,QBSPECT画像を病変,骨,背景に分割するための高速かつ堅牢な自動分割法を提案する。
論文 参考訳（メタデータ） (2021-04-17T19:03:52Z) - Towards Unbiased COVID-19 Lesion Localisation and Segmentation via
Weakly Supervised Learning [66.36706284671291]
本研究では,画像レベルラベルのみに監視されたデータ駆動型フレームワークを提案する。
このフレームワークは、生成する対向ネットワークと病変特異的デコーダの助けを借りて、原画像から潜在的な病変を明示的に分離することができる。
論文 参考訳（メタデータ） (2021-03-01T06:05:49Z) - SISE-PC: Semi-supervised Image Subsampling for Explainable Pathology [0.7226144684379189]
我々は,最も不確定なoct画像サンプルを含む最小のサブサンプリングデータセットを識別する,新しいアクティブラーニングフレームワークを提案する。
提案手法は予測コストを最小化するために他の医用画像にも拡張できる。
論文 参考訳（メタデータ） (2021-02-23T09:00:15Z) - Deep Multi-Scale Resemblance Network for the Sub-class Differentiation
of Adrenal Masses on Computed Tomography Images [16.041873352037594]
副腎の腫瘤は良性または悪性であり、良性は様々な有病率を持つ。
CNNは、大規模な医用画像訓練データセットのクラス間差を最大化する最先端技術である。
副腎腫瘤に対するCNNの応用は、大きなクラス内変異、大きなクラス間類似性、不均衡なトレーニングデータにより困難である。
そこで我々は,これらの制約を克服する深層マルチスケール類似ネットワーク(DMRN)を開発し,クラス内類似性を評価するためにペアCNNを利用した。
論文 参考訳（メタデータ） (2020-07-29T06:24:53Z) - Multi-label Thoracic Disease Image Classification with Cross-Attention
Networks [65.37531731899837]
胸部X線画像から胸部疾患を自動分類するためのCAN(Cross-Attention Networks)を提案する。
また,クロスエントロピー損失を超える新たな損失関数を設計し,クラス間の不均衡を克服する。
論文 参考訳（メタデータ） (2020-07-21T14:37:00Z) - Deep Q-Network-Driven Catheter Segmentation in 3D US by Hybrid
Constrained Semi-Supervised Learning and Dual-UNet [74.22397862400177]
本稿では,教師付き学習手法よりも少ないアノテーションを要求できる新しいカテーテルセグメンテーション手法を提案する。
提案手法では,Voxelレベルのアノテーションを避けるために,深層Q学習を事前局所化ステップとみなす。
検出されたカテーテルでは、パッチベースのDual-UNetを使用してカテーテルを3Dボリュームデータに分割する。
論文 参考訳（メタデータ） (2020-06-25T21:10:04Z) - Synergistic Learning of Lung Lobe Segmentation and Hierarchical
Multi-Instance Classification for Automated Severity Assessment of COVID-19
in CT Images [61.862364277007934]
3次元CT画像におけるCOVID-19の重症度自動評価のための相乗的学習フレームワークを提案する。
マルチタスクのディープネットワーク(M$2$UNet)が開発され、新型コロナウイルス患者の重症度を評価する。
われわれのM$2$UNetはパッチレベルのエンコーダと肺葉分画のためのセグメンテーションサブネットワークと重度評価のための分類サブネットワークから構成されている。
論文 参考訳（メタデータ） (2020-05-08T03:16:15Z)
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。