論文の概要: Compositional Representation Learning for Brain Tumour Segmentation
- arxiv url: http://arxiv.org/abs/2310.06562v1
- Date: Tue, 10 Oct 2023 12:19:39 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-11 15:38:20.466333
- Title: Compositional Representation Learning for Brain Tumour Segmentation
- Title（参考訳）: 脳腫瘍セグメンテーションのための構成表現学習
- Authors: Xiao Liu, Antanas Kascenas, Hannah Watson, Sotirios A. Tsaftaris and
Alison Q. O'Neil
- Abstract要約: ディープラーニングモデルは、大量のデータとピクセルレベルのアノテーションによって、人間の専門家レベルのパフォーマンスを達成することができる。
我々は、教師なし学習と弱監督を用いて堅牢な表現を学ぶために、混合監視フレームワークvMFNetを適用した。
弱いラベル付きデータを少量の完全アノテートデータのみに限定して, 良好な腫瘍セグメンテーション性能が得られることを示す。
- 参考スコア（独自算出の注目度）: 13.5112749699868
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: For brain tumour segmentation, deep learning models can achieve human
expert-level performance given a large amount of data and pixel-level
annotations. However, the expensive exercise of obtaining pixel-level
annotations for large amounts of data is not always feasible, and performance
is often heavily reduced in a low-annotated data regime. To tackle this
challenge, we adapt a mixed supervision framework, vMFNet, to learn robust
compositional representations using unsupervised learning and weak supervision
alongside non-exhaustive pixel-level pathology labels. In particular, we use
the BraTS dataset to simulate a collection of 2-point expert pathology
annotations indicating the top and bottom slice of the tumour (or tumour
sub-regions: peritumoural edema, GD-enhancing tumour, and the necrotic /
non-enhancing tumour) in each MRI volume, from which weak image-level labels
that indicate the presence or absence of the tumour (or the tumour sub-regions)
in the image are constructed. Then, vMFNet models the encoded image features
with von-Mises-Fisher (vMF) distributions, via learnable and compositional vMF
kernels which capture information about structures in the images. We show that
good tumour segmentation performance can be achieved with a large amount of
weakly labelled data but only a small amount of fully-annotated data.
Interestingly, emergent learning of anatomical structures occurs in the
compositional representation even given only supervision relating to pathology
(tumour).
- Abstract（参考訳）: 脳腫瘍のセグメンテーションでは、ディープラーニングモデルは大量のデータとピクセルレベルのアノテーションによって、人間のエキスパートレベルのパフォーマンスを達成することができる。
しかしながら、大量のデータに対してピクセルレベルのアノテーションを取得するという高価な作業は、必ずしも実現可能とは限らない。
この課題に取り組むため,我々は,非教師なし学習と弱い監督を用いてロバストな構成表現を学ぶために,混合監督フレームワークvmfnetを適応させた。
特に,画像中の腫瘍(または腫瘍亜領域)の有無を示す弱い画像レベルラベルが構築されるmriボリューム内の腫瘍(または腫瘍亜領域:peritumoural edema,gd-enhancing tumour,およびネクロティック/非enhancing tumour)の上下スライスを示す2点の専門家病理アノテーションのコレクションをブラッツデータセットを用いてシミュレートする。
次に、vMFNetは、画像の構造に関する情報をキャプチャする学習可能および構成可能なvMFカーネルを介して、von-Mises-Fisher(vMF)分布で符号化された画像特徴をモデル化する。
弱いラベル付きデータを少量の完全アノテートデータのみに限定して, 良好な腫瘍セグメンテーション性能が得られることを示す。
興味深いことに、解剖学的構造の創発的な学習は、病理学(腫瘍)に関してのみ監督されたとしても、構成的表現に現れる。
関連論文リスト
- Transferring Ultrahigh-Field Representations for Intensity-Guided Brain
Segmentation of Low-Field Magnetic Resonance Imaging [51.92395928517429]
7T MRIの使用は、低磁場MRIと比較して高コストでアクセシビリティが低いため制限されている。
本研究では,入力されたLF磁気共鳴特徴表現と,脳画像分割タスクのための7T様特徴表現とを融合したディープラーニングフレームワークを提案する。
論文 参考訳（メタデータ） (2024-02-13T12:21:06Z) - Comparative Analysis of Segment Anything Model and U-Net for Breast
Tumor Detection in Ultrasound and Mammography Images [0.15833270109954137]
この技術は、2つの高度なディープラーニングアーキテクチャ、すなわち U-Net と SAM を腫瘍セグメンテーションに用いている。
U-Netモデルは医用画像セグメンテーション用に特別に設計されている。
事前訓練されたSAMアーキテクチャには、空間的依存関係をキャプチャし、セグメンテーション結果を生成するメカニズムが組み込まれている。
論文 参考訳（メタデータ） (2023-06-21T18:49:21Z) - Brain tumor multi classification and segmentation in MRI images using
deep learning [3.1248717814228923]
この分類モデルはEfficientNetB1アーキテクチャに基づいており、画像は髄膜腫、グリオーマ、下垂体腺腫、腫瘍の4つのクラスに分類するよう訓練されている。
セグメンテーションモデルはU-Netアーキテクチャに基づいており、MRI画像から腫瘍を正確にセグメンテーションするように訓練されている。
論文 参考訳（メタデータ） (2023-04-20T01:32:55Z) - Patched Diffusion Models for Unsupervised Anomaly Detection in Brain MRI [55.78588835407174]
本稿では,正常脳解剖のパッチベース推定法として拡散モデルの生成タスクを再構築する手法を提案する。
腫瘍と多発性硬化症について検討し,既存のベースラインと比較して25.1%の改善がみられた。
論文 参考訳（メタデータ） (2023-03-07T09:40:22Z) - PCRLv2: A Unified Visual Information Preservation Framework for
Self-supervised Pre-training in Medical Image Analysis [56.63327669853693]
本稿では,ピクセルレベルの情報を高レベルなセマンティクスに明示的にエンコードするための画素復元タスクを提案する。
また,画像理解を支援する強力なツールであるスケール情報の保存についても検討する。
提案されている統合SSLフレームワークは、さまざまなタスクで自己管理されたフレームワークを超越している。
論文 参考訳（メタデータ） (2023-01-02T17:47:27Z) - Deep Superpixel Generation and Clustering for Weakly Supervised
Segmentation of Brain Tumors in MR Images [0.0]
本研究は、弱教師付き脳腫瘍セグメント化を実現するために、スーパーピクセル生成モデルとスーパーピクセルクラスタリングモデルを使用することを提案する。
われわれは、Multimodal Brain tumor Challenge 2020データセットからの2Dの磁気共鳴脳スキャンと、パイプラインを訓練するための腫瘍の存在を示すラベルを用いた。
提案手法は平均Dice係数0.691と平均95%Hausdorff距離18.1を達成し,既存のスーパーピクセルベースの弱教師付きセグメンテーション法より優れていた。
論文 参考訳（メタデータ） (2022-09-20T18:08:34Z) - 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) - Pseudo-label refinement using superpixels for semi-supervised brain
tumour segmentation [0.6767885381740952]
限定アノテーションを用いたニューラルネットワークのトレーニングは、医療領域において重要な問題である。
半教師付き学習は、注釈付きデータが少ないセグメンテーションを学習することでこの問題を克服することを目的としている。
擬似ラベルの精度を向上させるために,スーパーピクセルに基づくフレームワークを提案する。
論文 参考訳（メタデータ） (2021-10-16T15:17:11Z) - 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) - Towards Robust Partially Supervised Multi-Structure Medical Image
Segmentation on Small-Scale Data [123.03252888189546]
データ不足下における部分教師付き学習(PSL)における方法論的ギャップを埋めるために,不確実性下でのビシナルラベル(VLUU)を提案する。
マルチタスク学習とヴィジナルリスク最小化によって動機づけられたVLUUは、ビジナルラベルを生成することによって、部分的に教師付き問題を完全な教師付き問題に変換する。
本研究は,ラベル効率の高い深層学習における新たな研究の方向性を示唆するものである。
論文 参考訳（メタデータ） (2020-11-28T16:31:00Z) - Improved Slice-wise Tumour Detection in Brain MRIs by Computing
Dissimilarities between Latent Representations [68.8204255655161]
磁気共鳴画像(MRI)の異常検出は教師なし手法で行うことができる。
本研究では,変分オートエンコーダの潜伏空間における相似関数の計算に基づいて,腫瘍検出のためのスライスワイズ半教師法を提案する。
本研究では,高解像度画像上でのモデルをトレーニングし,再現の質を向上させることにより,異なるベースラインに匹敵する結果が得られることを示す。
論文 参考訳（メタデータ） (2020-07-24T14:02:09Z)
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。