論文の概要: Augmentation is AUtO-Net: Augmentation-Driven Contrastive Multiview Learning for Medical Image Segmentation

• arxiv url: http://arxiv.org/abs/2311.01023v1
• Date: Thu, 2 Nov 2023 06:31:08 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-03 14:25:35.595659
• Title: Augmentation is AUtO-Net: Augmentation-Driven Contrastive Multiview Learning for Medical Image Segmentation
• Title（参考訳）: Augmentation is AUtO-Net: Augmentation-Driven Contrastive Multiview Learning for Medical Image Segmentation
• Authors: Yanming Guo
• Abstract要約: この論文は網膜血管セグメンテーションの課題に焦点を当てている。 深層学習に基づく医用画像セグメンテーションアプローチの広範な文献レビューを提供する。 効率的でシンプルな多視点学習フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 3.1002416427168304
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The utilisation of deep learning segmentation algorithms that learn complex organs and tissue patterns and extract essential regions of interest from the noisy background to improve the visual ability for medical image diagnosis has achieved impressive results in Medical Image Computing (MIC). This thesis focuses on retinal blood vessel segmentation tasks, providing an extensive literature review of deep learning-based medical image segmentation approaches while comparing the methodologies and empirical performances. The work also examines the limitations of current state-of-the-art methods by pointing out the two significant existing limitations: data size constraints and the dependency on high computational resources. To address such problems, this work proposes a novel efficient, simple multiview learning framework that contrastively learns invariant vessel feature representation by comparing with multiple augmented views by various transformations to overcome data shortage and improve generalisation ability. Moreover, the hybrid network architecture integrates the attention mechanism into a Convolutional Neural Network to further capture complex continuous curvilinear vessel structures. The result demonstrates the proposed method validated on the CHASE-DB1 dataset, attaining the highest F1 score of 83.46% and the highest Intersection over Union (IOU) score of 71.62% with UNet structure, surpassing existing benchmark UNet-based methods by 1.95% and 2.8%, respectively. The combination of the metrics indicates the model detects the vessel object accurately with a highly coincidental location with the ground truth. Moreover, the proposed approach could be trained within 30 minutes by consuming less than 3 GB GPU RAM, and such characteristics support the efficient implementation for real-world applications and deployments.
• Abstract（参考訳）: 複雑な臓器や組織パターンを学習し、ノイズの多い背景から重要な領域を抽出し、医用画像診断の視覚能力を向上させるディープラーニングセグメンテーションアルゴリズムの利用は、医療画像コンピューティング(MIC)において顕著な成果を上げている。 本論文は, 網膜血管分画課題に焦点をあて, 深層学習に基づく医用画像分画アプローチの広範な文献レビューを行い, 方法論と経験的性能を比較した。 この研究はまた、データサイズの制約と高い計算資源への依存という2つの重要な制約を指摘し、現在の最先端の方法の限界についても検討している。 このような問題に対処するために,データ不足を克服し,一般化能力を向上させるために,様々な変換による複数の拡張ビューと比較することにより,不変容器特徴表現を対照的に学習する,効率的でシンプルな多視点学習フレームワークを提案する。 さらに、ハイブリッドネットワークアーキテクチャでは、注意機構を畳み込みニューラルネットワークに統合し、複雑な連続的な船体構造をさらに捉える。 提案手法はCHASE-DB1データセット上で検証され,最大F1スコアは83.46%,最高IOUスコアは71.62%,既存のベンチマークUNetベースの手法は1.95%,最高2.8%であった。 測定値の組み合わせは、モデルが船体物体を精度良く、地上の真実と非常に一致した位置で検出することを示している。 さらに、提案手法は3GBのGPURAMを消費することで30分以内のトレーニングが可能であり、実際のアプリケーションやデプロイメントの効率的な実装をサポートする。

関連論文リスト

• MDFI-Net: Multiscale Differential Feature Interaction Network for Accurate Retinal Vessel Segmentation [3.152646316470194]
  本稿では,MDFI-Net という DPCN に基づく機能拡張型インタラクションネットワークを提案する。 提案したMDFI-Netは,公開データセットの最先端手法よりもセグメンテーション性能が優れている。
  論文  参考訳（メタデータ） (2024-10-20T16:42:22Z)
• Perspective+ Unet: Enhancing Segmentation with Bi-Path Fusion and Efficient Non-Local Attention for Superior Receptive Fields [19.71033340093199]
  本稿では,医療画像のセグメンテーションの限界を克服する新しいアーキテクチャであるspective+Unetを提案する。 このフレームワークは ENLTB という名前の効率的な非局所トランスフォーマーブロックを組み込んでおり、これはカーネル関数近似を利用して、効率的な長距離依存性キャプチャを行う。 ACDCとデータセットに関する実験結果から,提案したパースペクティブ+Unetの有効性が示された。
  論文  参考訳（メタデータ） (2024-06-20T07:17:39Z)
• Optimizing Universal Lesion Segmentation: State Space Model-Guided Hierarchical Networks with Feature Importance Adjustment [0.0]
  我々は,MAMBAフレームワークにステートスペースモデル(SSM)とアドバンスト階層ネットワーク(AHNet)を統合したMamba-Ahnetを紹介する。 Mamba-Ahnetは、SSMの特徴抽出と理解をAHNetの注意機構と画像再構成と組み合わせ、セグメンテーションの精度と堅牢性を高めることを目的としている。
  論文  参考訳（メタデータ） (2024-04-26T08:15:43Z)
• Two Approaches to Supervised Image Segmentation [55.616364225463066]
  本研究は、深層学習とマルチセットニューロンのアプローチの比較実験を開発する。 ディープラーニングアプローチは、画像セグメンテーションの実行の可能性を確認した。 代替のマルチセット手法では、計算資源をほとんど必要とせずに精度を向上することができた。
  論文  参考訳（メタデータ） (2023-07-19T16:42:52Z)
• LVM-Med: Learning Large-Scale Self-Supervised Vision Models for Medical Imaging via Second-order Graph Matching [59.01894976615714]
  LVM-Medは、大規模医療データセットに基づいてトレーニングされた、最初のディープネットワークファミリーである。 55の公開データセットから約13万の医療画像を収集しました。 LVM-Medは、多くの最先端の教師付き、自己監督型、基礎モデルよりも経験的に優れている。
  論文  参考訳（メタデータ） (2023-06-20T22:21:34Z)
• Joint localization and classification of breast tumors on ultrasound images using a novel auxiliary attention-based framework [7.6620616780444974]
  本稿では,注意機構と半教師付き半教師付き学習戦略に基づく,新しい共同局所化と分類モデルを提案する。 提案されたモジュール化フレームワークは、様々なアプリケーションに対して柔軟なネットワーク置換を可能にする。
  論文  参考訳（メタデータ） (2022-10-11T20:14:13Z)
• Cross-Modality Deep Feature Learning for Brain Tumor Segmentation [158.8192041981564]
  本稿では, マルチモーダルMRIデータから脳腫瘍を抽出するクロスモーダルディープ・フィーチャーラーニング・フレームワークを提案する。 中心となる考え方は、不十分なデータスケールを補うために、マルチモダリティデータにまたがる豊富なパターンをマイニングすることだ。 on the BraTS benchmarks, this proposed cross-modality deep feature learning framework could effective improve the brain tumor segmentation performance。
  論文  参考訳（メタデータ） (2022-01-07T07:46:01Z)
• Incremental Cross-view Mutual Distillation for Self-supervised Medical CT Synthesis [88.39466012709205]
  本稿では,スライス間の分解能を高めるために,新しい医療スライスを構築した。 臨床実践において, 根本・中間医療スライスは常に欠落していることを考慮し, 相互蒸留の段階的相互蒸留戦略を導入する。 提案手法は,最先端のアルゴリズムよりも明確なマージンで優れる。
  論文  参考訳（メタデータ） (2021-12-20T03:38:37Z)
• Boosting Segmentation Performance across datasets using histogram specification with application to pelvic bone segmentation [1.3750624267664155]
  限られたデータで訓練されたネットワークの性能を高めるために,画像のトーン分布の変調と深層学習に基づく手法を提案する。 セグメンテーションタスクは、拡張BCE-IoU損失関数を使用して最適化されたEfficientNet-B0バックボーンを備えたU-Net構成を使用します。
  論文  参考訳（メタデータ） (2021-01-26T23:48:40Z)
• 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)
• Pathological Retinal Region Segmentation From OCT Images Using Geometric Relation Based Augmentation [84.7571086566595]
  本稿では,幾何学と形状の内在的関係を共同で符号化することで,従来のGANベースの医用画像合成法よりも優れた手法を提案する。 提案手法は,取得手順の異なる画像を有する公開RETOUCHデータセット上で,最先端のセグメンテーション手法より優れている。
  論文  参考訳（メタデータ） (2020-03-31T11:50:43Z)

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。