論文の概要: PWISeg: Point-based Weakly-supervised Instance Segmentation for Surgical Instruments

• arxiv url: http://arxiv.org/abs/2311.09819v1
• Date: Thu, 16 Nov 2023 11:48:29 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-17 14:30:23.653343
• Title: PWISeg: Point-based Weakly-supervised Instance Segmentation for Surgical Instruments
• Title（参考訳）: PWISeg:手術器具のポイントベース弱監視型インスタンスセグメンテーション
• Authors: Zhen Sun, Huan Xu, Jinlin Wu, Zhen Chen, Zhen Lei, Hongbin Liu
• Abstract要約: 我々はPWISeg (Point-based Weakly-supervised Instance) という,弱制御型手術器具セグメンテーション手法を提案する。 PWISegは、特徴点とバウンディングボックスの関係をモデル化するために、ポイント・ツー・ボックスとポイント・ツー・マスクのブランチを備えたFCNベースのアーキテクチャを採用している。 そこで本研究では,キー・ツー・マスク・ブランチを駆動し,より正確なセグメンテーション予測を生成するキー・ピクセル・アソシエーション・ロスとキー・ピクセル・アソシエーション・ロスを提案する。
• 参考スコア（独自算出の注目度）: 27.89003436883652
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In surgical procedures, correct instrument counting is essential. Instance segmentation is a location method that locates not only an object's bounding box but also each pixel's specific details. However, obtaining mask-level annotations is labor-intensive in instance segmentation. To address this issue, we propose a novel yet effective weakly-supervised surgical instrument instance segmentation approach, named Point-based Weakly-supervised Instance Segmentation (PWISeg). PWISeg adopts an FCN-based architecture with point-to-box and point-to-mask branches to model the relationships between feature points and bounding boxes, as well as feature points and segmentation masks on FPN, accomplishing instrument detection and segmentation jointly in a single model. Since mask level annotations are hard to available in the real world, for point-to-mask training, we introduce an unsupervised projection loss, utilizing the projected relation between predicted masks and bboxes as supervision signal. On the other hand, we annotate a few pixels as the key pixel for each instrument. Based on this, we further propose a key pixel association loss and a key pixel distribution loss, driving the point-to-mask branch to generate more accurate segmentation predictions. To comprehensively evaluate this task, we unveil a novel surgical instrument dataset with manual annotations, setting up a benchmark for further research. Our comprehensive research trial validated the superior performance of our PWISeg. The results show that the accuracy of surgical instrument segmentation is improved, surpassing most methods of instance segmentation via weakly supervised bounding boxes. This improvement is consistently observed in our proposed dataset and when applied to the public HOSPI-Tools dataset.
• Abstract（参考訳）: 外科手術では、正しい計数が不可欠である。 インスタンスセグメンテーションは、オブジェクトのバウンディングボックスだけでなく、各ピクセルの特定の詳細を特定するロケーションメソッドである。 しかし、マスクレベルのアノテーションを得ることは、インスタンスのセグメンテーションにおいて労働集約的です。 この問題に対処するために,PWISeg (Point-based Weakly-supervised Instance Segmentation) という,比較的効果的な手術器具インスタンス分割手法を提案する。 PWISegはFCNベースのアーキテクチャを採用し、特徴点とバウンディングボックスの関係をモデル化し、FPN上の特徴点とセグメンテーションマスクをモデル化し、単一のモデルで機器検出とセグメンテーションを共同で行う。 マスクレベルのアノテーションは現実世界では利用が難しいため,予測マスクとボックスの関係を監視信号として利用して,教師なしの投影損失を導入する。 一方、各楽器のキーピクセルとしていくつかのピクセルを注釈付けする。 これに基づいて,鍵画素相関損失と鍵画素分布損失を更に提案し,より正確なセグメンテーション予測を生成するために,ポイント・ツー・マスク分岐を駆動する。 この課題を総合的に評価するために,手動アノテーションを用いた新しい手術器具データセットを公開し,さらなる研究のためのベンチマークを作成する。 我々の総合的な調査試験は、我々のPWISegの優れた性能を実証した。 その結果,手術器具のセグメント化の精度が向上し,弱教師付きバウンディングボックスによるインスタンス分割のほとんどの手法を上回った。 この改善は、提案したデータセットと、パブリックなHOSPI-Toolsデータセットに適用した場合に一貫して観察される。

関連論文リスト

• Bridge the Points: Graph-based Few-shot Segment Anything Semantically [79.1519244940518]
  プレトレーニング技術の最近の進歩により、視覚基礎モデルの能力が向上した。 最近の研究はSAMをFew-shot Semantic segmentation (FSS)に拡張している。 本稿では,グラフ解析に基づく簡易かつ効果的な手法を提案する。
  論文  参考訳（メタデータ） (2024-10-09T15:02:28Z)
• Weakly-Supervised Cross-Domain Segmentation of Electron Microscopy with Sparse Point Annotation [1.124958340749622]
  カウント,検出,セグメンテーションタスク間の相関を利用したマルチタスク学習フレームワークを提案する。 ラベル拡張のためのクロスポジションカット・アンド・ペーストを開発し,エントロピーに基づく擬似ラベル選択を行う。 提案手法は, UDA法を著しく上回り, 教師付き手法と同等の性能を発揮する。
  論文  参考訳（メタデータ） (2024-03-31T12:22:23Z)
• From Generalization to Precision: Exploring SAM for Tool Segmentation in Surgical Environments [7.01085327371458]
  セグメンテーションモデルでは, 汚損レベルの高い画像が大幅に過大評価され, 性能が低下する。 我々は,最高の単一マスクを予測として選択した場合のSAMの結果を分析するために,接地型ツールマスクを用いている。 本研究では,様々な強みの合成汚損データを用いて,Endovis18とEndovis17の計器セグメンテーションデータセットを解析した。
  論文  参考訳（メタデータ） (2024-02-28T01:33:49Z)
• SAF-IS: a Spatial Annotation Free Framework for Instance Segmentation of Surgical Tools [10.295921059528636]
  トレーニングに空間アノテーションを頼らずに,実例分割のためのフレームワークを開発する。 我々のソリューションはバイナリツールマスクのみを必要とし、最新の教師なしアプローチとバイナリツール存在ラベルを使って取得できる。 当社のフレームワークは、2017年と2018年のセグメンテーションデータセット上で検証しています。
  論文  参考訳（メタデータ） (2023-09-04T17:13:06Z)
• Domain Adaptive Segmentation of Electron Microscopy with Sparse Point Annotations [2.5137859989323537]
  競争性能に優れたアノテーション効率のアプローチを開発する。 弱教師付きドメイン適応(WDA)に極端にスパースで弱いアノテーションのタイプで焦点を当てる。 15%のポイントアノテーションしか持たないモデルでは、教師付きモデルと同等のパフォーマンスが得られることを示す。
  論文  参考訳（メタデータ） (2022-10-24T10:50:37Z)
• Open-World Instance Segmentation: Exploiting Pseudo Ground Truth From Learned Pairwise Affinity [59.1823948436411]
  我々は、マスク提案のための新しいアプローチ、ジェネリックグループネットワーク(GGN)を提案する。 我々のアプローチは、ピクセル親和性の局所測定とインスタンスレベルのマスク監視を組み合わせることで、データの多様性が許容するほど汎用的なモデルを設計したトレーニングレギュレータを生成する。
  論文  参考訳（メタデータ） (2022-04-12T22:37:49Z)
• TraSeTR: Track-to-Segment Transformer with Contrastive Query for Instance-level Instrument Segmentation in Robotic Surgery [60.439434751619736]
  そこで我々は,TraSeTRを提案する。TraSeTR,TraSeTR,Trace-to-Segment Transformerは,手術器具のセグメンテーションを支援する。 TraSeTRは、機器の種類、位置、アイデンティティとインスタンスレベルの予測を共同で理由付けている。 提案手法の有効性を,3つの公開データセットに対して,最先端の計器型セグメンテーション結果を用いて実証した。
  論文  参考訳（メタデータ） (2022-02-17T05:52:18Z)
• Semantic Attention and Scale Complementary Network for Instance Segmentation in Remote Sensing Images [54.08240004593062]
  本稿では,セマンティックアテンション(SEA)モジュールとスケール補完マスクブランチ(SCMB)で構成される,エンドツーエンドのマルチカテゴリインスタンスセグメンテーションモデルを提案する。 SEAモジュールは、機能マップ上の興味あるインスタンスのアクティベーションを強化するために、追加の監督を備えた、単純な完全な畳み込みセマンティックセマンティックセマンティクスブランチを含んでいる。 SCMBは、元のシングルマスクブランチをトリデントマスクブランチに拡張し、異なるスケールで補完マスクの監視を導入する。
  論文  参考訳（メタデータ） (2021-07-25T08:53:59Z)
• Learning Class-Agnostic Pseudo Mask Generation for Box-Supervised Semantic Segmentation [156.9155100983315]
  ボックス教師付きセマンティクスセグメンテーションに合わせた,より正確な学習ベースのクラス非依存な擬似マスクジェネレータを求める。 この方法は、ボックス監視モデルとフル監視モデルの間のパフォーマンスギャップをさらに埋めることができます。
  論文  参考訳（メタデータ） (2021-03-09T14:54:54Z)
• SegGroup: Seg-Level Supervision for 3D Instance and Semantic Segmentation [88.22349093672975]
  アノテーションの場所を示すためにインスタンス毎に1つのポイントをクリックするだけでよい、弱い教師付きポイントクラウドセグメンテーションアルゴリズムを設計します。 事前処理のオーバーセグメンテーションにより、これらの位置アノテーションをセグレベルのラベルとしてセグメントに拡張する。 seg-level supervised method (SegGroup) は、完全注釈付きポイントレベルのsupervised method で比較結果が得られることを示した。
  論文  参考訳（メタデータ） (2020-12-18T13:23:34Z)

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。