論文の概要: Versatile Medical Image Segmentation Learned from Multi-Source Datasets
via Model Self-Disambiguation
- arxiv url: http://arxiv.org/abs/2311.10696v1
- Date: Fri, 17 Nov 2023 18:28:32 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-20 13:41:45.657990
- Title: Versatile Medical Image Segmentation Learned from Multi-Source Datasets
via Model Self-Disambiguation
- Title（参考訳）: モデル自己曖昧化による多元データセットから学ぶ多用途医用画像セグメンテーション
- Authors: Xiaoyang Chen, Hao Zheng, Yuemeng Li, Yuncong Ma, Liang Ma, Hongming
Li, Yong Fan
- Abstract要約: 我々は,手軽に手軽に注釈付きセグメンテーションラベルを付加することで,コスト効率を向上する手法を開発した。
腹部臓器セグメント化のための8つの異なるソースから収集したマルチモーダルデータセットの実験結果から,本手法の有効性が示された。
- 参考スコア（独自算出の注目度）: 9.522769236923487
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: A versatile medical image segmentation model applicable to imaging data
collected with diverse equipment and protocols can facilitate model deployment
and maintenance. However, building such a model typically requires a large,
diverse, and fully annotated dataset, which is rarely available due to the
labor-intensive and costly data curation. In this study, we develop a
cost-efficient method by harnessing readily available data with partially or
even sparsely annotated segmentation labels. We devise strategies for model
self-disambiguation, prior knowledge incorporation, and imbalance mitigation to
address challenges associated with inconsistently labeled data from various
sources, including label ambiguity and imbalances across modalities, datasets,
and segmentation labels. Experimental results on a multi-modal dataset compiled
from eight different sources for abdominal organ segmentation have demonstrated
our method's effectiveness and superior performance over alternative
state-of-the-art methods, highlighting its potential for optimizing the use of
existing annotated data and reducing the annotation efforts for new data to
further enhance model capability.
- Abstract（参考訳）: 多様な機器やプロトコルで収集された画像データに適用可能な汎用的な医用画像分割モデルは、モデルの展開とメンテナンスを容易にする。
しかし、そのようなモデルを構築するには、通常、大きく、多様で、完全に注釈付けされたデータセットが必要である。
本研究では,手軽に手軽に利用できるデータと,わずかに注釈付きセグメンテーションラベルを併用してコスト効率を向上する手法を開発した。
我々は,モダリティ,データセット,セグメンテーションラベル間のラベル曖昧性と不均衡など,さまざまなソースからの一貫性のないラベル付きデータに関連する課題に対処するために,モデル自己曖昧さ,事前知識の取り込み,不均衡緩和のための戦略を考案する。
腹部臓器のセグメンテーションのために8つの異なるソースから収集されたマルチモーダルデータセットの実験結果から,既存の注釈付きデータの使用を最適化し,新たなデータに対するアノテーションの取り組みを減らし,モデル機能をさらに向上させる手法の有効性と優れた性能が示された。
関連論文リスト
- Multi-OCT-SelfNet: Integrating Self-Supervised Learning with Multi-Source Data Fusion for Enhanced Multi-Class Retinal Disease Classification [2.5091334993691206]
網膜疾患診断のための堅牢なディープラーニングモデルの開発には、トレーニングのためのかなりのデータセットが必要である。
より小さなデータセットで効果的に一般化する能力は、依然として永続的な課題である。
さまざまなデータソースを組み合わせて、パフォーマンスを改善し、新しいデータに一般化しています。
論文 参考訳（メタデータ） (2024-09-17T17:22:35Z) - Adaptive Affinity-Based Generalization For MRI Imaging Segmentation Across Resource-Limited Settings [1.5703963908242198]
本稿では,適応親和性に基づく蒸留とカーネルベースの蒸留をシームレスに組み合わせた,新しい関係に基づく知識フレームワークを提案する。
革新的アプローチを検証するために,我々は公開されている複数ソースのMRIデータについて実験を行った。
論文 参考訳（メタデータ） (2024-04-03T13:35:51Z) - Leveraging Diffusion Disentangled Representations to Mitigate Shortcuts
in Underspecified Visual Tasks [92.32670915472099]
拡散確率モデル(DPM)を用いた合成カウンターファクトの生成を利用したアンサンブルの多様化フレームワークを提案する。
拡散誘導型分散化は,データ収集を必要とする従来の手法に匹敵するアンサンブル多様性を達成し,ショートカットからの注意を回避できることを示す。
論文 参考訳（メタデータ） (2023-10-03T17:37:52Z) - Tackling Diverse Minorities in Imbalanced Classification [80.78227787608714]
不均衡データセットは、様々な現実世界のアプリケーションで一般的に見られ、分類器の訓練において重要な課題が提示されている。
マイノリティクラスとマイノリティクラスの両方のデータサンプルを混合することにより、反復的に合成サンプルを生成することを提案する。
提案するフレームワークの有効性を,7つの公開ベンチマークデータセットを用いて広範な実験により実証する。
論文 参考訳（メタデータ） (2023-08-28T18:48:34Z) - Learnable Weight Initialization for Volumetric Medical Image Segmentation [66.3030435676252]
本稿では,学習可能な重みに基づくハイブリッド医療画像セグメンテーション手法を提案する。
我々のアプローチはどんなハイブリッドモデルにも簡単に統合でき、外部のトレーニングデータを必要としない。
多臓器・肺がんセグメンテーションタスクの実験は、我々のアプローチの有効性を実証している。
論文 参考訳（メタデータ） (2023-06-15T17:55:05Z) - MultiTalent: A Multi-Dataset Approach to Medical Image Segmentation [1.146419670457951]
現在のプラクティスでは、モデルトレーニングと教師付き事前トレーニングを、1つまたはいくつかの類似したデータセットに制限している。
我々は多種多様なクラス定義を持つ複数のCTデータセットを活用する手法であるMultiTalentを提案する。
論文 参考訳（メタデータ） (2023-03-25T11:37:16Z) - Effective Few-Shot Named Entity Linking by Meta-Learning [34.70028855572534]
本稿では,非自明な合成エンティティ-メント対を生成するための新しい弱監督戦略を提案する。
また,各合成実体対に異なる重みを割り当てるメタ学習機構を設計する。
実世界のデータセットの実験により、提案手法は最先端の少数ショットエンティティリンクモデルを大幅に改善できることが示された。
論文 参考訳（メタデータ） (2022-07-12T03:23:02Z) - Discriminative Multimodal Learning via Conditional Priors in Generative
Models [21.166519800652047]
本研究は,モデルトレーニングにおいて,すべてのモダリティとクラスラベルが利用できる現実的なシナリオについて研究する。
このシナリオでは、変動的な下界境界は、結合表現と欠測モダリティの間の相互情報を制限する。
論文 参考訳（メタデータ） (2021-10-09T17:22:24Z) - Learning from Partially Overlapping Labels: Image Segmentation under
Annotation Shift [68.6874404805223]
腹部臓器分節の文脈におけるラベルの重複から学ぶためのいくつかの方法を提案する。
半教師付きアプローチと適応的クロスエントロピー損失を組み合わせることで、不均一な注釈付きデータをうまく活用できることが判明した。
論文 参考訳（メタデータ） (2021-07-13T09:22:24Z) - Accounting for Unobserved Confounding in Domain Generalization [107.0464488046289]
本稿では,データセットの組み合わせから頑健で一般化可能な予測モデルを学習する際の問題点について検討する。
堅牢なモデルを学ぶことの課題の一部は、保存されていない共同設立者の影響にある。
異なるモダリティの医療データに対するアプローチの実証的性能を実証する。
論文 参考訳（メタデータ） (2020-07-21T08:18:06Z) - Relating by Contrasting: A Data-efficient Framework for Multimodal
Generative Models [86.9292779620645]
生成モデル学習のための対照的なフレームワークを開発し、モダリティ間の共通性だけでなく、「関連」と「関連しない」マルチモーダルデータの区別によってモデルを訓練することができる。
提案手法では, 生成モデルを用いて, 関係のないサンプルから関連サンプルを正確に識別し, ラベルのない多モードデータの利用が可能となる。
論文 参考訳（メタデータ） (2020-07-02T15:08:11Z)
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。