論文の概要: Morphology-Enhanced CAM-Guided SAM for weakly supervised Breast Lesion Segmentation

• arxiv url: http://arxiv.org/abs/2311.11176v1
• Date: Sat, 18 Nov 2023 22:06:04 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-22 06:50:44.322634
• Title: Morphology-Enhanced CAM-Guided SAM for weakly supervised Breast Lesion Segmentation
• Title（参考訳）: 弱制御乳腺病変分節に対する CAM 誘導SAM の形態学的検討
• Authors: Xin Yue, Qing Zhao, Jianqiang Li, Xiaoling Liu, Changwei Song, Suqin Liu, Guanghui Fu
• Abstract要約: SAMと呼ばれるコンピュータビジョン基盤モデルを用いて最適化した形態素強化クラス活性化マップ(CAM)誘導モデルを提案する。 本フレームワークはDiceの74.39%のスコアをテストセットで達成し,教師付き学習手法と比較可能な性能を示した。
• 参考スコア（独自算出の注目度）: 8.48654202385983
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Breast cancer diagnosis challenges both patients and clinicians, with early detection being crucial for effective treatment. Ultrasound imaging plays a key role in this, but its utility is hampered by the need for precise lesion segmentation-a task that is both time-consuming and labor-intensive. To address these challenges, we propose a new framework: a morphology-enhanced, Class Activation Map (CAM)-guided model, which is optimized using a computer vision foundation model known as SAM. This innovative framework is specifically designed for weakly supervised lesion segmentation in early-stage breast ultrasound images. Our approach uniquely leverages image-level annotations, which removes the requirement for detailed pixel-level annotation. Initially, we perform a preliminary segmentation using breast lesion morphology knowledge. Following this, we accurately localize lesions by extracting semantic information through a CAM-based heatmap. These two elements are then fused together, serving as a prompt to guide the SAM in performing refined segmentation. Subsequently, post-processing techniques are employed to rectify topological errors made by the SAM. Our method not only simplifies the segmentation process but also attains accuracy comparable to supervised learning methods that rely on pixel-level annotation. Our framework achieves a Dice score of 74.39% on the test set, demonstrating compareable performance with supervised learning methods. Additionally, it outperforms a supervised learning model, in terms of the Hausdorff distance, scoring 24.27 compared to Deeplabv3+'s 32.22. These experimental results showcase its feasibility and superior performance in integrating weakly supervised learning with SAM. The code is made available at: https://github.com/YueXin18/MorSeg-CAM-SAM.
• Abstract（参考訳）: 乳癌の診断は患者と臨床医の両方にとって困難であり、早期発見は効果的な治療に不可欠である。 超音波画像は重要な役割を担っているが、その有用性は、時間と労力の両方を消費する、正確な病変のセグメンテーションの必要性によって妨げられている。 これらの課題に対処するため、SAMとして知られるコンピュータビジョン基盤モデルを用いて最適化された形態素強化クラス活性化マップ(CAM)誘導モデルを提案する。 この革新的枠組みは、早期乳房超音波画像における弱い教師付き病変セグメンテーションのために特別に設計されている。 このアプローチでは、画像レベルのアノテーションを独特に活用し、詳細なピクセルレベルのアノテーションの必要性を取り除きます。 まず,乳腺病変の形態学的知識を用いた予備的分節を行った。 次に,camベースのヒートマップを用いて意味情報を抽出し,病変の局所化を行う。 これら2つの要素を融合させてSAMを誘導し、洗練されたセグメンテーションを行う。 その後、SAMによる位相誤差の修正に後処理技術が使用される。 本手法はセグメンテーションプロセスを単純化するだけでなく,ピクセルレベルのアノテーションに依存する教師あり学習法に匹敵する精度を得る。 本フレームワークはテストセット上で74.39%のdiceスコアを達成し,教師あり学習法との比較性能を示す。 さらに、Deeplabv3+の32.22よりも24.27得点のハウスドルフ距離において教師付き学習モデルよりも優れている。 これらの実験結果は、SAMと弱教師付き学習の統合の実現可能性と優れた性能を示す。 コードはhttps://github.com/YueXin18/MorSeg-CAM-SAMで公開されている。

関連論文リスト

• EP-SAM: Weakly Supervised Histopathology Segmentation via Enhanced Prompt with Segment Anything [3.760646312664378]
  がんなどの疾患の病理診断は、従来、医師や病理医による形態学的特徴の評価に頼っていた。 近年,診断支援ツールとしてコンピュータ支援診断(CAD)システムの進歩が注目されている。 本稿では,クラスアクティベーションマップとSAMに基づく擬似ラベルを組み合わせ,弱教師付きセマンティックセマンティックセグメンテーション(WSSS)モデルを提案する。
  論文  参考訳（メタデータ） (2024-10-17T14:55:09Z)
• SAM-Driven Weakly Supervised Nodule Segmentation with Uncertainty-Aware Cross Teaching [13.5553526185399]
  自動結節分割は超音波画像におけるコンピュータ支援診断に不可欠である。 近年、SAMのようなセグメンテーション基礎モデルは、自然画像に顕著な一般化性を示している。 本研究では, セグメンテーション基盤モデルを利用して擬似ラベルを生成する, 弱教師付きフレームワークを考案する。
  論文  参考訳（メタデータ） (2024-07-18T14:27:54Z)
• Improving Segment Anything on the Fly: Auxiliary Online Learning and Adaptive Fusion for Medical Image Segmentation [52.172885882728174]
  医療画像の文脈では、SAMがそのセグメンテーション予測を生成した後、人間の専門家が特定のテストサンプルのセグメンテーションを修正することは珍しくない。 我々は、オンライン機械学習の利点を活用して、テスト期間中にSegment Anything(SA)を強化する新しいアプローチを導入する。 医用画像におけるSAのセグメンテーション品質を改善することを目的として,オンライン学習のための修正アノテーションを用いた。
  論文  参考訳（メタデータ） (2024-06-03T03:16:25Z)
• Enhancing AI Diagnostics: Autonomous Lesion Masking via Semi-Supervised Deep Learning [1.4053129774629076]
  本研究では,乳房超音波(US)画像における乳房病変の鑑別を目的とした,関心領域(ROI)を自律的に生成することを目的とした,教師なし領域適応手法を提案する。 我々の半教師付き学習アプローチは、真のアノテーションを持つ小さな母乳USデータセットで訓練された原始モデルを利用する。 このモデルはドメイン適応タスクのために反復的に洗練され、当社のプライベートな無注釈乳房データセットに擬似マスクを生成します。
  論文  参考訳（メタデータ） (2024-04-18T18:25:00Z)
• MedCLIP-SAM: Bridging Text and Image Towards Universal Medical Image Segmentation [2.2585213273821716]
  本稿では,CLIPモデルとSAMモデルを組み合わせて臨床スキャンのセグメンテーションを生成する新しいフレームワーク MedCLIP-SAM を提案する。 3つの多様なセグメンテーションタスクと医用画像モダリティを広範囲にテストすることにより、提案手法は優れた精度を示した。
  論文  参考訳（メタデータ） (2024-03-29T15:59:11Z)
• Semi- and Weakly-Supervised Learning for Mammogram Mass Segmentation with Limited Annotations [49.33388736227072]
  本稿では,マスセグメンテーションのための半弱教師付き学習フレームワークを提案する。 良好な性能を得るために, 限られた強ラベルのサンプルと十分な弱ラベルのサンプルを用いる。 CBIS-DDSMおよびINbreastデータセットを用いた実験により,本手法の有効性が示された。
  論文  参考訳（メタデータ） (2024-03-14T12:05:25Z)
• 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)
• Label Cleaning Multiple Instance Learning: Refining Coarse Annotations on Single Whole-Slide Images [83.7047542725469]
  病理検体の全スライディング画像(WSI)における癌領域のアノテーションは、臨床診断、生医学研究、機械学習アルゴリズムの開発において重要な役割を担っている。 本稿では,外部トレーニングデータを必要とせず,単一のWSI上で粗いアノテーションを洗練するためのLC-MIL (Label Cleaning Multiple Instance Learning) を提案する。 乳癌リンパ節転移,肝癌,大腸癌の検体を併用した異種 WSI 実験の結果,LC-MIL は粗いアノテーションを著しく改善し,単一スライドから学習しながらも,最先端の代替品よりも優れていた。
  論文  参考訳（メタデータ） (2021-09-22T15:06:06Z)
• Global Guidance Network for Breast Lesion Segmentation in Ultrasound Images [84.03487786163781]
  我々は,大域的誘導ブロック(GGB)と乳房病変境界検出モジュールを備えた深部畳み込みニューラルネットワークを開発した。 当社のネットワークは、乳房超音波病変分割における他の医療画像分割方法および最近のセマンティックセグメンテーション方法よりも優れています。
  論文  参考訳（メタデータ） (2021-04-05T13:15:22Z)

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。