論文の概要: ZePT: Zero-Shot Pan-Tumor Segmentation via Query-Disentangling and Self-Prompting
- arxiv url: http://arxiv.org/abs/2312.04964v2
- Date: Fri, 22 Mar 2024 12:34:13 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-25 22:20:33.937672
- Title: ZePT: Zero-Shot Pan-Tumor Segmentation via Query-Disentangling and Self-Prompting
- Title(参考訳): ZePT:クエリディペンタングとセルフプロンピングによるゼロショットパンモームセグメンテーション
- Authors: Yankai Jiang, Zhongzhen Huang, Rongzhao Zhang, Xiaofan Zhang, Shaoting Zhang,
- Abstract要約: 問合せと自己プロンプトに基づく新しいゼロショットパン腫瘍セグメンテーションフレームワーク(ZePT)を提案する。
ZePTはオブジェクトクエリを2つのサブセットに切り離し、2つのステージでトレーニングする。
腫瘍セグメンテーションタスクの実験は、ZePTの性能上の優位性を示す。
- 参考スコア(独自算出の注目度): 11.087654014615955
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The long-tailed distribution problem in medical image analysis reflects a high prevalence of common conditions and a low prevalence of rare ones, which poses a significant challenge in developing a unified model capable of identifying rare or novel tumor categories not encountered during training. In this paper, we propose a new zero-shot pan-tumor segmentation framework (ZePT) based on query-disentangling and self-prompting to segment unseen tumor categories beyond the training set. ZePT disentangles the object queries into two subsets and trains them in two stages. Initially, it learns a set of fundamental queries for organ segmentation through an object-aware feature grouping strategy, which gathers organ-level visual features. Subsequently, it refines the other set of advanced queries that focus on the auto-generated visual prompts for unseen tumor segmentation. Moreover, we introduce query-knowledge alignment at the feature level to enhance each query's discriminative representation and generalizability. Extensive experiments on various tumor segmentation tasks demonstrate the performance superiority of ZePT, which surpasses the previous counterparts and evidence the promising ability for zero-shot tumor segmentation in real-world settings.
- Abstract(参考訳): 医用画像解析における長期分布問題は, 一般的な疾患の頻度が高く, 稀な疾患の頻度が低いことを反映している。
本稿では,問合せと自己プロンプトに基づくゼロショットパン腫瘍セグメンテーションフレームワーク(ZePT)を提案する。
ZePTはオブジェクトクエリを2つのサブセットに切り離し、2つのステージでトレーニングする。
最初は、オルガンレベルの視覚的特徴を収集するオブジェクト認識機能グループ化戦略を通じて、オルガンセグメンテーションのための基本的なクエリセットを学習する。
その後、未確認の腫瘍セグメンテーションのための自動生成視覚プロンプトに焦点を当てた、他の高度なクエリセットを洗練する。
さらに、各クエリの識別表現と一般化可能性を高めるために、特徴レベルでクエリ-知識アライメントを導入する。
種々の腫瘍セグメンテーションタスクに関する広範囲な実験は、ZePTの性能上の優位性を示し、実際の環境でゼロショット腫瘍セグメンテーションの有望な能力を証明している。
関連論文リスト
- 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) - Mask-Enhanced Segment Anything Model for Tumor Lesion Semantic
Segmentation [49.916468280857885]
Mask-Enhanced SAM (M-SAM) は3次元腫瘍病変の分節に適した革新的なアーキテクチャである。
本稿では,M-SAM内におけるMask-Enhanced Adapter (MEA) を提案する。
論文 参考訳(メタデータ) (2024-03-09T13:37:02Z) - Segment Any Cell: A SAM-based Auto-prompting Fine-tuning Framework for
Nuclei Segmentation [39.81051783009144]
Segment Any Cell (SAC) は、SAMを核セグメンテーションのために強化する革新的なフレームワークである。
SACはトランスフォーマーの注意層にローランド適応(LoRA)を統合し、微調整プロセスを改善する。
コントリビューションには、新しいプロンプト生成戦略、多様なセグメンテーションタスクの自動適応性、セグメンテーション課題のための汎用フレームワークなどが含まれます。
論文 参考訳(メタデータ) (2024-01-24T04:23:17Z) - Multi-task Explainable Skin Lesion Classification [54.76511683427566]
少ないラベル付きデータでよく一般化する皮膚病変に対する数発のショットベースアプローチを提案する。
提案手法は,アテンションモジュールや分類ネットワークとして機能するセグメンテーションネットワークの融合を含む。
論文 参考訳(メタデータ) (2023-10-11T05:49:47Z) - Prototype-Driven and Multi-Expert Integrated Multi-Modal MR Brain Tumor
Image Segmentation [23.127213250062425]
腫瘍サブリージョンの相互包摂による情報エイリアスの影響は無視されることが多い。
既存の方法は、通常、単一の腫瘍サブリージョンの特徴を強調するために調整された努力を要さない。
腫瘍のプロトタイプ駆動とマルチエキスパート統合を併用したマルチモーダルMR脳腫瘍セグメンテーション法を提案する。
論文 参考訳(メタデータ) (2023-07-22T22:41:11Z) - Factored Attention and Embedding for Unstructured-view Topic-related
Ultrasound Report Generation [70.7778938191405]
本研究では,非構造的トピック関連超音波レポート生成のための新しい因子的注意・埋め込みモデル(FAE-Gen)を提案する。
提案したFAE-Genは主に2つのモジュール、すなわちビュー誘導因子の注意とトピック指向因子の埋め込みから構成されており、異なるビューで均質および不均一な形態的特徴を捉えている。
論文 参考訳(メタデータ) (2022-03-12T15:24:03Z) - Anomaly Detection-Inspired Few-Shot Medical Image Segmentation Through
Self-Supervision With Supervoxels [23.021720656733088]
そこで本研究では, 異常検出に着想を得た新規な医用画像分割手法を提案する。
我々は1つの前景のプロトタイプを使用して、全てのクエリピクセルの異常スコアを計算する。
セグメンテーションは、学習しきい値を用いてこれらの異常スコアをしきい値にすることで実行される。
論文 参考訳(メタデータ) (2022-03-03T22:36:39Z) - Towards to Robust and Generalized Medical Image Segmentation Framework [17.24628770042803]
本稿では,ロバストな一般化セグメンテーションのための新しい2段階フレームワークを提案する。
特に、教師なしTile-wise AutoEncoder(T-AE)事前学習アーキテクチャは、意味のある表現を学ぶために作成される。
複数の胸部X線データセットに対する肺分画実験を行った。
論文 参考訳(メタデータ) (2021-08-09T05:58:49Z) - Generalized Organ Segmentation by Imitating One-shot Reasoning using
Anatomical Correlation [55.1248480381153]
そこで我々は,アノテーション付きオルガンクラスから一般化されたオルガン概念を学習し,その概念を未知のクラスに転送するOrganNetを提案する。
そこで,OrganNetは臓器形態の幅広い変化に効果的に抵抗でき,一発分節タスクで最先端の結果が得られることを示す。
論文 参考訳(メタデータ) (2021-03-30T13:41:12Z) - 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) - Weakly supervised multiple instance learning histopathological tumor
segmentation [51.085268272912415]
スライド画像全体のセグメント化のための弱教師付きフレームワークを提案する。
トレーニングモデルに複数のインスタンス学習スキームを利用する。
提案するフレームワークは,The Cancer Genome AtlasとPatchCamelyonデータセットのマルチロケーションとマルチ中心公開データに基づいて評価されている。
論文 参考訳(メタデータ) (2020-04-10T13:12:47Z)
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。