論文の概要: ScribblePrompt: Fast and Flexible Interactive Segmentation for Any Medical Image

• arxiv url: http://arxiv.org/abs/2312.07381v1
• Date: Tue, 12 Dec 2023 15:57:03 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-13 15:25:24.528038
• Title: ScribblePrompt: Fast and Flexible Interactive Segmentation for Any Medical Image
• Title（参考訳）: ScribblePrompt:どんな医療画像でも高速でフレキシブルなインタラクティブセグメンテーション
• Authors: Hallee E. Wong, Marianne Rakic, John Guttag, Adrian V. Dalca
• Abstract要約: ScribblePromptは、医療画像のためのインタラクティブなセグメンテーションフレームワークである。 人間のアノテータは、スクリブル、クリック、バウンディングボックスを使って、見えない構造を分割することができる。 65のオープンアクセスバイオメディカルデータセットの多様なコレクションをトレーニングします。
• 参考スコア（独自算出の注目度）: 4.4533241985453165
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Semantic medical image segmentation is a crucial part of both scientific research and clinical care. With enough labelled data, deep learning models can be trained to accurately automate specific medical image segmentation tasks. However, manually segmenting images to create training data is highly labor intensive. In this paper, we present ScribblePrompt, an interactive segmentation framework for medical imaging that enables human annotators to segment unseen structures using scribbles, clicks, and bounding boxes. Scribbles are an intuitive and effective form of user interaction for complex tasks, however most existing methods focus on click-based interactions. We introduce algorithms for simulating realistic scribbles that enable training models that are amenable to multiple types of interaction. To achieve generalization to new tasks, we train on a diverse collection of 65 open-access biomedical datasets -- using both real and synthetic labels. We test ScribblePrompt on multiple network architectures and unseen datasets, and demonstrate that it can be used in real-time on a single CPU. We evaluate ScribblePrompt using manually-collected scribbles, simulated interactions, and a user study. ScribblePrompt outperforms existing methods in all our evaluations. In the user study, ScribblePrompt reduced annotation time by 28% while improving Dice by 15% compared to existing methods. We showcase ScribblePrompt in an online demo and provide code at https://scribbleprompt.csail.mit.edu
• Abstract（参考訳）: セマンティック・メディカル・イメージ・セグメンテーションは科学研究と臨床医療の両方において重要な部分である。 十分なラベル付きデータによって、ディープラーニングモデルは、特定の医療画像セグメンテーションタスクを正確に自動化するように訓練することができる。 しかし、トレーニングデータを作成するために手動で画像のセグメンテーションを行うのは、非常に手間がかかる。 本稿では、スクリブル、クリック、バウンディングボックスを用いて、人間のアノテータが見えない構造を分割できる、医療画像のためのインタラクティブなセグメンテーションフレームワークであるScribblePromptを提案する。 Scribblesは複雑なタスクに対するユーザインタラクションの直感的で効果的な形式であるが、既存のほとんどのメソッドはクリックベースのインタラクションに焦点を当てている。 複数種類のインタラクションに対応可能なトレーニングモデルを実現するための,現実的なスクリブルのシミュレーションアルゴリズムを導入する。 新しいタスクの一般化を達成するために、リアルラベルと合成ラベルの両方を使用して65のオープンアクセスバイオメディカルデータセットの多様なコレクションをトレーニングします。 複数のネットワークアーキテクチャと未知のデータセット上でScribblePromptをテストし、単一のCPU上でリアルタイムに使用できることを示す。 ScribblePromptは,手動合成,シミュレーションインタラクション,ユーザスタディを用いて評価する。 ScribblePromptは、すべての評価において既存のメソッドよりも優れています。 ユーザスタディでは、ScribblePromptはアノテーション時間を28%削減し、Diceを既存の方法に比べて15%改善した。 scribblepromptをオンラインデモで紹介し、https://scribbleprompt.csail.mit.eduでコードを提供します。

関連論文リスト

• Microscopy Image Segmentation via Point and Shape Regularized Data Synthesis [9.47802391546853]
  合成学習データを用いた顕微鏡画像セグメンテーションのための統一パイプラインを構築した。 本フレームワークは,濃密なラベルを持つ高精度な顕微鏡画像で訓練されたモデルと同等の結果が得られる。
  論文  参考訳（メタデータ） (2023-08-18T22:00:53Z)
• Unsupervised Segmentation of Fetal Brain MRI using Deep Learning Cascaded Registration [2.494736313545503]
  従来の深層学習に基づく自動セグメンテーションは、グランドトラストラベルによる広範なトレーニングデータを必要とする。 ラベル付きデータに頼らずに複数の組織を正確にセグメンテーションするマルチアトラスセグメンテーションに基づく新しい手法を提案する。 提案手法では,3次元画像登録のためのカスケード深層学習ネットワークを用いて,移動画像への小さなインクリメンタルな変形を計算し,それを固定画像と正確に整合させる。
  論文  参考訳（メタデータ） (2023-07-07T13:17:12Z)
• Self-Supervised Correction Learning for Semi-Supervised Biomedical Image Segmentation [84.58210297703714]
  半教師付きバイオメディカルイメージセグメンテーションのための自己教師付き補正学習パラダイムを提案する。 共有エンコーダと2つの独立デコーダを含むデュアルタスクネットワークを設計する。 異なるタスクのための3つの医用画像分割データセットの実験により,本手法の優れた性能が示された。
  論文  参考訳（メタデータ） (2023-01-12T08:19:46Z)
• Pseudo-label Guided Cross-video Pixel Contrast for Robotic Surgical Scene Segmentation with Limited Annotations [72.15956198507281]
  シーンセグメンテーションを促進するために,新しい擬似ラベル付きクロスビデオコントラスト学習法であるPGV-CLを提案する。 本研究では,ロボット外科手術データセットEndoVis18と白内障手術データセットCaDISについて検討した。
  論文  参考訳（メタデータ） (2022-07-20T05:42:19Z)
• Suggestive Annotation of Brain MR Images with Gradient-guided Sampling [12.928940875474378]
  そこで我々は,脳MRI画像に対する効率的なアノテーションフレームワークを提案し,アノテートを行うための情報的サンプル画像を提案する。 脳腫瘍の分節と全脳の分節という2つの異なる脳画像解析タスクの枠組みを評価する。 提案フレームワークは,手動アノテーションのコストを削減し,医用画像アプリケーションにおけるデータ効率を向上させるための有望な方法を示す。
  論文  参考訳（メタデータ） (2022-06-02T12:23:44Z)
• Voice-assisted Image Labelling for Endoscopic Ultrasound Classification using Neural Networks [48.732863591145964]
  本稿では,臨床医が提示した生音声からのEUS画像にラベルを付けるマルチモーダル畳み込みニューラルネットワークアーキテクチャを提案する。 その結果,5つのラベルを持つデータセットにおいて,画像レベルでの予測精度は76%であった。
  論文  参考訳（メタデータ） (2021-10-12T21:22:24Z)
• Semantic Segmentation with Generative Models: Semi-Supervised Learning and Strong Out-of-Domain Generalization [112.68171734288237]
  本論文では,画像とラベルの再生モデルを用いた識別画素レベルのタスクのための新しいフレームワークを提案する。 我々は,共同画像ラベルの分布を捕捉し,未ラベル画像の大規模な集合を用いて効率的に訓練する生成的対向ネットワークを学習する。 ドメイン内性能をいくつかのベースラインと比較し,ドメイン外一般化を極端に示す最初の例である。
  論文  参考訳（メタデータ） (2021-04-12T21:41:25Z)
• Uncertainty guided semi-supervised segmentation of retinal layers in OCT images [4.046207281399144]
  セグメンテーションネットワークを訓練する学生・教師のアプローチに基づく,新しい不確実性誘導半教師学習を提案する。 提案するフレームワークは,様々な画像モダリティにまたがるバイオメディカルイメージセグメンテーションに有効である。
  論文  参考訳（メタデータ） (2021-03-02T23:14:25Z)
• 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)
• Going to Extremes: Weakly Supervised Medical Image Segmentation [12.700841704699615]
  セグメンテーションモデルをトレーニングするために、極端点クリックという形で最小限のユーザインタラクションを使うことを提案する。 ランダムウォーカアルゴリズムを利用した極端点に基づいて初期セグメンテーションを生成する。 この初期セグメンテーションは、完全な畳み込みネットワークを訓練するためにノイズの多い監視信号として使用される。
  論文  参考訳（メタデータ） (2020-09-25T00:28:10Z)
• 3D medical image segmentation with labeled and unlabeled data using autoencoders at the example of liver segmentation in CT images [58.720142291102135]
  本研究では、畳み込みニューラルネットワークによるセグメンテーションを改善するために、オートエンコーダ抽出機能の可能性を検討する。 コンボリューション・オートエンコーダを用いてラベルのないデータから特徴を抽出し,CT画像における3次元肝セグメンテーションの目標タスクを実行するために,マルチスケールの完全畳み込みCNNを用いた。
  論文  参考訳（メタデータ） (2020-03-17T20:20:43Z)

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。