論文の概要: Collaborative Learning for Annotation-Efficient Volumetric MR Image
Segmentation
- arxiv url: http://arxiv.org/abs/2312.10978v1
- Date: Mon, 18 Dec 2023 07:02:37 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-20 21:06:20.879682
- Title: Collaborative Learning for Annotation-Efficient Volumetric MR Image
Segmentation
- Title（参考訳）: 注釈効率の良いボリュームMR画像分割のための協調学習
- Authors: Yousuf Babiker M. Osman, Cheng Li, Weijian Huang, and Shanshan Wang
- Abstract要約: 本研究の目的は,各3次元訓練MR画像に対して,1つの2次元スライスラベルのみをスパースアノテーションとして探索する深層学習手法を構築することである。
半教師型・自己教師型学習スキームの強みを統合した協調学習法を開発した。
提案手法はセグメンテーション精度を大幅に向上させ, 前立腺セグメンテーションでは平均B-IoUを10.0%以上増加させた。
- 参考スコア（独自算出の注目度）: 5.462792626065119
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Background: Deep learning has presented great potential in accurate MR image
segmentation when enough labeled data are provided for network optimization.
However, manually annotating 3D MR images is tedious and time-consuming,
requiring experts with rich domain knowledge and experience. Purpose: To build
a deep learning method exploring sparse annotations, namely only a single 2D
slice label for each 3D training MR image. Population: 3D MR images of 150
subjects from two publicly available datasets were included. Among them, 50
(1,377 image slices) are for prostate segmentation. The other 100 (8,800 image
slices) are for left atrium segmentation. Five-fold cross-validation
experiments were carried out utilizing the first dataset. For the second
dataset, 80 subjects were used for training and 20 were used for testing.
Assessment: A collaborative learning method by integrating the strengths of
semi-supervised and self-supervised learning schemes was developed. The method
was trained using labeled central slices and unlabeled non-central slices.
Segmentation performance on testing set was reported quantitatively and
qualitatively. Results: Compared to FS-LCS, MT, UA-MT, DCT-Seg, ICT, and AC-MT,
the proposed method achieved a substantial improvement in segmentation
accuracy, increasing the mean B-IoU significantly by more than 10.0% for
prostate segmentation (proposed method B-IoU: 70.3% vs. ICT B-IoU: 60.3%) and
by more than 6.0% for left atrium segmentation (proposed method B-IoU: 66.1%
vs. ICT B-IoU: 60.1%).
- Abstract（参考訳）: 背景: ディープラーニングは、ネットワーク最適化に十分なラベル付きデータが提供される場合に、正確なMR画像セグメンテーションにおいて大きな可能性を示している。
しかし、手動で3dmr画像に注釈を付けるのは面倒で時間がかかり、ドメインの知識と経験が豊富な専門家が必要となる。
目的: 3dトレーニングmr画像毎に1つの2dスライスラベルのみを含む、スパースアノテーションを探索するディープラーニング手法を構築すること。
人口:2つの公開データセットから150名の被験者の3D MR画像を含む。
そのうち50(画像スライス1,377)は前立腺分画である。
残りの100枚(8,800枚)は左房分断用である。
最初のデータセットを用いて5倍のクロスバリデーション実験を行った。
第2のデータセットでは、トレーニングに80の被験者を使用し、テストに20の被験者を使用した。
評価: 半教師付き学習と自己教師付き学習の強みを統合する協調学習法を開発した。
この方法はラベル付き中央スライスとラベルなし非中央スライスを用いて訓練された。
テストセットのセグメンテーション性能を定量的に定性的に報告した。
結果: FS-LCS, MT, UA-MT, DCT-Seg, ICT, AC-MTと比較すると, 前立腺区では平均B-IoUが10.0%以上(B-IoU: 70.3%対ICT B-IoU: 60.3%),左房区では6.0%以上(B-IoU:66.1%対ICT B-IoU: 601%)で有意に増加した。
関連論文リスト
- TotalSegmentator MRI: Sequence-Independent Segmentation of 59 Anatomical Structures in MR images [62.53931644063323]
本研究では,TotalSegmentatorをMR画像に拡張した。
このデータセットに基づいてnnU-Netセグメンテーションアルゴリズムを訓練し、類似度係数(Dice)を計算し、モデルの性能を評価した。
このモデルは、他の2つの公開セグメンテーションモデル(Dice score 0.824 vs 0.762; p0.001 and 0.762 versus 0.542; p)を大きく上回った。
論文 参考訳（メタデータ） (2024-05-29T20:15:54Z) - Label-efficient Multi-organ Segmentation Method with Diffusion Model [6.413416851085592]
我々は,CT画像における多臓器分割作業のための事前学習拡散モデルを用いたラベル効率の学習手法を提案する。
提案手法は, FLARE 2022データセットの最先端手法と比較して, 競合する多臓器セグメンテーション性能を実現する。
論文 参考訳（メタデータ） (2024-02-23T09:25:57Z) - OneSeg: Self-learning and One-shot Learning based Single-slice
Annotation for 3D Medical Image Segmentation [36.50258132379276]
本稿では,各3次元画像の1つのスライスに注釈を付けることで,3次元医用画像セグメンテーションのための自己学習とワンショット学習に基づくフレームワークを提案する。
提案手法は,(1)3次元画像中の2次元スライス間の意味的対応を学習する再構成ネットワークの自己学習,(2)1ショット手動アノテーションのための1つのスライスの代表的選択である。
我々の新しいフレームワークは、完全に教師された手法と比較して1%未満のアノテートデータで同等のパフォーマンスを達成する。
論文 参考訳（メタデータ） (2023-09-24T15:35:58Z) - FBA-Net: Foreground and Background Aware Contrastive Learning for
Semi-Supervised Atrium Segmentation [10.11072886547561]
半教師付き3次元医用画像セグメンテーションのための,前景と背景表現の対照的な学習戦略を提案する。
我々のフレームワークは、半教師付き3次元医用画像セグメンテーションの分野を前進させる可能性を秘めている。
論文 参考訳（メタデータ） (2023-06-27T04:14:50Z) - Semi-Supervised and Self-Supervised Collaborative Learning for Prostate
3D MR Image Segmentation [8.527048567343234]
MR画像分割は,多くの臨床応用において重要な役割を担っている。
ディープラーニング(DL)は、最近、様々な画像セグメンテーションタスクにおいて最先端または人間レベルのパフォーマンスを達成した。
本研究では,前立腺MR画像セグメンテーションのための半教師付き,自己教師型協調学習フレームワークを訓練することを目的とする。
論文 参考訳（メタデータ） (2022-11-16T11:40:13Z) - 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) - To be Critical: Self-Calibrated Weakly Supervised Learning for Salient
Object Detection [95.21700830273221]
弱教師付き有色物体検出(WSOD)は,画像レベルのアノテーションを用いた有色度モデルの開発を目的としている。
擬似ラベルとネットワーク予測の相互校正ループを明確に設定し,自己校正学習戦略を提案する。
十分に整合したアノテーションを持つはるかに小さなデータセットであっても、モデルがより優れたパフォーマンスと一般化性を達成するのに役立ちます。
論文 参考訳（メタデータ） (2021-09-04T02:45:22Z) - Medical Instrument Segmentation in 3D US by Hybrid Constrained
Semi-Supervised Learning [62.13520959168732]
3DUSにおける楽器セグメンテーションのための半教師付き学習フレームワークを提案する。
SSL学習を実現するため、Dual-UNetが提案されている。
提案手法は,Diceの約68.6%-69.1%,推定時間約1秒を実現している。
論文 参考訳（メタデータ） (2021-07-30T07:59:45Z) - AIDE: Annotation-efficient deep learning for automatic medical image
segmentation [22.410878684721286]
クロスモデル自己修正機構を精巧に設計し、不完全なデータセットを処理するための effIcient Deep lEarning (AIDE) を紹介します。
AIDEは、完全に教師された担当者によって生成されるものと同等のセグメンテーションマップを一貫して生成する。
このような専門家のラベルを活用する効率の10倍の改善は、幅広い生物医学的応用を促進する可能性があります。
論文 参考訳（メタデータ） (2020-12-09T06:27:09Z) - ATSO: Asynchronous Teacher-Student Optimization for Semi-Supervised
Medical Image Segmentation [99.90263375737362]
教師-学生最適化の非同期版であるATSOを提案する。
ATSOはラベルのないデータを2つのサブセットに分割し、モデルの微調整に1つのサブセットを交互に使用し、他のサブセットのラベルを更新する。
医用画像のセグメンテーションデータセットを2つ評価し,様々な半教師付き環境において優れた性能を示す。
論文 参考訳（メタデータ） (2020-06-24T04:05:12Z) - 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。