論文の概要: Unsupervised Segmentation of Colonoscopy Images
- arxiv url: http://arxiv.org/abs/2312.12599v1
- Date: Tue, 19 Dec 2023 20:59:19 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-21 17:49:41.213676
- Title: Unsupervised Segmentation of Colonoscopy Images
- Title(参考訳): 大腸内視鏡画像の教師なしセグメンテーション
- Authors: Heming Yao, J\'er\^ome L\"uscher, Benjamin Gutierrez Becker, Josep
Ar\'us-Pous, Tommaso Biancalani, Amelie Bigorgne, David Richmond
- Abstract要約: 大腸内視鏡画像における3つの課題において,視覚変換器の自己監督機能を用いて検討する。
以上の結果から,DINOモデルから得られた画像レベルの特徴が,完全教師付きモデルに匹敵する画像分類性能を実現することが示唆された。
- 参考スコア(独自算出の注目度): 0.7775266571852477
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Colonoscopy plays a crucial role in the diagnosis and prognosis of various
gastrointestinal diseases. Due to the challenges of collecting large-scale
high-quality ground truth annotations for colonoscopy images, and more
generally medical images, we explore using self-supervised features from vision
transformers in three challenging tasks for colonoscopy images. Our results
indicate that image-level features learned from DINO models achieve image
classification performance comparable to fully supervised models, and
patch-level features contain rich semantic information for object detection.
Furthermore, we demonstrate that self-supervised features combined with
unsupervised segmentation can be used to discover multiple clinically relevant
structures in a fully unsupervised manner, demonstrating the tremendous
potential of applying these methods in medical image analysis.
- Abstract(参考訳): 大腸内視鏡は様々な消化管疾患の診断と予後に重要な役割を果たす。
大腸内視鏡画像やより一般的な医用画像に対して,大規模で高品質な接地真実アノテーションを収集することの難しさから,大腸内視鏡画像の3つの課題において,視覚変換器からの自己監督的特徴を用いて検討する。
以上の結果から,dinoモデルから得られた画像レベル機能は,完全な教師付きモデルに匹敵する画像分類性能を達成し,パッチレベル機能はオブジェクト検出のための豊富な意味情報を含むことがわかった。
さらに, 自己監督機能と教師なしセグメンテーションを組み合わせることで, 完全に教師なしの方法で複数の臨床関連構造を発見できることを実証し, これらの手法を医用画像解析に応用する可能性を示した。
関連論文リスト
- Knowledge Extraction and Distillation from Large-Scale Image-Text
Colonoscopy Records Leveraging Large Language and Vision Models [28.850624727054903]
本研究では,深層知識抽出・蒸留のためのデータマイニングパラダイムであるEndoKEDを提案する。
大腸内視鏡生記録のマルチ中心データセット(100万枚画像)を用いたEndoKEDの検証
EndoKED事前訓練された視覚バックボーンは、光生検のためのデータ効率と一般化可能な学習を可能にし、振り返りと予測バリデーションの両方で専門家レベルのパフォーマンスを達成する。
論文 参考訳(メタデータ) (2023-10-17T11:41:38Z) - Towards Automated Semantic Segmentation in Mammography Images [0.0]
乳頭, 胸部筋, 線維腺組織, 脂肪組織を, 標準乳房造影画像で区分けするための深層学習ベースの枠組みを提案する。
論文 参考訳(メタデータ) (2023-07-18T15:04:42Z) - GraVIS: Grouping Augmented Views from Independent Sources for
Dermatology Analysis [52.04899592688968]
皮膚科画像から自己教師付き特徴を学習するために特に最適化されたGraVISを提案する。
GraVISは、病変のセグメンテーションと疾患分類のタスクにおいて、転送学習と自己教師型学習を著しく上回っている。
論文 参考訳(メタデータ) (2023-01-11T11:38:37Z) - Contrastive learning for unsupervised medical image clustering and
reconstruction [0.23624125155742057]
本稿では,非教師なしのオートエンコーダフレームワークを提案する。
提案手法は教師付きアーキテクチャと同じような性能を達成し,潜伏空間における分離が専門家の医療観察者指定ラベルを再現することを示す。
論文 参考訳(メタデータ) (2022-09-24T13:17:02Z) - Semantic segmentation of multispectral photoacoustic images using deep
learning [53.65837038435433]
光音響イメージングは医療に革命をもたらす可能性がある。
この技術の臨床的翻訳には、高次元取得したデータを臨床的に関連性があり解釈可能な情報に変換する必要がある。
本稿では,多スペクトル光音響画像のセマンティックセグメンテーションに対する深層学習に基づくアプローチを提案する。
論文 参考訳(メタデータ) (2021-05-20T09:33:55Z) - Malignancy Prediction and Lesion Identification from Clinical
Dermatological Images [65.1629311281062]
臨床皮膚画像から機械学習に基づく悪性度予測と病変の同定を検討する。
まず, サブタイプや悪性度に関わらず画像に存在するすべての病変を同定し, その悪性度を推定し, 凝集により, 画像レベルの悪性度も生成する。
論文 参考訳(メタデータ) (2021-04-02T20:52:05Z) - 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) - Improving colonoscopy lesion classification using semi-supervised deep
learning [2.568264809297699]
半教師付き学習における最近の研究は、大量の未ラベルデータによるトレーニングから、画像の有意義な表現が得られることを示した。
大腸内視鏡検査では,教師なしのジグソー学習課題と教師付きトレーニングの併用により,病変の分類精度が最大9.8%向上した。
論文 参考訳(メタデータ) (2020-09-07T15:25:35Z) - Towards Unsupervised Learning for Instrument Segmentation in Robotic
Surgery with Cycle-Consistent Adversarial Networks [54.00217496410142]
本稿では、入力された内視鏡画像と対応するアノテーションとのマッピングを学習することを目的として、未ペア画像から画像への変換を提案する。
当社のアプローチでは,高価なアノテーションを取得することなく,イメージセグメンテーションモデルをトレーニングすることが可能です。
提案手法をEndovis 2017チャレンジデータセットで検証し,教師付きセグメンテーション手法と競合することを示す。
論文 参考訳(メタデータ) (2020-07-09T01:39:39Z) - 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。