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

• Frontiers in Intelligent Colonoscopy [96.57251132744446]
  本研究は, インテリジェント大腸内視鏡技術のフロンティアと, マルチモーダル医療への応用の可能性について検討する。 大腸内視鏡的シーン知覚のための4つのタスクを通して,現在のデータ中心およびモデル中心のランドスケープを評価した。 今後のマルチモーダル時代を受け入れるために,大規模マルチモーダル・インストラクション・チューニング・データセットColoninST,大腸内視鏡で設計されたマルチモーダル言語モデルColonGPT,マルチモーダル・ベンチマークの3つの基本イニシアティブを構築した。
  論文  参考訳（メタデータ） (2024-10-22T17:57:12Z)
• Advancing Medical Image Segmentation: Morphology-Driven Learning with Diffusion Transformer [4.672688418357066]
  本稿では,雑音の存在下での頑健なセグメンテーションのためのトランスフォーマー拡散(DTS)モデルを提案する。 画像の形態的表現を解析する本モデルでは, 種々の医用画像モダリティにおいて, 従来のモデルよりも良好な結果が得られた。
  論文  参考訳（メタデータ） (2024-08-01T07:35:54Z)
• Eye-gaze Guided Multi-modal Alignment for Medical Representation Learning [65.54680361074882]
  アイゲイズガイドマルチモーダルアライメント(EGMA)フレームワークは、アイゲイズデータを利用して、医用視覚的特徴とテキスト的特徴のアライメントを改善する。 我々は4つの医療データセット上で画像分類と画像テキスト検索の下流タスクを行う。
  論文  参考訳（メタデータ） (2024-03-19T03:59:14Z)
• 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)
• 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)
• 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。