論文の概要: Benefit from public unlabeled data: A Frangi filtering-based pretraining network for 3D cerebrovascular segmentation

• arxiv url: http://arxiv.org/abs/2312.15273v1
• Date: Sat, 23 Dec 2023 14:47:21 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-27 18:51:29.253954
• Title: Benefit from public unlabeled data: A Frangi filtering-based pretraining network for 3D cerebrovascular segmentation
• Title（参考訳）: パブリック・アンラベルド・データからの利点:3次元脳血管分画のためのfrangi filter-based pretraining network
• Authors: Gen Shi and Hao Lu and Hui Hui and Jie Tian
• Abstract要約: 我々はこれまでで最大の未処理TOF-MRAデータセットを構築した。 本稿では,Frangiフィルタに基づく簡易かつ効果的なトレーニング戦略を提案する。 その結果, モデルの性能が向上し, 約3%の改善が得られた。
• 参考スコア（独自算出の注目度）: 8.611575147737147
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The precise cerebrovascular segmentation in time-of-flight magnetic resonance angiography (TOF-MRA) data is crucial for clinically computer-aided diagnosis. However, the sparse distribution of cerebrovascular structures in TOF-MRA results in an exceedingly high cost for manual data labeling. The use of unlabeled TOF-MRA data holds the potential to enhance model performance significantly. In this study, we construct the largest preprocessed unlabeled TOF-MRA datasets (1510 subjects) to date. We also provide three additional labeled datasets totaling 113 subjects. Furthermore, we propose a simple yet effective pertraining strategy based on Frangi filtering, known for enhancing vessel-like structures, to fully leverage the unlabeled data for 3D cerebrovascular segmentation. Specifically, we develop a Frangi filtering-based preprocessing workflow to handle the large-scale unlabeled dataset, and a multi-task pretraining strategy is proposed to effectively utilize the preprocessed data. By employing this approach, we maximize the knowledge gained from the unlabeled data. The pretrained model is evaluated on four cerebrovascular segmentation datasets. The results have demonstrated the superior performance of our model, with an improvement of approximately 3\% compared to state-of-the-art semi- and self-supervised methods. Furthermore, the ablation studies also demonstrate the generalizability and effectiveness of the pretraining method regarding the backbone structures. The code and data have been open source at: \url{https://github.com/shigen-StoneRoot/FFPN}.
• Abstract（参考訳）: 飛行時磁気共鳴血管造影(TOF-MRA)データにおける正確な脳血管のセグメンテーションは,臨床診断に不可欠である。 しかし、TOF-MRAにおける脳血管構造のスパース分布は、手動データラベリングにおいて非常に高いコストをもたらす。 ラベルなしTOF-MRAデータの使用は、モデル性能を大幅に向上させる可能性を秘めている。 本研究では,これまでで最大の未処理TOF-MRAデータセット(1510件)を構築した。 また、合計113名のラベル付きデータセットを3つ追加します。 さらに,血管構造を増強することで知られるFrangiフィルタをベースとした簡易かつ効果的なトレーニング戦略を提案し,脳血管セグメンテーションのためのラベル付きデータを完全に活用する。 具体的には,大規模なラベルなしデータセットを処理するためのfrangiフィルタに基づく前処理ワークフローを開発し,前処理データを有効に活用するためのマルチタスク前処理戦略を提案する。 このアプローチを用いることで、ラベルのないデータから得られる知識を最大化する。 プリトレーニングされたモデルは4つの脳血管セグメンテーションデータセットで評価される。 その結果,最先端の半教師方式や自己監督方式に比べて約3倍の性能向上が得られた。 さらに,本研究は,バックボーン構造に関する事前学習法の一般化可能性と有効性を示す。 コードとデータはオープンソースである。 \url{https://github.com/shigen-stoneroot/ffpn}。

関連論文リスト

• A Federated Learning-Friendly Approach for Parameter-Efficient Fine-Tuning of SAM in 3D Segmentation [5.011091042850546]
  医用画像解析に基礎モデルを適用するには、かなりの量のデータでそれらを微調整する必要がある。 このような微調整のためのタスク固有の医療データを中央で収集することは、多くのプライバシー上の懸念を引き起こす。 フェデレーテッド・ラーニング(FL)は、プライベートな分散データをトレーニングするための効果的な手段を提供するが、大規模な基盤モデルをフェデレーテッドする際の通信コストは、すぐに重大なボトルネックとなる可能性がある。
  論文  参考訳（メタデータ） (2024-07-31T16:48:06Z)
• Few-Shot Airway-Tree Modeling using Data-Driven Sparse Priors [0.0]
  限られたアノテートデータのみを使用して事前訓練されたモデルを転送するには、少ないショットの学習アプローチが費用対効果がある。 我々は,肺CTスキャンにおいて,気道の効率を高めるために,データ駆動型スペーシフィケーションモジュールを訓練する。 次に、これらのスパース表現を標準教師付きセグメンテーションパイプラインに組み込み、DLモデルの性能を高めるための事前学習ステップとする。
  論文  参考訳（メタデータ） (2024-07-05T13:46:11Z)
• Extracting Training Data from Unconditional Diffusion Models [76.85077961718875]
  拡散確率モデル(DPM)は、生成人工知能(AI)の主流モデルとして採用されている。 本研究の目的は,1) 理論解析のための記憶量,2) 情報ラベルとランダムラベルを用いた条件記憶量,3) 記憶量測定のための2つのより良い評価指標を用いて,DPMにおける記憶量の理論的理解を確立することである。 提案手法は,理論解析に基づいて,SIDE (textbfSurrogate condItional Data extract) と呼ばれる新しいデータ抽出手法を提案する。
  論文  参考訳（メタデータ） (2024-06-18T16:20:12Z)
• The effect of data augmentation and 3D-CNN depth on Alzheimer's Disease detection [51.697248252191265]
  この研究は、データハンドリング、実験設計、モデル評価に関するベストプラクティスを要約し、厳密に観察する。 我々は、アルツハイマー病(AD)の検出に焦点を当て、医療における課題のパラダイム的な例として機能する。 このフレームワークでは,3つの異なるデータ拡張戦略と5つの異なる3D CNNアーキテクチャを考慮し,予測15モデルを訓練する。
  論文  参考訳（メタデータ） (2023-09-13T10:40:41Z)
• Source-Free Collaborative Domain Adaptation via Multi-Perspective Feature Enrichment for Functional MRI Analysis [55.03872260158717]
  安静時MRI機能(rs-fMRI)は、神経疾患の分析を助けるために多地点で研究されている。 ソース領域とターゲット領域の間のfMRIの不均一性を低減するための多くの手法が提案されている。 しかし、マルチサイト研究における懸念やデータストレージの負担のため、ソースデータの取得は困難である。 我々は、fMRI解析のためのソースフリー協調ドメイン適応フレームワークを設計し、事前訓練されたソースモデルとラベルなしターゲットデータのみにアクセスできるようにする。
  論文  参考訳（メタデータ） (2023-08-24T01:30:18Z)
• Synthetic Augmentation with Large-scale Unconditional Pre-training [4.162192894410251]
  アノテーション付きデータへの依存性を低減するため,HistoDiffusionという合成拡張手法を提案する。 HistoDiffusionは、大規模にラベル付けされていないデータセットで事前トレーニングし、その後、拡張トレーニングのために小さなラベル付きデータセットに適用することができる。 本手法は,3つの病理組織学的データセットを事前学習し,大腸癌の病理組織学的データセット(CRC)を事前学習データセットから除外して評価する。
  論文  参考訳（メタデータ） (2023-08-08T03:34:04Z)
• A Dataset for Deep Learning-based Bone Structure Analyses in Total Hip Arthroplasty [8.604089365903029]
  全股関節解剖(THA)は整形外科において広く用いられている外科手術である。 ディープラーニング技術は有望だが、学習には高品質なラベル付きデータが必要である。 ディープラーニング指向のデータセットを生成するための効率的なデータアノテーションパイプラインを提案する。
  論文  参考訳（メタデータ） (2023-06-07T16:28:53Z)
• Efficient Medical Image Assessment via Self-supervised Learning [27.969767956918503]
  高性能なディープラーニング手法は通常、大きな注釈付きトレーニングデータセットに依存する。 本稿では,未ラベルの医用画像データの品質をランク付けするための,新規で効率的なデータアセスメント戦略を提案する。 SSL埋め込み空間の理論的な意味から,我々はMasked Autoencoderを用いて特徴抽出を行う。
  論文  参考訳（メタデータ） (2022-09-28T21:39:00Z)
• Boosting Facial Expression Recognition by A Semi-Supervised Progressive Teacher [54.50747989860957]
  本稿では,信頼度の高いFERデータセットと大規模未ラベル表現画像を有効訓練に用いるための半教師付き学習アルゴリズム,Progressive Teacher (PT)を提案する。 RAF-DB と FERPlus を用いた実験により,RAF-DB で89.57% の精度で最先端の性能を実現する手法の有効性が検証された。
  論文  参考訳（メタデータ） (2022-05-28T07:47:53Z)
• Unsupervised Anomaly Detection in 3D Brain MRI using Deep Learning with impured training data [53.122045119395594]
  トレーニングデータ中の不健康なサンプルが脳MRIスキャンの異常検出性能に与える影響について検討した。 AEの再構成誤差に基づいて,トレーニング中に誤ラベル付きサンプルを直接識別する手法の評価を行った。
  論文  参考訳（メタデータ） (2022-04-12T13:05:18Z)
• Omni-supervised Facial Expression Recognition via Distilled Data [120.11782405714234]
  ネットワークトレーニングにおいて,信頼度の高いサンプルを多量のラベルのないデータで活用するためのオムニ教師付き学習を提案する。 我々は,新しいデータセットが学習したFERモデルの能力を大幅に向上させることができることを実験的に検証した。 そこで本研究では,生成したデータセットを複数のクラスワイド画像に圧縮するために,データセット蒸留戦略を適用することを提案する。
  論文  参考訳（メタデータ） (2020-05-18T09:36:51Z)

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。