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
- Pseudo Label-Guided Data Fusion and Output Consistency for
Semi-Supervised Medical Image Segmentation [9.93871075239635]
より少ないアノテーションで医用画像のセグメンテーションを行うための平均教師ネットワーク上に構築されたPLGDFフレームワークを提案する。
本稿では,ラベル付きデータとラベルなしデータを組み合わせてデータセットを効果的に拡張する,新しい擬似ラベル利用方式を提案する。
本フレームワークは,最先端の6つの半教師あり学習手法と比較して,優れた性能が得られる。
論文 参考訳(メタデータ) (2023-11-17T06:36:43Z) - 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) - Automatic airway segmentation from Computed Tomography using robust and
efficient 3-D convolutional neural networks [0.0]
胸部CTにおける全自動およびエンドツーエンド最適化気道分割法を提案する。
シンプルで低メモリの3D U-Netをバックボーンとして使用し、大規模な3Dイメージパッチを処理できます。
本手法は誤検出の少ない高度に完全な気道木を抽出できることを示す。
論文 参考訳(メタデータ) (2021-03-30T13:21:02Z) - 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) - Automatic Data Augmentation via Deep Reinforcement Learning for
Effective Kidney Tumor Segmentation [57.78765460295249]
医用画像セグメンテーションのための新しい学習ベースデータ拡張法を開発した。
本手法では,データ拡張モジュールと後続のセグメンテーションモジュールをエンドツーエンドのトレーニング方法で一貫した損失と,革新的に組み合わせる。
提案法の有効性を検証したCT腎腫瘍分節法について,本法を広範囲に評価した。
論文 参考訳(メタデータ) (2020-02-22T14:10:13Z)
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。