論文の概要: Improving Limited Supervised Foot Ulcer Segmentation Using Cross-Domain Augmentation

• arxiv url: http://arxiv.org/abs/2401.08422v1
• Date: Tue, 16 Jan 2024 15:08:38 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-18 09:25:22.871437
• Title: Improving Limited Supervised Foot Ulcer Segmentation Using Cross-Domain Augmentation
• Title（参考訳）: クロスドメイン増強を用いた限定教師付き足部潰瘍セグメンテーションの改善
• Authors: Shang-Jui Kuo, Po-Han Huang, Chia-Ching Lin, Jeng-Lin Li, Ming-Ching Chang
• Abstract要約: 糖尿病性足潰瘍は、死亡率、死亡率、切断率などの健康リスクを引き起こす。 創傷部位のモニタリングは適切なケアには不可欠であるが, 複雑な創傷の特徴と背景変化により手指分割が主観的である。 そこで本研究では,Augmented Global Pre-training AGPとLocalized CutMix Fine-tuning LCFを組み合わせたTransMixというクロスドメイン拡張手法を提案する。
• 参考スコア（独自算出の注目度）: 16.50491209336004
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Diabetic foot ulcers pose health risks, including higher morbidity, mortality, and amputation rates. Monitoring wound areas is crucial for proper care, but manual segmentation is subjective due to complex wound features and background variation. Expert annotations are costly and time-intensive, thus hampering large dataset creation. Existing segmentation models relying on extensive annotations are impractical in real-world scenarios with limited annotated data. In this paper, we propose a cross-domain augmentation method named TransMix that combines Augmented Global Pre-training AGP and Localized CutMix Fine-tuning LCF to enrich wound segmentation data for model learning. TransMix can effectively improve the foot ulcer segmentation model training by leveraging other dermatology datasets not on ulcer skins or wounds. AGP effectively increases the overall image variability, while LCF increases the diversity of wound regions. Experimental results show that TransMix increases the variability of wound regions and substantially improves the Dice score for models trained with only 40 annotated images under various proportions.
• Abstract（参考訳）: 糖尿病性足潰瘍は、死亡率、死亡率、切断率などの健康リスクを引き起こす。 創傷部位のモニタリングは適切なケアには不可欠であるが, 複雑な創傷の特徴と背景変化により手指分割が主観的である。 エキスパートアノテーションはコストが高く、時間を要するため、大規模なデータセット生成を妨げる。 大規模なアノテーションに依存する既存のセグメンテーションモデルは、注釈データに制限のある現実のシナリオでは実用的ではない。 本稿では,Augmented Global Pre-training AGPとLocalized CutMix Fine-tuning LCFを組み合わせたTransMixというクロスドメイン拡張手法を提案する。 TransMixは、潰瘍の皮膚や傷ではなく、他の皮膚科学データセットを活用することにより、足部潰瘍セグメンテーションモデルのトレーニングを効果的に改善することができる。 AGPは画像全体のばらつきを効果的に増加させ、LCFは傷領域の多様性を増大させる。 実験結果から,transmixは創傷領域の変動性を増加させ,40個のアノテート画像で訓練したモデルのサイススコアを,様々な割合で実質的に向上させた。

関連論文リスト

• Dual-scale Enhanced and Cross-generative Consistency Learning for Semi-supervised Medical Image Segmentation [49.57907601086494]
  医用画像のセグメンテーションはコンピュータ支援診断において重要な役割を担っている。 半教師型医用画像(DEC-Seg)のための新しいDual-scale Enhanced and Cross-generative consistency learning frameworkを提案する。
  論文  参考訳（メタデータ） (2023-12-26T12:56:31Z)
• LesionMix: A Lesion-Level Data Augmentation Method for Medical Image Segmentation [10.464109996943218]
  新規かつ簡便な病変認識データ拡張法であるLesionMixを提案する。 病変レベルで増強を行い、病変の形状、位置、強度、負荷分布の多様性を増大させる。 4つの脳MRI病変データセットと1つの肝CT病変データセットを含む、異なるモダリティと異なる病変データセットの実験は、LesionMixが病変画像セグメンテーションにおいて有望なパフォーマンスを達成することを実証している。
  論文  参考訳（メタデータ） (2023-08-17T14:56:08Z)
• Learnable Weight Initialization for Volumetric Medical Image Segmentation [66.3030435676252]
  本稿では,学習可能な重みに基づくハイブリッド医療画像セグメンテーション手法を提案する。 我々のアプローチはどんなハイブリッドモデルにも簡単に統合でき、外部のトレーニングデータを必要としない。 多臓器・肺がんセグメンテーションタスクの実験は、我々のアプローチの有効性を実証している。
  論文  参考訳（メタデータ） (2023-06-15T17:55:05Z)
• Reliable Joint Segmentation of Retinal Edema Lesions in OCT Images [55.83984261827332]
  本稿では,信頼性の高いマルチスケールウェーブレットエンハンストランスネットワークを提案する。 本研究では,ウェーブレット型特徴抽出器ネットワークとマルチスケール変圧器モジュールを統合したセグメンテーションバックボーンを開発した。 提案手法は,他の最先端セグメンテーション手法と比較して信頼性の高いセグメンテーション精度を実現する。
  論文  参考訳（メタデータ） (2022-12-01T07:32:56Z)
• Segmentation Consistency Training: Out-of-Distribution Generalization for Medical Image Segmentation [2.0978389798793873]
  一般化可能性(Generalizability)は、特に医用画像の領域において、ディープラーニングにおける大きな課題の1つと見なされている。 本稿では,データ拡張の代替として,一貫性トレーニング(Consistency Training)を導入する。 一貫性トレーニングは、いくつかのアウト・オブ・ディストリビューションデータセットにおいて、従来のデータ拡張よりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-05-30T20:57:15Z)
• MS Lesion Segmentation: Revisiting Weighting Mechanisms for Federated Learning [92.91544082745196]
  フェデレートラーニング(FL)は医用画像解析に広く用いられている。 FLのパフォーマンスは、多発性硬化症(MS)病変セグメンテーションタスクに制限される。 2つの効果的な再重み付け機構によるFLMS病変分割フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-05-03T14:06:03Z)
• External Attention Assisted Multi-Phase Splenic Vascular Injury Segmentation with Limited Data [72.99534552950138]
  脾臓は腹部外傷において最も多く損傷を受けた固形臓器の1つである。 脾臓血管損傷の 正確な分節化は 以下の理由から 困難です
  論文  参考訳（メタデータ） (2022-01-04T02:35:56Z)
• Implanting Synthetic Lesions for Improving Liver Lesion Segmentation in CT Exams [0.0]
  我々は,CTスライスに現実的な病変を移植し,リッチで制御可能なトレーニングサンプルセットを提供する。 以上の結果から,CTスライスにおける肝病変の分節モデルの性能向上が示唆された。
  論文  参考訳（メタデータ） (2020-08-11T13:23:04Z)
• Progressive Adversarial Semantic Segmentation [11.323677925193438]
  深い畳み込みニューラルネットワークは、完全な監視が与えられた場合、非常によく機能する。 画像解析タスクのための完全教師付きモデルの成功は、大量のラベル付きデータの入手に限られる。 本稿では,新しい医用画像分割モデル,Progressive Adrial Semantic(PASS)を提案する。
  論文  参考訳（メタデータ） (2020-05-08T22:48:00Z)
• 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。