論文の概要: Tyche: Stochastic In-Context Learning for Medical Image Segmentation

• arxiv url: http://arxiv.org/abs/2401.13650v1
• Date: Wed, 24 Jan 2024 18:35:55 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-25 13:42:17.797315
• Title: Tyche: Stochastic In-Context Learning for Medical Image Segmentation
• Title（参考訳）: tyche: 医学画像分割のための確率的文脈学習
• Authors: Marianne Rakic, Hallee E. Wong, Jose Javier Gonzalez Ortiz, Beth Cimini, John Guttag and Adrian V. Dalca
• Abstract要約: Tycheは、コンテキストセットを使用して、以前見つからなかったタスクの予測を生成するモデルである。 本稿では,予測間の相互作用を可能にする新しい畳み込みブロックアーキテクチャを提案する。 適切なモデル設計と損失関数を組み合わせることで、Tycheは、再トレーニングを必要とせずに、新規または未確認の医療画像やセグメンテーションタスクに対して、妥当な多様なセグメンテーション候補のセットを予測することができる。
• 参考スコア（独自算出の注目度）: 3.7997415514096926
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Existing learning-based solutions to medical image segmentation have two important shortcomings. First, for most new segmentation task, a new model has to be trained or fine-tuned. This requires extensive resources and machine learning expertise, and is therefore often infeasible for medical researchers and clinicians. Second, most existing segmentation methods produce a single deterministic segmentation mask for a given image. In practice however, there is often considerable uncertainty about what constitutes the correct segmentation, and different expert annotators will often segment the same image differently. We tackle both of these problems with Tyche, a model that uses a context set to generate stochastic predictions for previously unseen tasks without the need to retrain. Tyche differs from other in-context segmentation methods in two important ways. (1) We introduce a novel convolution block architecture that enables interactions among predictions. (2) We introduce in-context test-time augmentation, a new mechanism to provide prediction stochasticity. When combined with appropriate model design and loss functions, Tyche can predict a set of plausible diverse segmentation candidates for new or unseen medical images and segmentation tasks without the need to retrain.
• Abstract（参考訳）: 既存の医用画像セグメンテーションに対する学習ベースのソリューションには2つの重要な欠点がある。 まず、ほとんどの新しいセグメンテーションタスクでは、新しいモデルをトレーニングまたは微調整する必要がある。 これは膨大なリソースと機械学習の専門知識を必要とするため、医学研究者や臨床医には利用できないことが多い。 第二に、既存のセグメンテーション手法は、与えられた画像に対して単一の決定論的セグメンテーションマスクを生成する。 しかし実際には、何が正しいセグメンテーションを構成するかについてはかなり不確実性があることが多く、異なる専門家アノテータは、しばしば同じ画像を異なる方法でセグメンテーションする。 我々はこれら2つの問題にTycheを用いて対処する。Tycheはコンテキストセットを使用して、以前に見つからなかったタスクの確率的予測を生成する。 ティッシュは他の文脈内セグメンテーション法と2つの重要な方法で異なる。 1)予測間の相互作用を可能にする新しい畳み込みブロックアーキテクチャを提案する。 2) 予測確率性を提供する新しいメカニズムであるインコンテキストテスト時間拡張を導入する。 適切なモデル設計と損失関数とを組み合わせることで、tycheは再トレーニングする必要なしに、新しいまたは未発見の医療画像とセグメント化タスクの多様なセグメンテーション候補のセットを予測できる。

関連論文リスト

• Multi-rater Prompting for Ambiguous Medical Image Segmentation [12.452584289825849]
  医用画像が複数の専門家(レーダ)によって独立して注釈付けされる場合、マルチラターアノテーションは一般的に発生する。 本稿では,これら2つの課題を完全に解決するためのマルチラッタープロンプトベースのアプローチを提案する。
  論文  参考訳（メタデータ） (2024-04-11T09:13:50Z)
• GMISeg: General Medical Image Segmentation without Re-Training [6.6467547151592505]
  ディープラーニングモデルは、新しい解剖学的構造、ラベル、形状を含む未知のタスクに一般化し難いことが多い。 ここでは、未知の医用画像分割タスクを、追加の訓練を必要とせずに解決できる汎用モデルを開発した。 本手法は, 画像量や解剖学的構造が異なる医用画像データセットに対して, 提案手法の性能評価を行った。
  論文  参考訳（メタデータ） (2023-11-21T11:33:15Z)
• UniverSeg: Universal Medical Image Segmentation [16.19510845046103]
  そこで,UniverSegを提案する。UniverSegは,未確認の医療セグメンテーションタスクを,追加のトレーニングなしで解決する手法である。 53のオープンアクセス医療セグメンテーションデータセットを22,000以上のスキャンで収集し、標準化しました。 我々はUniverSegが、未確認タスクにおいて、いくつかの関連メソッドを大幅に上回っていることを実証した。
  論文  参考訳（メタデータ） (2023-04-12T19:36:46Z)
• Self-Supervised Correction Learning for Semi-Supervised Biomedical Image Segmentation [84.58210297703714]
  半教師付きバイオメディカルイメージセグメンテーションのための自己教師付き補正学習パラダイムを提案する。 共有エンコーダと2つの独立デコーダを含むデュアルタスクネットワークを設計する。 異なるタスクのための3つの医用画像分割データセットの実験により,本手法の優れた性能が示された。
  論文  参考訳（メタデータ） (2023-01-12T08:19:46Z)
• Mine yOur owN Anatomy: Revisiting Medical Image Segmentation with Extremely Limited Labels [54.58539616385138]
  我々は、Mine yOur owN Anatomy (MONA) と呼ばれる、新しい半教師付き2次元医用画像セグメンテーションフレームワークを紹介する。 まず、先行研究では、すべてのピクセルがモデルトレーニングに等しく重要であると論じており、我々はこの1つだけで意味のある解剖学的特徴を定義できないことを経験的に観察している。 第2に,医療画像を解剖学的特徴の集合に分解できるモデルを構築する。
  論文  参考訳（メタデータ） (2022-09-27T15:50:31Z)
• Learning Discriminative Representation via Metric Learning for Imbalanced Medical Image Classification [52.94051907952536]
  本稿では,特徴抽出器がより識別的な特徴表現を抽出するのを助けるために,2段階フレームワークの第1段階にメトリック学習を組み込むことを提案する。 主に3つの医用画像データセットを用いて実験したところ、提案手法は既存の1段階と2段階のアプローチより一貫して優れていた。
  論文  参考訳（メタデータ） (2022-07-14T14:57:01Z)
• Recurrent Mask Refinement for Few-Shot Medical Image Segmentation [15.775057485500348]
  本稿では,プロトタイプネットワークに基づく数ショットの医用画像セグメンテーションのための新しいフレームワークを提案する。 1) 前景と背景領域間の局所的関係の特徴を関連付けるために相関を利用するコンテキスト関係エンコーダ(CRE)である。 2つの腹部CTデータセットと腹部MRIデータセットを用いた実験により、提案手法は最先端の方法よりも大幅に改善されていることが示された。
  論文  参考訳（メタデータ） (2021-08-02T04:06:12Z)
• Cascaded Robust Learning at Imperfect Labels for Chest X-ray Segmentation [61.09321488002978]
  不完全アノテーションを用いた胸部X線分割のための新しいカスケードロバスト学習フレームワークを提案する。 モデルは3つの独立したネットワークから成り,ピアネットワークから有用な情報を効果的に学習できる。 提案手法は,従来の手法と比較して,セグメント化タスクの精度を大幅に向上させることができる。
  論文  参考訳（メタデータ） (2021-04-05T15:50:16Z)
• A Few Guidelines for Incremental Few-Shot Segmentation [57.34237650765928]
  事前訓練されたセグメンテーションモデルと、新しいクラスを含む画像が少ないことを前提として、我々が目指すのは、以前に見たセグメンテーション能力を維持しながら、新しいクラスをセグメンテーションすることである。 このシナリオにおけるエンド・ツー・エンドのトレーニングの主な問題はどのようなものかを示します。 一 バッチ正規化統計を、バッチ正規化で修正できる新しいクラスへ向けての漂流すること。 二 旧クラスの忘れ物 正規化戦略で解決できるもの。
  論文  参考訳（メタデータ） (2020-11-30T20:45:56Z)
• CRNet: Cross-Reference Networks for Few-Shot Segmentation [59.85183776573642]
  少ないショットセグメンテーションは、少数のトレーニングイメージを持つ新しいクラスに一般化できるセグメンテーションモデルを学ぶことを目的としている。 相互参照機構により、我々のネットワークは2つの画像に共起する物体をよりよく見つけることができる。 PASCAL VOC 2012データセットの実験は、我々のネットワークが最先端のパフォーマンスを達成することを示す。
  論文  参考訳（メタデータ） (2020-03-24T04:55:43Z)
• Semi-supervised few-shot learning for medical image segmentation [21.349705243254423]
  大規模な注釈付きデータセットの必要性を緩和する最近の試みは、数ショットの学習パラダイムの下でトレーニング戦略を開発した。 セマンティックセグメンテーションのための新しい数発の学習フレームワークを提案し,各エピソードでラベルのない画像も利用できるようにした。 エピソードトレーニングにおけるラベルなしのサロゲートタスクを含めると、より強力な特徴表現がもたらされることを示す。
  論文  参考訳（メタデータ） (2020-03-18T20:37:18Z)

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。