論文の概要: Exploring Intrinsic Properties of Medical Images for Self-Supervised
Binary Semantic Segmentation
- arxiv url: http://arxiv.org/abs/2402.02367v1
- Date: Sun, 4 Feb 2024 06:39:01 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-06 20:13:47.650507
- Title: Exploring Intrinsic Properties of Medical Images for Self-Supervised
Binary Semantic Segmentation
- Title（参考訳）: 自己監督型バイナリセマンティックセマンティックセグメンテーションのための医用画像の本質的特性の探索
- Authors: Pranav Singh and Jacopo Cirrone
- Abstract要約: ダイナミック・セルフアダプティブ・セマンティック(MedSASS)を応用した医用画像の紹介
MedSASSは、医療画像のセグメンテーションに適した、専用のセルフ教師付きフレームワークである。
MedSASSを4つの多様な医療データセットにまたがる既存の最先端手法に対して評価した。
- 参考スコア（独自算出の注目度）: 5.439020425819001
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Recent advancements in self-supervised learning have unlocked the potential
to harness unlabeled data for auxiliary tasks, facilitating the learning of
beneficial priors. This has been particularly advantageous in fields like
medical image analysis, where labeled data are scarce. Although effective for
classification tasks, this methodology has shown limitations in more complex
applications, such as medical image segmentation. In this paper, we introduce
Medical imaging Enhanced with Dynamic Self-Adaptive Semantic Segmentation
(MedSASS), a dedicated self-supervised framework tailored for medical image
segmentation. We evaluate MedSASS against existing state-of-the-art methods
across four diverse medical datasets, showcasing its superiority. MedSASS
outperforms existing CNN-based self-supervised methods by 3.83% and matches the
performance of ViT-based methods. Furthermore, when MedSASS is trained
end-to-end, covering both encoder and decoder, it demonstrates significant
improvements of 14.4% for CNNs and 6% for ViT-based architectures compared to
existing state-of-the-art self-supervised strategies.
- Abstract（参考訳）: 自己教師付き学習の最近の進歩は、ラベルのないデータを補助タスクに活用する可能性を解き放ち、有益な優先事項の学習を促進する。
これは、ラベル付きデータが不足している医療画像分析のような分野で特に有利である。
この手法は分類タスクに有効であるが、医用画像分割のようなより複雑な応用には限界がある。
本稿では,医用画像セグメンテーションのための専用自己教師付きフレームワークであるmedsass(dynamic self-adaptive semantic segmentation)によって拡張された医用画像を紹介する。
我々は,MedSASSを4つの医学データセットにまたがる既存の最先端手法に対して評価し,その優位性を示した。
MedSASSは既存のCNNベースの自己監督手法を3.83%上回り、ViTベースの手法のパフォーマンスに匹敵する。
さらに、MedSASSがエンコーダとデコーダの両方をカバーするエンドツーエンドでトレーニングされている場合、CNNでは14.4%、ViTベースのアーキテクチャでは6%の大幅な改善がなされている。
関連論文リスト
- MIST: A Simple and Scalable End-To-End 3D Medical Imaging Segmentation Framework [1.1608974088441382]
医用イメージングツールキット(MIST)は、深層学習に基づく医用イメージングセグメンテーション手法の一貫性のあるトレーニング、テスト、評価を容易にするように設計されている。
MISTはデータ分析、前処理、評価パイプラインを標準化し、複数のアーキテクチャと損失関数を収容する。
論文 参考訳（メタデータ） (2024-07-31T05:17:31Z) - Improving Segment Anything on the Fly: Auxiliary Online Learning and Adaptive Fusion for Medical Image Segmentation [52.172885882728174]
医療画像の文脈では、SAMがそのセグメンテーション予測を生成した後、人間の専門家が特定のテストサンプルのセグメンテーションを修正することは珍しくない。
我々は、オンライン機械学習の利点を活用して、テスト期間中にSegment Anything(SA)を強化する新しいアプローチを導入する。
医用画像におけるSAのセグメンテーション品質を改善することを目的として,オンライン学習のための修正アノテーションを用いた。
論文 参考訳（メタデータ） (2024-06-03T03:16:25Z) - PCDAL: A Perturbation Consistency-Driven Active Learning Approach for
Medical Image Segmentation and Classification [12.560273908522714]
監視された学習は、医用画像のアプリケーションを取得するのに費用がかかり、時間がかかり、実用的でない、大規模な注釈付きデータに大きく依存している。
アクティブラーニング(AL)手法は、アノテーションのコストを削減するために、自然な画像分類タスクに広く応用されている。
本稿では,2次元医用画像分類,セグメンテーション,および3次元医用画像分割タスクに同時に適用可能なALベースの手法を提案する。
論文 参考訳（メタデータ） (2023-06-29T13:11:46Z) - Multi-Scale Cross Contrastive Learning for Semi-Supervised Medical Image
Segmentation [14.536384387956527]
医用画像の構造を分割するマルチスケールクロススーパービジョンコントラスト学習フレームワークを開発した。
提案手法は,頑健な特徴表現を抽出するために,地上構造と横断予測ラベルに基づくマルチスケール特徴と対比する。
Diceでは最先端の半教師あり手法を3.0%以上上回っている。
論文 参考訳（メタデータ） (2023-06-25T16:55:32Z) - LVM-Med: Learning Large-Scale Self-Supervised Vision Models for Medical
Imaging via Second-order Graph Matching [59.01894976615714]
LVM-Medは、大規模医療データセットに基づいてトレーニングされた、最初のディープネットワークファミリーである。
55の公開データセットから約13万の医療画像を収集しました。
LVM-Medは、多くの最先端の教師付き、自己監督型、基礎モデルよりも経験的に優れている。
論文 参考訳（メタデータ） (2023-06-20T22:21:34Z) - Weakly Supervised Intracranial Hemorrhage Segmentation using Head-Wise
Gradient-Infused Self-Attention Maps from a Swin Transformer in Categorical
Learning [0.6269243524465492]
頭蓋内出血(ICH、Intracranial hemorrhage)は、タイムリーな診断と正確な治療を必要とする救命救急疾患である。
深層学習技術は、医用画像解析と処理の先駆的なアプローチとして現れてきた。
ICH分類タスクで訓練されたSwin変換器と分類ラベルを併用した,新しいICHセグメンテーション手法を提案する。
論文 参考訳（メタデータ） (2023-04-11T00:17:34Z) - Understanding the Tricks of Deep Learning in Medical Image Segmentation:
Challenges and Future Directions [66.40971096248946]
本稿では,モデル実装の異なるフェーズに対して,MedISegの一連のトリックを収集する。
本稿では,これらの手法の有効性を一貫したベースライン上で実験的に検討する。
私たちはまた、それぞれのコンポーネントがプラグインとプレイの利点を持つ強力なMedISegリポジトリをオープンソースにしました。
論文 参考訳（メタデータ） (2022-09-21T12:30:05Z) - PCA: Semi-supervised Segmentation with Patch Confidence Adversarial
Training [52.895952593202054]
医用画像セグメンテーションのためのPatch Confidence Adrial Training (PCA) と呼ばれる半教師付き対向法を提案する。
PCAは各パッチの画素構造とコンテキスト情報を学習し、十分な勾配フィードバックを得る。
本手法は, 医用画像のセグメンテーションにおいて, 最先端の半教師付き手法より優れており, その有効性を示している。
論文 参考訳（メタデータ） (2022-07-24T07:45:47Z) - Robust and Efficient Medical Imaging with Self-Supervision [80.62711706785834]
医用画像AIの堅牢性とデータ効率を向上させるための統一表現学習戦略であるREMEDISを提案する。
様々な医療画像タスクを研究し, 振り返りデータを用いて3つの現実的な応用シナリオをシミュレートする。
論文 参考訳（メタデータ） (2022-05-19T17:34:18Z) - Cross-Modal Information Maximization for Medical Imaging: CMIM [62.28852442561818]
病院では、同じ情報を異なるモダリティの下で利用できるようにする特定の情報システムにデータがサイロ化される。
これは、テスト時に常に利用できないかもしれない同じ情報の複数のビューを列車で取得し、使用するためのユニークな機会を提供する。
テスト時にモダリティの低下に耐性を持つマルチモーダル入力の優れた表現を学習することで、利用可能なデータを最大限活用する革新的なフレームワークを提案する。
論文 参考訳（メタデータ） (2020-10-20T20:05:35Z) - Uncertainty-aware multi-view co-training for semi-supervised medical
image segmentation and domain adaptation [35.33425093398756]
ラベルのないデータは、注釈付きデータよりもはるかに簡単に取得できる。
医用画像セグメンテーションのための不確実性を考慮したマルチビュー協調トレーニングを提案する。
我々のフレームワークは、ラベルのないデータを効率的に活用してパフォーマンスを向上させることができる。
論文 参考訳（メタデータ） (2020-06-28T22:04:54Z)
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。