論文の概要: Semi-Mamba-UNet: Pixel-Level Contrastive Cross-Supervised Visual
Mamba-based UNet for Semi-Supervised Medical Image Segmentation
- arxiv url: http://arxiv.org/abs/2402.07245v1
- Date: Sun, 11 Feb 2024 17:09:21 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-13 16:46:12.843441
- Title: Semi-Mamba-UNet: Pixel-Level Contrastive Cross-Supervised Visual
Mamba-based UNet for Semi-Supervised Medical Image Segmentation
- Title(参考訳): semi-mamba-unet: 半教師付き医用画像セグメンテーションのためのピクセルレベルコントラストクロス教師付き視覚mambaベースunet
- Authors: Ziyang Wang, Chao Ma
- Abstract要約: 本稿では,視覚的マンバベースUNetアーキテクチャを従来のUNetと統合したセミマンバUNetを,半教師付き学習(SSL)フレームワークに導入する。
一般に公開されているMRI心筋セグメンテーションデータセットの総合的評価は,Semi-Mamba-UNetの優れた性能を示す。
- 参考スコア(独自算出の注目度): 13.748446415530937
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Medical image segmentation is essential in diagnostics, treatment planning,
and healthcare, with deep learning offering promising advancements. Notably,
Convolutional Neural Network (CNN) excel in capturing local image features,
whereas Vision Transformer (ViT) adeptly model long-range dependencies through
multi-head self-attention mechanisms. Despite their strengths, both CNN and ViT
face challenges in efficiently processing long-range dependencies within
medical images, often requiring substantial computational resources. This
issue, combined with the high cost and limited availability of expert
annotations, poses significant obstacles to achieving precise segmentation. To
address these challenges, this paper introduces the Semi-Mamba-UNet, which
integrates a visual mamba-based UNet architecture with a conventional UNet into
a semi-supervised learning (SSL) framework. This innovative SSL approach
leverages dual networks to jointly generate pseudo labels and cross supervise
each other, drawing inspiration from consistency regularization techniques.
Furthermore, we introduce a self-supervised pixel-level contrastive learning
strategy, employing a projector pair to further enhance feature learning
capabilities. Our comprehensive evaluation on a publicly available MRI cardiac
segmentation dataset, comparing against various SSL frameworks with different
UNet-based segmentation networks, highlights the superior performance of
Semi-Mamba-UNet. The source code has been made publicly accessible.
- Abstract(参考訳): 医療画像分割は診断、治療計画、医療において必須であり、ディープラーニングは有望な進歩をもたらす。
特に、畳み込みニューラルネットワーク(CNN)は、局所的な画像の特徴を捉えるのに優れ、ViT(Vision Transformer)は、マルチヘッド自己認識機構を通じて、遠距離依存を積極的にモデル化する。
その強みにもかかわらず、cnnとvitは医用画像内の長距離依存性を効率的に処理することの難しさに直面している。
この問題は、高いコストと限定的なエキスパートアノテーションの可用性と相まって、正確なセグメンテーションを達成する上で大きな障害となる。
そこで本稿では,従来の unet と visual mamba ベースの unet アーキテクチャを半教師付き学習 (ssl) フレームワークに統合した semi-mamba-unet を紹介する。
この革新的なSSLアプローチは、デュアルネットワークを活用して擬似ラベルを共同で生成し、相互監督し、一貫性の正則化技術からインスピレーションを得ている。
さらに,プロジェクタペアを用いた自己教師型画素レベルのコントラスト学習戦略を導入し,特徴学習機能をさらに強化する。
UNetをベースとしたさまざまなセグメンテーションネットワークを用いたSSLフレームワークと比較し,MRI心セグメンテーションデータセットの総合評価を行った。
ソースコードは公開アクセス可能になっている。
関連論文リスト
- Weak-Mamba-UNet: Visual Mamba Makes CNN and ViT Work Better for
Scribble-based Medical Image Segmentation [13.748446415530937]
本稿では医用画像セグメンテーションのための革新的な弱教師付き学習(WSL)フレームワークであるWeak-Mamba-UNetを紹介する。
WSL戦略には3つの異なるアーキテクチャがあるが、同じ対称エンコーダ・デコーダネットワークが組み込まれている。CNNベースのローカル特徴抽出用UNet、包括的なグローバルコンテキスト理解のためのSwin TransformerベースのSwinUNet、より効率的な長距離依存性モデリングのためのVMambaベースのMamba-UNetである。
Weak-Mamba-UNetの有効性は、類似したWSLの性能を超越した、処理アノテーション付きMRI心筋セグメンテーションデータセット上で検証される。
論文 参考訳(メタデータ) (2024-02-16T18:43:39Z) - Mamba-UNet: UNet-Like Pure Visual Mamba for Medical Image Segmentation [22.72152196750845]
Mamba-UNetは,医療画像のセグメンテーションにおいてU-Netとマンバの能力を相乗化する新しいアーキテクチャである。
Mamba-UNetは純粋なVisual Mamba(VMamba)ベースのエンコーダデコーダ構造を採用しており、空間情報を保存するためにスキップ接続を注入している。
我々は,MRI心組織分節データセットの公開実験を行った。
論文 参考訳(メタデータ) (2024-02-07T18:33:04Z) - U-Mamba: Enhancing Long-range Dependency for Biomedical Image
Segmentation [10.083902382768406]
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汎用ネットワークであるU-Mambaを紹介する。
ディープシークエンスモデルの新たなファミリーであるState Space Sequence Models (SSM) にインスパイアされ、我々はハイブリッドCNN-SSMブロックを設計する。
我々は,CTおよびMR画像における腹部臓器の3次元分節化,内視鏡画像における計器の分節化,顕微鏡画像における細胞分節化の4つの課題について実験を行った。
論文 参考訳(メタデータ) (2024-01-09T18:53:20Z) - Self-Supervised Neuron Segmentation with Multi-Agent Reinforcement
Learning [53.00683059396803]
マスク画像モデル(MIM)は,マスク画像から元の情報を復元する簡便さと有効性から広く利用されている。
本稿では、強化学習(RL)を利用して最適な画像マスキング比とマスキング戦略を自動検索する決定に基づくMIMを提案する。
本手法は,ニューロン分節の課題において,代替自己監督法に対して有意な優位性を有する。
論文 参考訳(メタデータ) (2023-10-06T10:40:46Z) - Disruptive Autoencoders: Leveraging Low-level features for 3D Medical
Image Pre-training [51.16994853817024]
本研究は、3Dラジオグラフィ画像のための効果的な事前学習フレームワークの設計に焦点をあてる。
ローカルマスキングと低レベルの摂動の組み合わせによって生成された破壊から、オリジナルのイメージを再構築しようとする事前トレーニングフレームワークであるDisruptive Autoencodersを紹介する。
提案する事前トレーニングフレームワークは、複数のダウンストリームタスクでテストされ、最先端のパフォーマンスを実現する。
論文 参考訳(メタデータ) (2023-07-31T17:59:42Z) - Multi-Level Global Context Cross Consistency Model for Semi-Supervised
Ultrasound Image Segmentation with Diffusion Model [0.0]
本研究では,Latent Diffusion Model (LDM) によって生成された画像を,半教師付き学習のためのラベル付き画像として利用するフレームワークを提案する。
提案手法により,確率分布の知識をセグメント化ネットワークに効果的に伝達することが可能となり,セグメント化精度が向上する。
論文 参考訳(メタデータ) (2023-05-16T14:08:24Z) - GraVIS: Grouping Augmented Views from Independent Sources for
Dermatology Analysis [52.04899592688968]
皮膚科画像から自己教師付き特徴を学習するために特に最適化されたGraVISを提案する。
GraVISは、病変のセグメンテーションと疾患分類のタスクにおいて、転送学習と自己教師型学習を著しく上回っている。
論文 参考訳(メタデータ) (2023-01-11T11:38:37Z) - PCRLv2: A Unified Visual Information Preservation Framework for
Self-supervised Pre-training in Medical Image Analysis [56.63327669853693]
本稿では,ピクセルレベルの情報を高レベルなセマンティクスに明示的にエンコードするための画素復元タスクを提案する。
また,画像理解を支援する強力なツールであるスケール情報の保存についても検討する。
提案されている統合SSLフレームワークは、さまざまなタスクで自己管理されたフレームワークを超越している。
論文 参考訳(メタデータ) (2023-01-02T17:47:27Z) - Deep Image Clustering with Contrastive Learning and Multi-scale Graph
Convolutional Networks [58.868899595936476]
コントラスト学習とマルチスケールグラフ畳み込みネットワーク(IcicleGCN)を用いた画像クラスタリング手法を提案する。
複数の画像データセットの実験は、最先端のIcicleGCNよりも優れたクラスタリング性能を示している。
論文 参考訳(メタデータ) (2022-07-14T19:16:56Z) - Cross-level Contrastive Learning and Consistency Constraint for
Semi-supervised Medical Image Segmentation [46.678279106837294]
半教師型医用画像セグメンテーションにおける局所特徴の表現能力を高めるためのクロスレベルコンストラシティブ学習手法を提案する。
クロスレベルなコントラスト学習と一貫性制約の助けを借りて、非ラベル付きデータを効果的に探索してセグメンテーション性能を向上させることができる。
論文 参考訳(メタデータ) (2022-02-08T15:12:11Z)
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。