論文の概要: Weakly Supervised Segmentation of Vertebral Bodies with Iterative Slice-propagation

• arxiv url: http://arxiv.org/abs/2402.08892v1
• Date: Wed, 14 Feb 2024 01:56:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-02-15 17:08:15.847077
• Title: Weakly Supervised Segmentation of Vertebral Bodies with Iterative Slice-propagation
• Title（参考訳）: 反復スライスプロパゲーションによる椎体分節の弱短縮
• Abstract要約: Weakly supervised Iterative Spinal (WISS) 法を提案する。 WISSは、注釈付き矢状スライスにVBを反復的な自己学習方法で最初に分割する。 WISSは、ボリュームセグメンテーションを得るためにスライスプロパゲーション方式で、全VBをスライスしてスライスする。
• 参考スコア（独自算出の注目度）: 36.59899006688448
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Vertebral body (VB) segmentation is an important preliminary step towards medical visual diagnosis for spinal diseases. However, most previous works require pixel/voxel-wise strong supervisions, which is expensive, tedious and time-consuming for experts to annotate. In this paper, we propose a Weakly supervised Iterative Spinal Segmentation (WISS) method leveraging only four corner landmark weak labels on a single sagittal slice to achieve automatic volumetric segmentation from CT images for VBs. WISS first segments VBs on an annotated sagittal slice in an iterative self-training manner. This self-training method alternates between training and refining labels in the training set. Then WISS proceeds to segment the whole VBs slice by slice with a slice-propagation method to obtain volumetric segmentations. We evaluate the performance of WISS on a private spinal metastases CT dataset and the public lumbar CT dataset. On the first dataset, WISS achieves distinct improvements with regard to two different backbones. For the second dataset, WISS achieves dice coefficients of $91.7\%$ and $83.7\%$ for mid-sagittal slices and 3D CT volumes, respectively, saving a lot of labeling costs and only sacrificing a little segmentation performance.
• Abstract（参考訳）: 椎体分節は、脊椎疾患の医療的視覚的診断のための重要な予備的ステップである。 しかし、以前の作品の多くは、専門家が注釈を付けるのに高価で退屈で時間を要するピクセル/ボクセルの強い監督を必要とする。 本稿では,1本の矢状骨スライスに4つの角目印の弱いラベルのみを用いて,ct画像から自動的にボリュームセグメンテーションを行う弱教師付き反復脊髄セグメンテーション (wiss) 法を提案する。 WISSは、注釈付き矢状スライスにVBを反復的な自己学習方法で最初に分割する。 この自己学習方法は、トレーニングセット内のラベルのトレーニングと精製を交互に行う。 そして、WISSは全VBsスライスをスライスしてスライスプロパゲーション法でスライスし、ボリュームセグメンテーションを得る。 個人用脊椎転移性CTデータセットと公共用腰椎CTデータセットを用いたWISSの性能評価を行った。 最初のデータセットでは、WISSは2つの異なるバックボーンに関して異なる改善を達成している。 第2のデータセットでは、WISSは9.11.7\%のダイス係数と8.7\%の3次元CTボリュームをそれぞれ達成し、多くのラベリングコストを節約し、わずかなセグメンテーション性能を犠牲にしている。

関連論文リスト

• Segmentation Pre-training for Label-Efficient Lumbar Spine Degeneration Grading [0.0]
  椎骨,椎間板 (IVD) , 脊柱管の3D ResNetエンコーダを前訓練した。 我々は、利用可能なトレーニングデータの異なる割合を用いて、軽量なタスク固有グルーピングヘッドを微調整する。 プレトレーニング後のグレーティングラベルの20%しか持たなかったため、この手法はフルスーパービジョンに近い性能を達成できた。
  論文  参考訳（メタデータ） (2026-08-05T13:14:46Z)
• Open-Ended CT Volume Segmentation with Weak Supervision from Language [60.690380060745134]
  本稿では, ボクセルレベルの監視と粗大だがスケーラブルなスライスレベルの監視を組み合わせたCTスキャンのためのテキスト条件分割モデルの訓練手法を提案する。 我々は,強ラベル付きデータによる標準的なセグメンテーション損失と,抽出された弱監督によるスライスレベルの分類損失を伴って,汎用2次元画像セグメンテーションモデルSAM3を微調整する。 ReXGroundingCTデータセットを用いた結果から,完全ラベル付き巻数1000の場合には8%,完全ラベル付き巻数250の場合には22%に向上した。
  論文  参考訳（メタデータ） (2026-07-28T15:29:12Z)
• VRXU-net: A Deep Learning Approach for Brain Ischemic Stroke Lesion Detection and Segmentation in T1W MRI [0.0]
  本研究では,3次元MRI画像における虚血性脳梗塞の検出と分画を行うために,視覚的特徴,残差接続,U字型ネットワークから派生した新しいVRU-Netアーキテクチャを提案する。 性能と処理速度の両方を改善するために、シーケンシャルフレームワークにおけるセグメンテーションモデルの前に高性能な分類器を適用する。 提案モデルは、ストローク後の解剖学的トレースに基づいて訓練され、精度とDice係数の点で最先端のモデルより優れている。
  論文  参考訳（メタデータ） (2026-05-20T18:44:08Z)
• MOSAIC: A Multi-View 2.5D Organ Slice Selector with Cross-Attentional Reasoning for Anatomically-Aware CT Localization in Medical Organ Segmentation [0.8747606955991707]
  既存の3Dセグメンテーションアプローチは計算的かつメモリ集約的であり、多くの場合、多くの解剖学的に無関係なスライスを含む全ボリュームを処理する。 セグメント化に先立って入力量を削減できる新しい解剖学的スライスセレクタパイプラインを提案する。 提案モデルでは, 構造的関連性の高いスライスを選択的に保持する多視点表現を前提として, 解剖学的局所化の「専門家」として機能する。
  論文  参考訳（メタデータ） (2025-05-15T19:32:28Z)
• DIAS: A Dataset and Benchmark for Intracranial Artery Segmentation in DSA sequences [19.61593883367223]
  血管形態の定量化にはDSA(Digital Subtraction Angiography)の頭蓋内動脈(IA)が重要である。 現在の研究は、主にプロプライエタリデータセットを使用した単一フレームDSAのセグメンテーションに焦点を当てている。 DSAシークエンスにおけるIAセグメンテーションのためのデータセットであるDIASを紹介する。
  論文  参考訳（メタデータ） (2023-06-21T10:03:56Z)
• CT Perfusion is All We Need: 4D CNN Segmentation of Penumbra and Core in Patients With Suspected Ischemic Stroke [1.6836876499886009]
  本稿では,時間情報を完全に活用する4つの畳み込みを入力として利用する方法について検討する。 提案した4D mJ-Netを用いることで、ペニブラとコア領域の分割にそれぞれ0.53と0.23のDice係数が得られる。
  論文  参考訳（メタデータ） (2023-03-15T16:53:19Z)
• 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)
• RibSeg v2: A Large-scale Benchmark for Rib Labeling and Anatomical Centerline Extraction [49.715490897822264]
  バイナリリブセグメンテーションタスクの以前のデータセット(RibSeg)を、RibSeg v2という包括的なベンチマークに拡張しています。 RibSeg v2に基づいて,リブラベリングのための深層学習に基づく手法と,中心線抽出のためのスケルトン化に基づく手法を含むパイプラインを開発する。
  論文  参考訳（メタデータ） (2022-10-18T00:55:37Z)
• Semi-Supervised Hybrid Spine Network for Segmentation of Spine MR Images [14.190504802866288]
  半教師付き複合脊椎ネットワーク (SSHSNet) という2段階のアルゴリズムを提案し, 同時椎体 (VBs) と椎間板 (IVDs) のセグメンテーションを実現する。 まず,2次元半監督型DeepLabv3+をクロス擬似監督を用いて構築し,スライス内特徴と粗いセグメンテーションを得た。 2段目では、3Dフル解像度のパッチベースのDeepLabv3+がスライス間情報を抽出するために構築された。 その結果,提案手法はデータ不均衡問題に対処する上で大きな可能性を秘めていることがわかった。
  論文  参考訳（メタデータ） (2022-03-23T02:57:14Z)
• Edge-competing Pathological Liver Vessel Segmentation with Limited Labels [61.38846803229023]
  病理画像からのMVI検出に適したアルゴリズムはまだ存在しない。 本報告では, 血管, MVI, および腫瘍のグレードをラベルとした522枚のスライド画像を含む, 初めて病理組織学的肝画像データセットを収集する。 本稿では,2つのエッジセグメンテーション・ネットワークと2つのエッジセグメンテーション・ディミネータを含むエッジコンペティング・コンテナ・ネットワーク(EVS-Net)を提案する。
  論文  参考訳（メタデータ） (2021-08-01T07:28:32Z)
• 3D medical image segmentation with labeled and unlabeled data using autoencoders at the example of liver segmentation in CT images [58.720142291102135]
  本研究では、畳み込みニューラルネットワークによるセグメンテーションを改善するために、オートエンコーダ抽出機能の可能性を検討する。 コンボリューション・オートエンコーダを用いてラベルのないデータから特徴を抽出し,CT画像における3次元肝セグメンテーションの目標タスクを実行するために,マルチスケールの完全畳み込みCNNを用いた。
  論文  参考訳（メタデータ） (2020-03-17T20:20:43Z)
• VerSe: A Vertebrae Labelling and Segmentation Benchmark for Multi-detector CT Images [121.31355003451152]
  大規模Vertebrae Challenge(VerSe)は、2019年と2020年に開催されたMICCAI(International Conference on Medical Image Computing and Computer Assisted Intervention)と共同で設立された。 本評価の結果を報告するとともに,脊椎レベル,スキャンレベル,および異なる視野での性能変化について検討した。
  論文  参考訳（メタデータ） (2020-01-24T21:09:18Z)
• Weakly Supervised Lesion Co-segmentation on CT Scans [18.58056402884405]
  本稿では、まずRECISTスライスから擬似マスクを生成する弱教師付きコセグメンテーションモデルを提案する。 次に、これらを注意に基づく畳み込みニューラルネットワークのトレーニングラベルとして使用し、一対のCTスキャンから共通の病変を分割する。
  論文  参考訳（メタデータ） (2020-01-24T19:39:33Z)

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。