論文の概要: Synthetic Data for Robust Stroke Segmentation
- arxiv url: http://arxiv.org/abs/2404.01946v1
- Date: Tue, 2 Apr 2024 13:42:29 GMT
- ステータス: 処理完了
- システム内更新日: 2024-04-03 16:19:00.875252
- Title: Synthetic Data for Robust Stroke Segmentation
- Title(参考訳): ロバストストロークセグメンテーションのための合成データ
- Authors: Liam Chalcroft, Ioannis Pappas, Cathy J. Price, John Ashburner,
- Abstract要約: ディープラーニングに基づくニューロイメージングにおけるセマンティックセグメンテーションは、現在、高解像度スキャンと広範な注釈付きデータセットを必要とする。
そこで我々は,既存のSynthSegアプローチの能力を拡張した,病変分割作業のための新しい合成フレームワークを提案する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Deep learning-based semantic segmentation in neuroimaging currently requires high-resolution scans and extensive annotated datasets, posing significant barriers to clinical applicability. We present a novel synthetic framework for the task of lesion segmentation, extending the capabilities of the established SynthSeg approach to accommodate large heterogeneous pathologies with lesion-specific augmentation strategies. Our method trains deep learning models, demonstrated here with the UNet architecture, using label maps derived from healthy and stroke datasets, facilitating the segmentation of both healthy tissue and pathological lesions without sequence-specific training data. Evaluated against in-domain and out-of-domain (OOD) datasets, our framework demonstrates robust performance, rivaling current methods within the training domain and significantly outperforming them on OOD data. This contribution holds promise for advancing medical imaging analysis in clinical settings, especially for stroke pathology, by enabling reliable segmentation across varied imaging sequences with reduced dependency on large annotated corpora. Code and weights available at https://github.com/liamchalcroft/SynthStroke.
- Abstract(参考訳): ニューロイメージングにおける深層学習に基づくセマンティックセグメンテーションは、高解像度スキャンと広範囲の注釈付きデータセットを必要としており、臨床応用に重大な障壁がある。
本研究は, 病変分割作業のための新しい総合的枠組みであるSynthSegアプローチを拡張して, 病変特異的増強戦略を取り入れた大規模異種疾患の適応を図ったものである。
本手法は,健常および脳卒中データセットから得られたラベルマップを用いて,UNetアーキテクチャを用いて深層学習モデルのトレーニングを行う。
我々のフレームワークは、ドメイン内およびドメイン外(OOD)データセットに対して評価され、堅牢なパフォーマンスを示し、トレーニングドメイン内の現在のメソッドと競合し、OODデータでそれらを著しく上回る。
この貢献は、臨床、特に脳卒中病理における医療画像解析の進歩を約束するものであり、大きな注釈付きコーパスへの依存度を減らして、様々な画像シーケンスにわたる信頼性の高いセグメンテーションを可能にする。
コードとウェイトはhttps://github.com/liamchalcroft/SynthStroke.comで入手できる。
関連論文リスト
- Continual atlas-based segmentation of prostate MRI [2.17257168063257]
自然な画像分類のために設計された連続学習(CL)法は、しばしば基本的な品質基準に達しない。
我々は,プロトタイプを用いて高品質なセグメンテーションマスクを生成するアトラスベースのセグメンテーション手法であるAtlas Replayを提案する。
我々の結果は、Atlas Replayは堅牢であり、知識を維持しながら、まだ見つからない領域に対してうまく一般化していることを示している。
論文 参考訳(メタデータ) (2023-11-01T14:29:46Z) - K-Space-Aware Cross-Modality Score for Synthesized Neuroimage Quality
Assessment [71.27193056354741]
クロスモダリティな医用画像合成をどう評価するかという問題は、ほとんど解明されていない。
本稿では,この課題の進展を促すため,新しい指標K-CROSSを提案する。
K-CROSSは、トレーニング済みのマルチモードセグメンテーションネットワークを使用して、病変の位置を予測する。
論文 参考訳(メタデータ) (2023-07-10T01:26:48Z) - 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) - Analysing the effectiveness of a generative model for semi-supervised
medical image segmentation [23.898954721893855]
自動セグメンテーションにおける最先端技術は、U-Netのような差別モデルを用いて、教師付き学習のままである。
半教師付き学習(SSL)は、より堅牢で信頼性の高いモデルを得るために、重複のないデータの豊富さを活用する。
セマンティックGANのような深層生成モデルは、医療画像分割問題に取り組むための真に実行可能な代替手段である。
論文 参考訳(メタデータ) (2022-11-03T15:19:59Z) - Learning of Inter-Label Geometric Relationships Using Self-Supervised
Learning: Application To Gleason Grade Segmentation [4.898744396854313]
そこで本研究では,PCaの病理組織像に対して,異なる疾患ラベル間の幾何学的関係を学習して合成する方法を提案する。
我々はGleasonスコアを用いた弱教師付きセグメンテーション手法を用いて、疾患領域をセグメンテーションする。
得られたセグメンテーションマップは、行方不明のマスクセグメントを予測するためにShaRe-Net(ShaRe-Net)をトレーニングするために使用される。
論文 参考訳(メタデータ) (2021-10-01T13:47:07Z) - Towards Robust General Medical Image Segmentation [2.127049691404299]
一般医用画像分割システムのロバスト性を評価するための新しい枠組みを提案する。
ROG(RObust Generic Medical Image segmentation)のための新しい格子アーキテクチャを提案する。
以上の結果から,ROGはMSDの様々なタスクにまたがる一般化が可能であり,高度な敵攻撃下での最先端技術を上回ることが示唆された。
論文 参考訳(メタデータ) (2021-07-09T07:17:05Z) - G-MIND: An End-to-End Multimodal Imaging-Genetics Framework for
Biomarker Identification and Disease Classification [49.53651166356737]
診断によって誘導される画像データと遺伝データを統合し、解釈可能なバイオマーカーを提供する新しいディープニューラルネットワークアーキテクチャを提案する。
2つの機能的MRI(fMRI)パラダイムとSingle Nucleotide Polymorphism (SNP)データを含む統合失調症の集団研究で本モデルを評価した。
論文 参考訳(メタデータ) (2021-01-27T19:28:04Z) - Few-shot Medical Image Segmentation using a Global Correlation Network
with Discriminative Embedding [60.89561661441736]
医療画像分割のための新しい手法を提案する。
深層畳み込みネットワークを用いた数ショット画像セグメンタを構築します。
深層埋め込みの識別性を高め,同一クラスの特徴領域のクラスタリングを促進する。
論文 参考訳(メタデータ) (2020-12-10T04:01:07Z) - Towards Robust Partially Supervised Multi-Structure Medical Image
Segmentation on Small-Scale Data [123.03252888189546]
データ不足下における部分教師付き学習(PSL)における方法論的ギャップを埋めるために,不確実性下でのビシナルラベル(VLUU)を提案する。
マルチタスク学習とヴィジナルリスク最小化によって動機づけられたVLUUは、ビジナルラベルを生成することによって、部分的に教師付き問題を完全な教師付き問題に変換する。
本研究は,ラベル効率の高い深層学習における新たな研究の方向性を示唆するものである。
論文 参考訳(メタデータ) (2020-11-28T16:31:00Z) - Semi-supervised Pathology Segmentation with Disentangled Representations [10.834978793226444]
本稿では,初めて共同で学習しようとする病理分類モデルである解剖-病理解離ネットワーク(APD-Net, Anatomy-Pathology Disentanglement Network)を提案する。
APD-Netは、アノテーションの少ない病理的セグメンテーションを実行し、異なる量の監視で性能を維持し、関連するディープラーニング手法より優れている。
論文 参考訳(メタデータ) (2020-09-05T17:07:59Z) - Pathological Retinal Region Segmentation From OCT Images Using Geometric
Relation Based Augmentation [84.7571086566595]
本稿では,幾何学と形状の内在的関係を共同で符号化することで,従来のGANベースの医用画像合成法よりも優れた手法を提案する。
提案手法は,取得手順の異なる画像を有する公開RETOUCHデータセット上で,最先端のセグメンテーション手法より優れている。
論文 参考訳(メタデータ) (2020-03-31T11:50:43Z)
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。