論文の概要: Beyond Pixel-Wise Supervision for Medical Image Segmentation: From Traditional Models to Foundation Models
- arxiv url: http://arxiv.org/abs/2404.13239v1
- Date: Sat, 20 Apr 2024 02:40:49 GMT
- ステータス: 処理完了
- システム内更新日: 2024-04-23 19:49:10.321073
- Title: Beyond Pixel-Wise Supervision for Medical Image Segmentation: From Traditional Models to Foundation Models
- Title（参考訳）: 医用画像セグメンテーションのためのPixel-Wiseスーパービジョンを超えて:従来のモデルから基礎モデルへ
- Authors: Yuyan Shi, Jialu Ma, Jin Yang, Shasha Wang, Yichi Zhang,
- Abstract要約: 既存のセグメンテーションアルゴリズムは主に、トレーニング用のピクセル単位のアノテーションを備えた完全なアノテーション付きイメージの可用性に依存している。
この課題を軽減するため、弱いアノテーションで深層モデルをトレーニングできるセグメンテーション手法の開発に注目が集まっている。
視覚基盤モデルの出現、特にSAM(Segment Anything Model)は、弱いアノテーションを使ったセグメンテーションタスクの革新的な機能を導入した。
- 参考スコア（独自算出の注目度）: 7.987836953849249
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Medical image segmentation plays an important role in many image-guided clinical approaches. However, existing segmentation algorithms mostly rely on the availability of fully annotated images with pixel-wise annotations for training, which can be both labor-intensive and expertise-demanding, especially in the medical imaging domain where only experts can provide reliable and accurate annotations. To alleviate this challenge, there has been a growing focus on developing segmentation methods that can train deep models with weak annotations, such as image-level, bounding boxes, scribbles, and points. The emergence of vision foundation models, notably the Segment Anything Model (SAM), has introduced innovative capabilities for segmentation tasks using weak annotations for promptable segmentation enabled by large-scale pre-training. Adopting foundation models together with traditional learning methods has increasingly gained recent interest research community and shown potential for real-world applications. In this paper, we present a comprehensive survey of recent progress on annotation-efficient learning for medical image segmentation utilizing weak annotations before and in the era of foundation models. Furthermore, we analyze and discuss several challenges of existing approaches, which we believe will provide valuable guidance for shaping the trajectory of foundational models to further advance the field of medical image segmentation.
- Abstract（参考訳）: 医用画像のセグメンテーションは多くの画像誘導臨床アプローチにおいて重要な役割を担っている。
しかし、既存のセグメンテーションアルゴリズムは、特に専門家だけが信頼性と正確なアノテーションを提供することができる医療画像領域において、主に、労働集約的かつ専門的要求の両方が可能な、訓練用のピクセル単位のアノテーション付き完全注釈画像の可用性に依存している。
この課題を軽減するため、画像レベル、バウンディングボックス、スクリブル、ポイントなどの弱いアノテーションでディープモデルをトレーニングできるセグメンテーション手法の開発に注力している。
視覚基盤モデルの出現、特にSAM(Segment Anything Model)は、大規模な事前学習によって可能となる、迅速なセグメンテーションのための弱いアノテーションを使ったセグメンテーションタスクの革新的な機能を導入している。
従来の学習手法とともに基礎モデルを採用することで、近年の関心調査コミュニティが増加し、現実世界の応用の可能性を示している。
本稿では,弱アノテーションを用いた医用画像セグメンテーションにおけるアノテーション効率学習における基礎モデル導入前後の最近の進歩を包括的に調査する。
さらに,既存のアプローチの課題を分析,議論し,基礎モデルの軌跡を形作り,医用画像セグメンテーションの分野をさらに進めるための貴重なガイダンスを提供すると信じている。
関連論文リスト
- Image Segmentation in Foundation Model Era: A Survey [99.19456390358211]
イメージセグメンテーションにおける現在の研究は、これらの進歩に関連する特徴、課題、解決策の詳細な分析を欠いている。
本調査は、FM駆動画像セグメンテーションを中心とした最先端の研究を徹底的にレビューすることで、このギャップを埋めようとしている。
現在の研究成果の広さを包括する,300以上のセグメンテーションアプローチの概要を概観する。
論文 参考訳（メタデータ） (2024-08-23T10:07:59Z) - Semi-Supervised Semantic Segmentation Based on Pseudo-Labels: A Survey [49.47197748663787]
本総説は, 半教師付きセマンティックセグメンテーション分野における擬似ラベル手法に関する最新の研究成果について, 包括的かつ組織的に概観することを目的としている。
さらに,医用およびリモートセンシング画像のセグメンテーションにおける擬似ラベル技術の適用について検討する。
論文 参考訳（メタデータ） (2024-03-04T10:18:38Z) - Segment Anything Model for Medical Image Segmentation: Current
Applications and Future Directions [8.216028136706948]
最近のSAM(Segment Anything Model)の導入は、プロンプト駆動パラダイムのイメージセグメンテーション領域への注目すべき拡張を意味している。
本稿では,SAMの有効性を医療画像分割タスクに拡張するための最近の取り組みについて概観する。
医療画像セグメンテーションにおけるSAMの役割について,今後の研究の道筋を探る。
論文 参考訳（メタデータ） (2024-01-07T14:25:42Z) - Self-Prompting Large Vision Models for Few-Shot Medical Image
Segmentation [14.135249795318591]
本稿では,医療ビジョン応用における自己プロンプトの新たな視点を提案する。
我々は、Segment Anything Modelの埋め込み空間を利用して、単純だが効果的な線形ピクセルワイド分類器を通して自身を誘導する。
複数のデータセットで競合する結果を得る。
論文 参考訳（メタデータ） (2023-08-15T08:20:07Z) - Empirical Analysis of a Segmentation Foundation Model in Prostate
Imaging [9.99042549094606]
医療画像セグメンテーションのための基盤モデルUniverSegについて考察する。
本研究では,前立腺画像の文脈における経験的評価研究を行い,従来のタスク固有セグメンテーションモデルの訓練手法と比較する。
論文 参考訳（メタデータ） (2023-07-06T20:00:52Z) - Learning with Limited Annotations: A Survey on Deep Semi-Supervised
Learning for Medical Image Segmentation [8.946871799178338]
本稿では,最近提案された医用画像分割のための半教師あり学習手法について概観する。
既存のアプローチの限界と未解決の問題を分析し,議論する。
論文 参考訳（メタデータ） (2022-07-28T15:57:46Z) - Domain Generalization on Medical Imaging Classification using Episodic
Training with Task Augmentation [62.49837463676111]
本稿では,医用画像分類におけるタスク強化によるエピソードトレーニングの新たな手法を提案する。
実際の医療展開において、限られた数のソースドメインによって動機付けられ、ユニークなタスクレベルのオーバーフィッティングを検討します。
論文 参考訳（メタデータ） (2021-06-13T03:56:59Z) - Medical Image Segmentation with Limited Supervision: A Review of Deep
Network Models [4.902303262071206]
ほとんどの最先端モデルは、大規模な注釈付きトレーニングの例に大きく依存しており、臨床や医療のタスクでは利用できないことが多い。
医学画像セグメンテーションにおける深層学習モデルを成功させるためには,限られた注記を含む限られた監督から学習と一般化の強い能力が不可欠である。
論文 参考訳（メタデータ） (2021-02-28T08:52:49Z) - 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) - 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) - Weakly supervised multiple instance learning histopathological tumor
segmentation [51.085268272912415]
スライド画像全体のセグメント化のための弱教師付きフレームワークを提案する。
トレーニングモデルに複数のインスタンス学習スキームを利用する。
提案するフレームワークは,The Cancer Genome AtlasとPatchCamelyonデータセットのマルチロケーションとマルチ中心公開データに基づいて評価されている。
論文 参考訳（メタデータ） (2020-04-10T13:12:47Z)
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。