論文の概要: Prototype Correlation Matching and Class-Relation Reasoning for Few-Shot Medical Image Segmentation

• arxiv url: http://arxiv.org/abs/2406.05054v1
• Date: Fri, 7 Jun 2024 16:23:36 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-10 13:22:27.793971
• Title: Prototype Correlation Matching and Class-Relation Reasoning for Few-Shot Medical Image Segmentation
• Title（参考訳）: Few-Shot Medical Image Segmentation の原型相関マッチングとクラス関係推論
• Authors: Yumin Zhang, Hongliu Li, Yajun Gao, Haoran Duan, Yawen Huang, Yefeng Zheng,
• Abstract要約: 本稿では,アンダーラインテキストbfPrototype相関とアンダーラインテキストbfClass-relationアンダーラインテキストbfReasoning(textbfPMCR)モデルを提案する。 提案モデルは,大規模なクラス内変動に起因する偽画素相関マッチングを効果的に緩和することができる。
• 参考スコア（独自算出の注目度）: 20.150759422964146
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Few-shot medical image segmentation has achieved great progress in improving accuracy and efficiency of medical analysis in the biomedical imaging field. However, most existing methods cannot explore inter-class relations among base and novel medical classes to reason unseen novel classes. Moreover, the same kind of medical class has large intra-class variations brought by diverse appearances, shapes and scales, thus causing ambiguous visual characterization to degrade generalization performance of these existing methods on unseen novel classes. To address the above challenges, in this paper, we propose a \underline{\textbf{P}}rototype correlation \underline{\textbf{M}}atching and \underline{\textbf{C}}lass-relation \underline{\textbf{R}}easoning (i.e., \textbf{PMCR}) model. The proposed model can effectively mitigate false pixel correlation matches caused by large intra-class variations while reasoning inter-class relations among different medical classes. Specifically, in order to address false pixel correlation match brought by large intra-class variations, we propose a prototype correlation matching module to mine representative prototypes that can characterize diverse visual information of different appearances well. We aim to explore prototype-level rather than pixel-level correlation matching between support and query features via optimal transport algorithm to tackle false matches caused by intra-class variations. Meanwhile, in order to explore inter-class relations, we design a class-relation reasoning module to segment unseen novel medical objects via reasoning inter-class relations between base and novel classes. Such inter-class relations can be well propagated to semantic encoding of local query features to improve few-shot segmentation performance. Quantitative comparisons illustrates the large performance improvement of our model over other baseline methods.
• Abstract（参考訳）: バイオメディカルイメージング分野における医療分析の精度と効率向上に大きく貢献した医用画像の断片化は少ない。 しかし、既存の手法のほとんどは、未確認の新規なクラスを推論するために、ベースクラスと新規な医療クラス間のクラス間関係を探索することができない。 さらに、同じ種類の医療クラスは、様々な外観、形状、スケールによってもたらされる大きなクラス内変異を持つため、未確認の新規クラスにおいて、これらの既存手法の一般化性能を低下させる不明瞭な視覚的特徴が生じる。 上記の課題に対処するため,本研究では, \underline{\textbf{P}}rototype correlation \underline{\textbf{M}}atching と \underline{\textbf{C}}lass-relation \underline{\textbf{R}}easoning (すなわち, \textbf{PMCR}) モデルを提案する。 提案モデルは,異なる医用クラス間のクラス間関係を推論しながら,大規模なクラス内変動に起因する偽画素相関マッチングを効果的に緩和することができる。 具体的には,大規模なクラス内変動による偽画素相関マッチングに対処するため,異なる外観の多様な視覚情報を適切に特徴付けることのできる,代表プロトタイプに対するプロトタイプ相関マッチングモジュールを提案する。 本研究の目的は,クラス内変動による誤一致に対処するために,最適なトランスポートアルゴリズムを用いて,サポートとクエリ機能間の画素レベルの相関マッチングではなく,プロトタイプレベルを探索することである。 一方、クラス間関係を探究するために、クラス間関係を基礎クラスと新規クラス間の関係を推論することで、見知らぬ新しい医療オブジェクトをセグメント化するためのクラス関係推論モジュールを設計する。 このようなクラス間の関係は、局所的なクエリ機能のセマンティックエンコーディングにうまく伝播し、ショットセグメンテーション性能を向上させることができる。 定量的比較は、我々のモデルが他のベースライン法よりも大幅に向上したことを示している。

関連論文リスト

• Prototype-based Embedding Network for Scene Graph Generation [105.97836135784794]
  現在のシーングラフ生成(SGG)手法は、コンテキスト情報を探索し、エンティティペア間の関係を予測する。 被写体と対象物の組み合わせが多様であるため、各述語カテゴリーには大きなクラス内変異が存在する。 プロトタイプベースのEmbedding Network (PE-Net) は、エンティティ/述語を、プロトタイプに準拠したコンパクトで独特な表現でモデル化する。 PLは、PE-Netがそのようなエンティティ述語マッチングを効率的に学習するのを助けるために導入され、不明瞭なエンティティ述語マッチングを緩和するためにプロトタイプ正規化(PR)が考案されている。
  論文  参考訳（メタデータ） (2023-03-13T13:30:59Z)
• FECANet: Boosting Few-Shot Semantic Segmentation with Feature-Enhanced Context-Aware Network [48.912196729711624]
  Few-shot セマンティックセグメンテーション(Few-shot semantic segmentation)は、新しいクラスの各ピクセルを、わずかに注釈付きサポートイメージで検索するタスクである。 本稿では,クラス間の類似性に起因するマッチングノイズを抑制するために,機能拡張コンテキスト認識ネットワーク(FECANet)を提案する。 さらに,前景と背景の余分な対応関係を符号化する新たな相関再構成モジュールを提案する。
  論文  参考訳（メタデータ） (2023-01-19T16:31:13Z)
• AnANet: Modeling Association and Alignment for Cross-modal Correlation Classification [20.994250472941427]
  画像とテキストの相関関係を包括的に分析し、暗黙の関連と明示的なアライメントに基づく新しい分類体系を再定義する。 構築した画像-テキスト相関データセットの実験結果から,本モデルの有効性が示された。
  論文  参考訳（メタデータ） (2021-09-02T03:42:35Z)
• Deep Relational Metric Learning [84.95793654872399]
  本稿では,画像クラスタリングと検索のためのディープリレーショナルメトリック学習フレームワークを提案する。 我々は、クラス間分布とクラス内分布の両方をモデル化するために、異なる側面から画像を特徴付ける特徴のアンサンブルを学ぶ。 広く使われているCUB-200-2011、Cars196、Stanford Online Productsデータセットの実験は、我々のフレームワークが既存の深層学習方法を改善し、非常に競争力のある結果をもたらすことを示した。
  論文  参考訳（メタデータ） (2021-08-23T09:31:18Z)
• Discovering Relationships between Object Categories via Universal Canonical Maps [80.07703460198198]
  変形可能なオブジェクトの複数カテゴリの幾何学を共同で学習する問題に取り組む。 近年の研究では、関連オブジェクトのいくつかのカテゴリに対して、統合された高密度ポーズ予測器を学習できることが示されている。 改良された対応性は,カテゴリ固有の高密度ポーズ予測器の自然な副産物として自動的に学習できることを示す。
  論文  参考訳（メタデータ） (2021-06-17T18:38:18Z)
• Semantic Correspondence with Transformers [68.37049687360705]
  本稿では,変換器を用いたコストアグリゲーション(CAT)を提案し,意味論的に類似した画像間の密接な対応を見出す。 初期相関マップと多レベルアグリゲーションを曖昧にするための外観親和性モデリングを含む。 提案手法の有効性を示す実験を行い,広範囲にわたるアブレーション研究を行った。
  論文  参考訳（メタデータ） (2021-06-04T14:39:03Z)
• 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)
• Learning Informative Representations of Biomedical Relations with Latent Variable Models [2.4366811507669115]
  本稿では,任意に柔軟な分布を持つ潜在変数モデルを提案する。 我々のモデルは、パラメータが少なく、トレーニングがかなり速く、両方のタスクの強いベースラインと競合する結果が得られることを実証する。
  論文  参考訳（メタデータ） (2020-11-20T08:56:31Z)
• Learning Interclass Relations for Image Classification [0.0]
  標準分類では、典型的には分類カテゴリーを互いに独立したものとして扱う。 本研究では、クラス独立性の仮定が、より多くのトレーニングデータを必要とする制限要因であるという認識に基づいて、分類問題の新たな定式化を提案する。
  論文  参考訳（メタデータ） (2020-06-24T05:32:54Z)

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。