論文の概要: SelfReg-UNet: Self-Regularized UNet for Medical Image Segmentation

• arxiv url: http://arxiv.org/abs/2406.14896v1
• Date: Fri, 21 Jun 2024 06:34:56 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-24 14:33:07.203339
• Title: SelfReg-UNet: Self-Regularized UNet for Medical Image Segmentation
• Title（参考訳）: SelfReg-UNet: 医療画像セグメンテーションのための自己正規化UNet
• Authors: Wenhui Zhu, Xiwen Chen, Peijie Qiu, Mohammad Farazi, Aristeidis Sotiras, Abolfazl Razi, Yalin Wang,
• Abstract要約: UNetで学んだパターンを調査し、そのパフォーマンスに影響を与える可能性のある2つの重要な要因を観察します。 我々は、エンコーダとデコーダの監督のバランスをとり、UNetの冗長な情報を減らすことを提案する。 提案手法は,プラグアンドプレイ方式で既存のUNetアーキテクチャと容易に統合でき,計算コストは無視できる。
• 参考スコア（独自算出の注目度）: 2.0792866989795864
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Since its introduction, UNet has been leading a variety of medical image segmentation tasks. Although numerous follow-up studies have also been dedicated to improving the performance of standard UNet, few have conducted in-depth analyses of the underlying interest pattern of UNet in medical image segmentation. In this paper, we explore the patterns learned in a UNet and observe two important factors that potentially affect its performance: (i) irrelative feature learned caused by asymmetric supervision; (ii) feature redundancy in the feature map. To this end, we propose to balance the supervision between encoder and decoder and reduce the redundant information in the UNet. Specifically, we use the feature map that contains the most semantic information (i.e., the last layer of the decoder) to provide additional supervision to other blocks to provide additional supervision and reduce feature redundancy by leveraging feature distillation. The proposed method can be easily integrated into existing UNet architecture in a plug-and-play fashion with negligible computational cost. The experimental results suggest that the proposed method consistently improves the performance of standard UNets on four medical image segmentation datasets. The code is available at \url{https://github.com/ChongQingNoSubway/SelfReg-UNet}
• Abstract（参考訳）: 導入以来、UNetは様々な医療画像セグメンテーションタスクを率いてきた。 標準UNetの性能向上にも多くのフォローアップ研究が費やされているが、医用画像のセグメンテーションにおけるUNetの基本的な関心パターンを詳細に分析する研究は少ない。 本稿では、UNetで学んだパターンを調査し、その性能に影響を与える可能性のある2つの重要な要因を観察する。 一 非対称な監督によって学習された非対称的特徴 (ii)特徴写像における特徴冗長性。 そこで本研究では,エンコーダとデコーダのバランスをとるとともに,UNetにおける冗長な情報を削減することを提案する。 具体的には、最もセマンティックな情報(つまりデコーダの最後の層)を含む特徴マップを使用して、他のブロックに対する追加の監視を提供し、特徴蒸留を利用して、追加の監視と特徴の冗長性を低減する。 提案手法は,プラグアンドプレイ方式で既存のUNetアーキテクチャと容易に統合でき,計算コストは無視できる。 実験結果から,提案手法は4つの医用画像セグメンテーションデータセット上での標準UNETの性能を一貫して改善することが示された。 コードは \url{https://github.com/ChongQingNoSubway/SelfReg-UNet} で公開されている。

関連論文リスト

• Zero-Shot Image Segmentation via Recursive Normalized Cut on Diffusion Features [62.63481844384229]
  ファンデーションモデルは、言語、ビジョン、マルチモーダルタスクなど、さまざまな領域にまたがる強力なツールとして登場した。 本稿では,拡散UNetエンコーダを基礎ビジョンエンコーダとして使用し,教師なしゼロショットセグメンテーション手法であるDiffCutを紹介する。 我々の研究は、拡散UNetエンコーダに埋め込まれた極めて正確なセマンティック知識を強調し、下流タスクの基盤ビジョンエンコーダとして機能する。
  論文  参考訳（メタデータ） (2024-06-05T01:32:31Z)
• DiffVein: A Unified Diffusion Network for Finger Vein Segmentation and Authentication [50.017055360261665]
  DiffVeinは、静脈分割と認証タスクを同時に処理する統合拡散モデルベースのフレームワークである。 これら2つのブランチ間の機能相互作用を改善するために,2つの特別なモジュールを導入する。 このようにして、我々のフレームワークは拡散とセグメンテーションの埋め込みの間の動的相互作用を可能にする。
  論文  参考訳（メタデータ） (2024-02-03T06:49:42Z)
• Dual-scale Enhanced and Cross-generative Consistency Learning for Semi-supervised Polyp Segmentation [52.06525450636897]
  大腸癌の早期診断と治療において, 自動ポリープセグメンテーションが重要な役割を担っている。 既存の手法は、完全に教師されたトレーニングに大きく依存しており、大量のラベル付きデータと時間を要するピクセル単位のアノテーションを必要とする。 大腸内視鏡画像からの半教師付きポリープ(DEC-Seg)のための新しいDual-scale Enhanced and Cross-generative consistency learningフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-12-26T12:56:31Z)
• Self-supervised Few-shot Learning for Semantic Segmentation: An Annotation-free Approach [4.855689194518905]
  Few-shot semantic segmentation (FSS)は、医用画像解析の分野で大きな可能性を秘めている。 既存のFSS技術は注釈付きセマンティッククラスに大きく依存しており、医療画像には適さない。 本稿では,アノテーションに依存しない新たな自己教師型FSSフレームワークを提案する。その代わりに,支援画像から得られる固有ベクトルを利用して,クエリマスクを適応的に推定する。
  論文  参考訳（メタデータ） (2023-07-26T18:33:30Z)
• 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)
• Cross-supervised Dual Classifiers for Semi-supervised Medical Image Segmentation [10.18427897663732]
  半教師付き医用画像分割は、大規模医用画像解析に有望な解決策を提供する。 本稿では、二重分類器(DC-Net)に基づくクロス教師あり学習フレームワークを提案する。 LAとPancreas-CTデータセットの実験は、DC-Netが半教師付きセグメンテーションの他の最先端手法よりも優れていることを示している。
  論文  参考訳（メタデータ） (2023-05-25T16:23:39Z)
• 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)
• Scribble-Supervised Medical Image Segmentation via Dual-Branch Network and Dynamically Mixed Pseudo Labels Supervision [15.414578073908906]
  単純で効率的なスクリブル教師付き画像分割法を提案し,それを心臓MRIセグメント化に適用する。 このスクリブル・インスペクションと補助擬似ラベル・インスペクションを組み合わせることで、デュアルブランチ・ネットワークは、スクリブル・アノテーションからエンドツーエンドまで効率的に学習することができる。
  論文  参考訳（メタデータ） (2022-03-04T02:50:30Z)
• Contrastive and Selective Hidden Embeddings for Medical Image Segmentation [25.80192874762209]
  医用画像セグメンテーションのための対照的な学習ベース重み事前トレーニングを提案する。 不確実性を考慮した特徴選択ブロック(UAFS)と呼ばれる新しい構造は、少数機能による学習目標シフトを処理するように設計されている。 6つのドメインから8つのパブリックデータセットにまたがって、最先端の結果が得られます。
  論文  参考訳（メタデータ） (2022-01-21T16:52:19Z)
• Visual Alignment Constraint for Continuous Sign Language Recognition [74.26707067455837]
  ビジョンベースの継続的署名言語認識は、画像シーケンスから未分割ジェスチャーを認識することを目的とする。 本研究は,最近のCTCに基づくCSLRにおける過剰適合問題を再考し,特徴抽出器の訓練不足によるものである。 視覚アライメント制約(vac)により、よりアライメントの監督により特徴抽出器を強化する。
  論文  参考訳（メタデータ） (2021-04-06T07:24:58Z)
• 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)

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。