論文の概要: Skip and Skip: Segmenting Medical Images with Prompts

• arxiv url: http://arxiv.org/abs/2406.14958v1
• Date: Fri, 21 Jun 2024 08:14:52 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-24 14:23:19.079817
• Title: Skip and Skip: Segmenting Medical Images with Prompts
• Title（参考訳）: Skip and Skip: プロンプトによる医用画像のセグメンテーション
• Authors: Jiawei Chen, Dingkang Yang, Yuxuan Lei, Lihua Zhang,
• Abstract要約: 本稿では,イメージレベルラベルを用いてセグメンテーションを促進する2つのU字型2段フレームワークを提案する。 実験により,本フレームワークは,単にピクセルレベルのアノテーションを用いて,ネットワークよりも優れた結果が得られることが示された。
• 参考スコア（独自算出の注目度）: 11.997659260758976
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Most medical image lesion segmentation methods rely on hand-crafted accurate annotations of the original image for supervised learning. Recently, a series of weakly supervised or unsupervised methods have been proposed to reduce the dependence on pixel-level annotations. However, these methods are essentially based on pixel-level annotation, ignoring the image-level diagnostic results of the current massive medical images. In this paper, we propose a dual U-shaped two-stage framework that utilizes image-level labels to prompt the segmentation. In the first stage, we pre-train a classification network with image-level labels, which is used to obtain the hierarchical pyramid features and guide the learning of downstream branches. In the second stage, we feed the hierarchical features obtained from the classification branch into the downstream branch through short-skip and long-skip and get the lesion masks under the supervised learning of pixel-level labels. Experiments show that our framework achieves better results than networks simply using pixel-level annotations.
• Abstract（参考訳）: ほとんどの医学画像病変分割法は、教師あり学習のための手作りの原画像の正確なアノテーションに依存している。 近年,画素レベルのアノテーションへの依存を減らすために,弱い教師付き手法や教師なし手法が提案されている。 しかし、これらの手法は基本的にピクセルレベルのアノテーションに基づいており、現在の医用画像の画像レベルの診断結果を無視している。 本稿では,イメージレベルラベルを用いてセグメンテーションを促進する2つのU字型2段フレームワークを提案する。 第1段階では,画像レベルラベルを用いた分類ネットワークを事前学習し,階層的なピラミッドの特徴を抽出し,下流の枝の学習を指導する。 第2段階では, 分類枝から得られた階層的特徴を, 短軸, 長軸を通じて下流枝に供給し, 画素レベルラベルの教師付き学習の下で病変マスクを得る。 実験により,本フレームワークは,単にピクセルレベルのアノテーションを用いて,ネットワークよりも優れた結果が得られることが示された。

関連論文リスト

• Learning Semantic Segmentation with Query Points Supervision on Aerial Images [57.09251327650334]
  セマンティックセグメンテーションアルゴリズムを学習するための弱教師付き学習アルゴリズムを提案する。 提案手法は正確なセマンティックセグメンテーションを行い,手作業のアノテーションに要するコストと時間を大幅に削減することで効率を向上する。
  論文  参考訳（メタデータ） (2023-09-11T14:32:04Z)
• 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)
• Human-machine Interactive Tissue Prototype Learning for Label-efficient Histopathology Image Segmentation [18.755759024796216]
  ディープ・ニューラル・ネットワークは、画像セグメンテーションを大幅に進歩させたが、通常は豊富なデータを必要とする。 本稿では,ラベル効率のよい組織原型辞書構築パイプラインを提案し,得られた原型を用いて病理組織像のセグメンテーションを導くことを提案する。 人間の機械的対話型組織プロトタイプ学習法は,完全教師付きベースラインと同等のセグメンテーション性能が得られることを示す。
  論文  参考訳（メタデータ） (2022-11-26T06:17:21Z)
• Pointly-Supervised Panoptic Segmentation [106.68888377104886]
  弱教師付き単眼セグメンテーションにポイントレベルのアノテーションを適用するための新しい手法を提案する。 完全に教師された方法で使用される高密度のピクセルレベルラベルの代わりに、ポイントレベルラベルは、監督対象ごとに単一のポイントしか提供しない。 我々は、ポイントレベルのラベルから同時に汎視的擬似マスクを生成し、それらから学習することで、エンドツーエンドのフレームワークにおける問題を定式化する。
  論文  参考訳（メタデータ） (2022-10-25T12:03:51Z)
• Mixed Supervision Learning for Whole Slide Image Classification [88.31842052998319]
  超高解像度画像のための混合監視学習フレームワークを提案する。 パッチトレーニングの段階では、このフレームワークは、粗いイメージレベルのラベルを使用して、自己教師付き学習を洗練することができる。 画素レベルの偽陽性と偽陰性を抑制するための包括的な戦略が提案されている。
  論文  参考訳（メタデータ） (2021-07-02T09:46:06Z)
• Self-Ensembling Contrastive Learning for Semi-Supervised Medical Image Segmentation [6.889911520730388]
  限られたラベルを持つ医用画像セグメンテーションにおける半教師あり学習の性能向上を目指す。 我々は、ラベルのない画像に対照的な損失を与えることによって、特徴レベルで潜在表現を直接学習する。 我々はMRIとCTのセグメンテーションデータセットの実験を行い、提案手法が最先端の性能を実現することを示す。
  論文  参考訳（メタデータ） (2021-05-27T03:27:58Z)
• Semantic Segmentation with Generative Models: Semi-Supervised Learning and Strong Out-of-Domain Generalization [112.68171734288237]
  本論文では,画像とラベルの再生モデルを用いた識別画素レベルのタスクのための新しいフレームワークを提案する。 我々は,共同画像ラベルの分布を捕捉し,未ラベル画像の大規模な集合を用いて効率的に訓練する生成的対向ネットワークを学習する。 ドメイン内性能をいくつかのベースラインと比較し,ドメイン外一般化を極端に示す最初の例である。
  論文  参考訳（メタデータ） (2021-04-12T21:41:25Z)
• Vessel-CAPTCHA: an efficient learning framework for vessel annotation and segmentation [4.234945298751737]
  3次元脳血管画像分割のためのディープラーニング技術の使用は、他の臓器や組織のセグメンテーションほど広くは普及していない。 アノテーション効率のよい深層学習容器セグメンテーションフレームワークを提案する。 このフレームワークは最先端の精度を実現し、学習ベースのセグメンテーションメソッドに関して最大80%のアノテーション時間を短縮します。
  論文  参考訳（メタデータ） (2021-01-22T20:29:23Z)
• Grafit: Learning fine-grained image representations with coarse labels [114.17782143848315]
  本稿では,学習ラベルの提供するものよりも細かな表現を学習する問題に対処する。 粗いラベルと下層の細粒度潜在空間を併用することにより、カテゴリレベルの検索手法の精度を大幅に向上させる。
  論文  参考訳（メタデータ） (2020-11-25T19:06:26Z)
• Few-Shot Semantic Segmentation Augmented with Image-Level Weak Annotations [23.02986307143718]
  ショットセマンティックセグメンテーションの最近の進歩は、わずか数ピクセルレベルの注釈付き例によってこの問題に対処している。 私たちのキーとなるアイデアは、イメージレベルのラベル付きデータから知識を融合させることで、クラスのより優れたプロトタイプ表現を学ぶことです。 画像レベルのアノテーションを統合することで,距離空間におけるクラスプロトタイプ表現を学習するための新しいフレームワークPAIAを提案する。
  論文  参考訳（メタデータ） (2020-07-03T04:58:20Z)
• Manifold-driven Attention Maps for Weakly Supervised Segmentation [9.289524646688244]
  本稿では,視覚的に有意な領域を強化するために,多様体駆動型注意ネットワークを提案する。 提案手法は,余分な計算を必要とせずに,推論中により優れた注意マップを生成できる。
  論文  参考訳（メタデータ） (2020-04-07T00:03:28Z)

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。