論文の概要: Wound Tissue Segmentation in Diabetic Foot Ulcer Images Using Deep Learning: A Pilot Study

• arxiv url: http://arxiv.org/abs/2406.16012v1
• Date: Sun, 23 Jun 2024 05:01:51 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-25 19:23:47.262180
• Title: Wound Tissue Segmentation in Diabetic Foot Ulcer Images Using Deep Learning: A Pilot Study
• Title（参考訳）: 深層学習を用いた糖尿病下腹部画像における創部組織分画の検討
• Authors: Mrinal Kanti Dhar, Chuanbo Wang, Yash Patel, Taiyu Zhang, Jeffrey Niezgoda, Sandeep Gopalakrishnan, Keke Chen, Zeyun Yu,
• Abstract要約: 我々は,創部組織分割アルゴリズムを評価するためのDFUT草案データセットを作成した。 データセットには110枚の画像と、創傷の専門家によってラベル付けされた組織、600枚の未ラベル画像が含まれている。 注釈付きデータの量が限られているため、我々のフレームワークは、教師付き学習(SL)と半教師付き学習(SSL)の両方のフェーズで構成されている。
• 参考スコア（独自算出の注目度）: 5.397013836968946
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Identifying individual tissues, so-called tissue segmentation, in diabetic foot ulcer (DFU) images is a challenging task and little work has been published, largely due to the limited availability of a clinical image dataset. To address this gap, we have created a DFUTissue dataset for the research community to evaluate wound tissue segmentation algorithms. The dataset contains 110 images with tissues labeled by wound experts and 600 unlabeled images. Additionally, we conducted a pilot study on segmenting wound characteristics including fibrin, granulation, and callus using deep learning. Due to the limited amount of annotated data, our framework consists of both supervised learning (SL) and semi-supervised learning (SSL) phases. In the SL phase, we propose a hybrid model featuring a Mix Transformer (MiT-b3) in the encoder and a CNN in the decoder, enhanced by the integration of a parallel spatial and channel squeeze-and-excitation (P-scSE) module known for its efficacy in improving boundary accuracy. The SSL phase employs a pseudo-labeling-based approach, iteratively identifying and incorporating valuable unlabeled images to enhance overall segmentation performance. Comparative evaluations with state-of-the-art methods are conducted for both SL and SSL phases. The SL achieves a Dice Similarity Coefficient (DSC) of 84.89%, which has been improved to 87.64% in the SSL phase. Furthermore, the results are benchmarked against two widely used SSL approaches: Generative Adversarial Networks and Cross-Consistency Training. Additionally, our hybrid model outperforms the state-of-the-art methods with a 92.99% DSC in performing binary segmentation of DFU wound areas when tested on the Chronic Wound dataset. Codes and data are available at https://github.com/uwm-bigdata/DFUTissueSegNet.
• Abstract（参考訳）: 糖尿病性足部潰瘍(DFU)画像における組織分節と呼ばれる個々の組織を同定することは難しい課題であり、臨床画像データセットが限られたため、ほとんど研究されていない。 このギャップに対処するため、我々は、創部組織分割アルゴリズムを評価するために、研究コミュニティ向けのDFUT Issueデータセットを作成しました。 データセットには110枚の画像と、創傷の専門家によってラベル付けされた組織、600枚の未ラベル画像が含まれている。 さらに, 深層学習を用いたフィブリン, 顆粒, カルスなどの創傷特性の分節化に関する試験的検討を行った。 注釈付きデータの量が限られているため、我々のフレームワークは、教師付き学習(SL)と半教師付き学習(SSL)の両方のフェーズで構成されている。 SL相では,エンコーダのMix Transformer(MiT-b3)とデコーダのCNNを組み合わせたハイブリッドモデルを提案する。 SSLフェーズには擬似ラベルベースのアプローチが採用されている。 SL相とSSL相の比較評価を行った。 SLは84.89%のDice similarity Coefficient (DSC)を達成しており、SSLフェーズでは87.64%に改善されている。 さらに、この結果は、ジェネレーティブ・アドバイサル・ネットワーク(Generative Adversarial Networks)とクロス・一貫性・トレーニング(Cross-Consistency Training)という、2つの広く使われているSSLアプローチに対してベンチマークされる。 さらに,DFU創傷領域のバイナリセグメンテーションを行う場合には,92.99%のDSCで最先端の手法よりも高い性能を示した。 コードとデータはhttps://github.com/uwm-bigdata/DFUTissueSegNetで公開されている。

関連論文リスト

• Cross Prompting Consistency with Segment Anything Model for Semi-supervised Medical Image Segmentation [44.54301473673582]
  半教師付き学習(SSL)は,医用画像のセグメンテーションにおいて顕著な進歩を遂げている。 SAM(Segment Anything Model)のような視覚基盤モデルの最近の発展は、顕著な適応性を示している。 半教師型医用画像分割のためのセグメンテーションモデル(CPC-SAM)を用いたクロスプロンプト整合性手法を提案する。
  論文  参考訳（メタデータ） (2024-07-07T15:43:20Z)
• On Pretraining Data Diversity for Self-Supervised Learning [57.91495006862553]
  我々は、より多様なデータセットを用いたトレーニングが、固定された計算予算の下での自己教師付き学習(SSL)のパフォーマンスに与える影響について検討する。 以上の結果から,事前学習データの多様性の増大はSSL性能を向上させるが,下流データへの分布距離が最小である場合に限る。
  論文  参考訳（メタデータ） (2024-03-20T17:59:58Z)
• Label-efficient Multi-organ Segmentation Method with Diffusion Model [6.413416851085592]
  我々は,CT画像における多臓器分割作業のための事前学習拡散モデルを用いたラベル効率の学習手法を提案する。 提案手法は, FLARE 2022データセットの最先端手法と比較して, 競合する多臓器セグメンテーション性能を実現する。
  論文  参考訳（メタデータ） (2024-02-23T09:25:57Z)
• Mediastinal Lymph Node Detection and Segmentation Using Deep Learning [1.7188280334580195]
  臨床ではCT(Computed tomography)とPET(positron emission tomography)が異常リンパ節(LN)を検出する 深層畳み込みニューラルネットワークは、しばしば医療写真にアイテムを分割する。 良質な深層学習手法であるUNetは、縦隔リンパ節の分節と検出のための戦略に基づいて、双線形および全一般化変異(TGV)を用いて修正された。 修正されたUNetはテクスチャの不連続を維持し、ノイズの多い領域を選択し、バックプロパゲーションを通じて適切なバランスポイントを検索し、画像の解像度を再現する。
  論文  参考訳（メタデータ） (2022-11-24T02:55:20Z)
• Data-Limited Tissue Segmentation using Inpainting-Based Self-Supervised Learning [3.7931881761831328]
  プレテキストタスクを含む自己教師付き学習(SSL)メソッドは、ラベルなしデータを使用したモデルの最初の事前トレーニングによって、この要件を克服する可能性を示している。 ラベル限定シナリオにおけるCTとMRI画像のセグメンテーションにおける2つのSSL手法の有効性を評価する。 最適に訓練され,実装が容易なSSLセグメンテーションモデルは,ラベル制限シナリオにおけるMRIおよびCT組織セグメンテーションの古典的な手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-10-14T16:34:05Z)
• PCA: Semi-supervised Segmentation with Patch Confidence Adversarial Training [52.895952593202054]
  医用画像セグメンテーションのためのPatch Confidence Adrial Training (PCA) と呼ばれる半教師付き対向法を提案する。 PCAは各パッチの画素構造とコンテキスト情報を学習し、十分な勾配フィードバックを得る。 本手法は, 医用画像のセグメンテーションにおいて, 最先端の半教師付き手法より優れており, その有効性を示している。
  論文  参考訳（メタデータ） (2022-07-24T07:45:47Z)
• Collaborative Intelligence Orchestration: Inconsistency-Based Fusion of Semi-Supervised Learning and Active Learning [60.26659373318915]
  アクティブラーニング(AL)と半教師付きラーニング(SSL)は2つの効果があるが、しばしば孤立している。 本稿では、SSL-ALの潜在的な優位性をさらに調査するために、革新的な一貫性に基づく仮想aDvErialアルゴリズムを提案する。 2つの実世界のケーススタディは、提案したデータサンプリングアルゴリズムの適用と展開の実践的な産業価値を可視化する。
  論文  参考訳（メタデータ） (2022-06-07T13:28:43Z)
• Medical Instrument Segmentation in 3D US by Hybrid Constrained Semi-Supervised Learning [62.13520959168732]
  3DUSにおける楽器セグメンテーションのための半教師付き学習フレームワークを提案する。 SSL学習を実現するため、Dual-UNetが提案されている。 提案手法は,Diceの約68.6%-69.1%,推定時間約1秒を実現している。
  論文  参考訳（メタデータ） (2021-07-30T07:59:45Z)
• Self-Supervised Learning of Graph Neural Networks: A Unified Review [50.71341657322391]
  ラベルなしサンプルを多用する新たなパラダイムとして,自己教師型学習が登場している。 SSLを用いたグラフニューラルネットワーク(GNNs)のトレーニング方法の統一レビューを提供します。 gnnに対するssl手法の処理は,様々な手法の類似性と相違に光を当て,新しい手法やアルゴリズムの開発段階を定めている。
  論文  参考訳（メタデータ） (2021-02-22T03:43:45Z)
• Quality-aware semi-supervised learning for CMR segmentation [2.9928692313705505]
  医用画像セグメンテーションのためのディープラーニングアルゴリズムを開発する上での課題の1つは、トレーニングデータの不足である。 本稿では,下流タスクのQCを用いて,CMRセグメンテーションネットワークの高品質な出力を同定する手法を提案する。 本質的にこれは、セグメンテーションネットワーク用のSSLの変種におけるトレーニングデータの品質向上を提供する。
  論文  参考訳（メタデータ） (2020-09-01T17:18:22Z)
• Uncovering the structure of clinical EEG signals with self-supervised learning [64.4754948595556]
  教師付き学習パラダイムは、しばしば利用可能なラベル付きデータの量によって制限される。 この現象は脳波(EEG)などの臨床関連データに特に問題となる。 ラベルのないデータから情報を抽出することで、ディープニューラルネットワークとの競合性能に到達することができるかもしれない。
  論文  参考訳（メタデータ） (2020-07-31T14:34:47Z)

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。