論文の概要: Weakly SSM : On the Viability of Weakly Supervised Segmentations for Statistical Shape Modeling

• arxiv url: http://arxiv.org/abs/2407.15260v1
• Date: Sun, 21 Jul 2024 20:24:21 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-23 16:40:17.727047
• Title: Weakly SSM : On the Viability of Weakly Supervised Segmentations for Statistical Shape Modeling
• Title（参考訳）: 弱められたSSM : 統計的形状モデリングのための弱められたセグメントの有効性について
• Authors: Janmesh Ukey, Tushar Kataria, Shireen Y. Elhabian,
• Abstract要約: 統計的形状モデル (SSMs) は、個体群レベルの解剖学的変異を識別する。 SSMは専門家主導のマニュアルセグメンテーションの必要性によって制約されることが多い。 近年の深層学習手法により,非分割画像からのSSMの直接推定が可能となった。
• 参考スコア（独自算出の注目度）: 1.9029890402585894
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Statistical Shape Models (SSMs) excel at identifying population level anatomical variations, which is at the core of various clinical and biomedical applications, including morphology-based diagnostics and surgical planning. However, the effectiveness of SSM is often constrained by the necessity for expert-driven manual segmentation, a process that is both time-intensive and expensive, thereby restricting their broader application and utility. Recent deep learning approaches enable the direct estimation of Statistical Shape Models (SSMs) from unsegmented images. While these models can predict SSMs without segmentation during deployment, they do not address the challenge of acquiring the manual annotations needed for training, particularly in resource-limited settings. Semi-supervised and foundation models for anatomy segmentation can mitigate the annotation burden. Yet, despite the abundance of available approaches, there are no established guidelines to inform end-users on their effectiveness for the downstream task of constructing SSMs. In this study, we systematically evaluate the potential of weakly supervised methods as viable alternatives to manual segmentation's for building SSMs. We establish a new performance benchmark by employing various semi-supervised and foundational model methods for anatomy segmentation under low annotation settings, utilizing the predicted segmentation's for the task of SSM. We compare the modes of shape variation and use quantitative metrics to compare against a shape model derived from a manually annotated dataset. Our results indicate that some methods produce noisy segmentation, which is very unfavorable for SSM tasks, while others can capture the correct modes of variations in the population cohort with 60-80\% reduction in required manual annotation.
• Abstract（参考訳）: 統計形状モデル (SSMs) は、形態学に基づく診断や外科的計画など、様々な臨床および生物医学的応用の核となる、個体群レベルの解剖学的変異の同定に優れる。 しかし、SSMの有効性は専門家主導のマニュアルセグメンテーションの必要性によって制約されることが多い。 近年の深層学習手法により,非分割画像からの統計的形状モデル(SSM)の直接推定が可能となった。 これらのモデルは、デプロイ中にセグメンテーションなしでSSMを予測することができるが、特にリソース制限の設定において、トレーニングに必要な手動アノテーションを取得するという課題には対処しない。 解剖学的セグメンテーションのための半教師付き基礎モデルは、アノテーションの負担を軽減することができる。 しかし、利用可能なアプローチが豊富にあるにもかかわらず、エンドユーザにSSMを構築するための下流タスクの有効性を知らせるガイドラインは確立されていない。 本研究では,SSM構築のための手動セグメンテーションの代替手段として,弱教師付き手法の可能性を体系的に評価する。 我々は,SSMのタスクに対して予測されたセグメンテーションを利用した,低アノテーション設定下での解剖学的セグメンテーションのための,様々な半教師付き基礎モデル手法を用いて,新しい性能ベンチマークを構築した。 形状変化のモードを比較し,手動で注釈付きデータセットから得られた形状モデルと比較する。 以上の結果から,SSMタスクには非常に好ましくないノイズセグメンテーションを生成できる手法もあれば,60～80 %のマニュアルアノテーションで個体群コホートの変化の正しいモードを捉える方法もある。

関連論文リスト

• DiM: $f$-Divergence Minimization Guided Sharpness-Aware Optimization for Semi-supervised Medical Image Segmentation [8.70112307145508]
  本稿では,$f$-divergence最小化に基づくシャープネスを考慮した最適化手法を提案する。 この方法はモデルパラメータの感度を微調整することでモデルの安定性を向上させる。 さらに、$f$-divergenceの導入により、さまざまなデータセットへのモデルの適応性も向上する。
  論文  参考訳（メタデータ） (2024-11-19T09:07:26Z)
• Revisiting SMoE Language Models by Evaluating Inefficiencies with Task Specific Expert Pruning [78.72226641279863]
  SMOE(Sparse Mixture of Expert)モデルは、言語モデリングにおける高密度モデルに代わるスケーラブルな代替品として登場した。 本研究は,SMoEアーキテクチャの設計に関する意思決定を行うために,タスク固有のモデルプルーニングについて検討する。 適応型タスク対応プルーニング手法 UNCURL を導入し,MoE 層当たりの専門家数をオフラインで学習する手法を提案する。
  論文  参考訳（メタデータ） (2024-09-02T22:35:03Z)
• Weakly Supervised Bayesian Shape Modeling from Unsegmented Medical Images [4.424170214926035]
  対応型統計形状モデリング(SSM)は、人口レベルの形態計測を容易にする。 ディープラーニングの最近の進歩は、推論においてこのプロセスを合理化している。 我々は,ポイントクラウドを用いた画像からSSMを予測するために,弱い教師付きディープラーニングアプローチを導入する。
  論文  参考訳（メタデータ） (2024-05-15T20:47:59Z)
• MASSM: An End-to-End Deep Learning Framework for Multi-Anatomy Statistical Shape Modeling Directly From Images [1.9029890402585894]
  複数の解剖を同時にローカライズし、人口レベルの統計表現を推定し、画像空間内での形状表現を直接記述する新しいエンドツーエンドディープラーニングフレームワークであるMASSMを紹介する。 以上の結果から,マルチタスクネットワークを介して画像空間の解剖を記述し,複数の解剖処理を行うMASSMは,医用画像処理タスクのセグメンテーションネットワークよりも優れた形状情報を提供することがわかった。
  論文  参考訳（メタデータ） (2024-03-16T20:16:37Z)
• S3M: Scalable Statistical Shape Modeling through Unsupervised Correspondences [91.48841778012782]
  本研究では,集団解剖学における局所的および大域的形状構造を同時に学習するための教師なし手法を提案する。 我々のパイプラインは、ベースライン法と比較して、SSMの教師なし対応推定を大幅に改善する。 我々の手法は、ノイズの多いニューラルネットワーク予測から学ぶのに十分堅牢であり、より大きな患者にSSMを拡張できる可能性がある。
  論文  参考訳（メタデータ） (2023-04-15T09:39:52Z)
• Instance-specific and Model-adaptive Supervision for Semi-supervised Semantic Segmentation [49.82432158155329]
  iMAS と呼ばれる半教師付きセマンティックセグメンテーションのためのインスタンス固有およびモデル適応型監視法を提案する。 iMASは、評価された硬さに基づいて、対応する一貫性損失を測定することで、ラベルのないインスタンスから徐々に学習する。
  論文  参考訳（メタデータ） (2022-11-21T10:37:28Z)
• Adversarial Sample Enhanced Domain Adaptation: A Case Study on Predictive Modeling with Electronic Health Records [57.75125067744978]
  ドメイン適応を容易にするデータ拡張手法を提案する。 逆生成したサンプルはドメイン適応時に使用される。 その結果,本手法の有効性とタスクの一般性が確認された。
  論文  参考訳（メタデータ） (2021-01-13T03:20:20Z)
• 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)
• Benchmarking off-the-shelf statistical shape modeling tools in clinical applications [53.47202621511081]
  我々は、広く使われている最先端のSSMツールの結果を体系的に評価する。 解剖学的ランドマーク/計測推測および病変スクリーニングのための検証フレームワークを提案する。 ShapeWorks と Deformetrica の形状モデルは臨床的に関連する集団レベルの変動を捉えている。
  論文  参考訳（メタデータ） (2020-09-07T03:51:35Z)
• Semi-supervised Pathology Segmentation with Disentangled Representations [10.834978793226444]
  本稿では,初めて共同で学習しようとする病理分類モデルである解剖-病理解離ネットワーク(APD-Net, Anatomy-Pathology Disentanglement Network)を提案する。 APD-Netは、アノテーションの少ない病理的セグメンテーションを実行し、異なる量の監視で性能を維持し、関連するディープラーニング手法より優れている。
  論文  参考訳（メタデータ） (2020-09-05T17:07:59Z)

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。