論文の概要: Segmenting Fetal Head with Efficient Fine-tuning Strategies in Low-resource Settings: an empirical study with U-Net
- arxiv url: http://arxiv.org/abs/2407.20086v1
- Date: Mon, 29 Jul 2024 15:16:08 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-30 13:24:58.373738
- Title: Segmenting Fetal Head with Efficient Fine-tuning Strategies in Low-resource Settings: an empirical study with U-Net
- Title（参考訳）: 低リソース環境下での高効率微調整による胎児頭部の分画--U-Netを用いた実証研究
- Authors: Fangyijie Wang, Guénolé Silvestre, Kathleen M. Curran,
- Abstract要約: 出生前スクリーニングにおける胎児の発育を推定するためには,胎児の頭部周流が不可欠である。
近年の深層学習技術の進歩により,エンコーダ・デコーダモデルを用いた胎児頭部の分節化が著しく進展している。
胎児超音波画像分割のためのU-netの最適微調整のための「ベストプラクティス」ガイドラインはまだ存在しない。
この研究は、オランダ、スペイン、マラウイ、エジプト、アルジェリアの超音波データにまたがる様々なバックボーンアーキテクチャ、モデルコンポーネント、および微調整戦略による既存の微調整戦略をまとめたものである。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Accurate measurement of fetal head circumference is crucial for estimating fetal growth during routine prenatal screening. Prior to measurement, it is necessary to accurately identify and segment the region of interest, specifically the fetal head, in ultrasound images. Recent advancements in deep learning techniques have shown significant progress in segmenting the fetal head using encoder-decoder models. Among these models, U-Net has become a standard approach for accurate segmentation. However, training an encoder-decoder model can be a time-consuming process that demands substantial computational resources. Moreover, fine-tuning these models is particularly challenging when there is a limited amount of data available. There are still no "best-practice" guidelines for optimal fine-tuning of U-net for fetal ultrasound image segmentation. This work summarizes existing fine-tuning strategies with various backbone architectures, model components, and fine-tuning strategies across ultrasound data from Netherlands, Spain, Malawi, Egypt and Algeria. Our study shows that (1) fine-tuning U-Net leads to better performance than training from scratch, (2) fine-tuning strategies in decoder are superior to other strategies, (3) network architecture with less number of parameters can achieve similar or better performance. We also demonstrate the effectiveness of fine-tuning strategies in low-resource settings and further expand our experiments into few-shot learning. Lastly, we publicly released our code and specific fine-tuned weights.
- Abstract（参考訳）: 胎児頭周囲の正確な計測は、正常な出生前スクリーニングにおける胎児の成長を推定するために重要である。
超音波画像において、測定の前には、特に胎児頭部の関心領域を正確に同定し、区分けする必要がある。
近年の深層学習技術の進歩により,エンコーダ・デコーダモデルを用いた胎児頭部の分節化が著しく進展している。
これらのモデルの中で、U-Netは正確なセグメンテーションの標準的なアプローチとなっている。
しかし、エンコーダ・デコーダモデルのトレーニングは、かなりの計算資源を必要とする時間を要するプロセスである。
さらに、利用可能なデータ量が限られている場合、これらのモデルを微調整することは特に困難である。
胎児超音波画像分割のためのU-netの最適微調整のための「ベストプラクティス」ガイドラインはまだ存在しない。
この研究は、オランダ、スペイン、マラウイ、エジプト、アルジェリアの超音波データにまたがる様々なバックボーンアーキテクチャ、モデルコンポーネント、および微調整戦略による既存の微調整戦略をまとめたものである。
本研究は,(1)微調整U-Netは,スクラッチによるトレーニングよりも性能が向上し,(2)デコーダの微調整戦略は他の戦略よりも優れていること,(3)パラメータの少ないネットワークアーキテクチャが類似あるいは良好な性能を達成することを示唆している。
また、低リソース環境での微調整戦略の有効性を実証し、さらに実験を数発の学習に拡張する。
最後に、私たちはコードと特定の微調整の重みを公開しました。
関連論文リスト
- Learning from Limited and Imperfect Data [6.30667368422346]
我々は,現実世界に存在する限られた不完全なデータから学習できるディープニューラルネットワークの実用的なアルゴリズムを開発した。
これらの作品は4つのセグメントに分けられ、それぞれが限られたデータや不完全なデータから学ぶシナリオをカバーしている。
論文 参考訳（メタデータ） (2024-11-11T18:48:31Z) - Evaluate Fine-tuning Strategies for Fetal Head Ultrasound Image Segmentation with U-Net [0.0]
本稿では,CNNネットワークをスクラッチからトレーニングするためのTransfer Learning(TL)手法を提案する。
我々のアプローチは、エンコーダとして軽量なMobileNetを持つU-Netネットワークを微調整(FT)することである。
提案したFT戦略は、トレーニング可能なパラメータが440万未満の他の戦略よりも優れている。
論文 参考訳（メタデータ） (2023-07-18T08:37:58Z) - Frequency Disentangled Learning for Segmentation of Midbrain Structures
from Quantitative Susceptibility Mapping Data [1.9150304734969674]
深層モデルでは、ターゲット関数を低周波数から高周波数に適合させる傾向がある。
ディープセグメンテーションモデルのトレーニングに十分なサンプルがない場合が多い。
周波数領域の絡み合いに基づく新しいトレーニング手法を提案する。
論文 参考訳（メタデータ） (2023-02-25T04:30:11Z) - Learning Large-scale Neural Fields via Context Pruned Meta-Learning [60.93679437452872]
本稿では,大規模ニューラルネットワーク学習のための最適化に基づくメタラーニング手法を提案する。
メタテスト時間における勾配再スケーリングは、非常に高品質なニューラルネットワークの学習を可能にすることを示す。
我々のフレームワークは、モデルに依存しない、直感的で、実装が容易であり、幅広い信号に対する大幅な再構成改善を示す。
論文 参考訳（メタデータ） (2023-02-01T17:32:16Z) - Comprehensive Graph Gradual Pruning for Sparse Training in Graph Neural
Networks [52.566735716983956]
本稿では,CGPと呼ばれるグラフの段階的プルーニングフレームワークを動的にGNNに提案する。
LTHに基づく手法とは異なり、提案手法では再学習を必要とせず、計算コストを大幅に削減する。
提案手法は,既存の手法の精度を一致させたり,あるいは超えたりしながら,トレーニングと推論の効率を大幅に向上させる。
論文 参考訳（メタデータ） (2022-07-18T14:23:31Z) - EVC-Net: Multi-scale V-Net with Conditional Random Fields for Brain
Extraction [3.4376560669160394]
EVC-Netは各エンコーダブロックに低スケール入力を追加する。
条件付きランダムフィールドは、ネットワークの出力を洗練するための追加ステップとしてここで再導入される。
その結果、限られたトレーニングリソースであっても、EVC-Netはより高いDice CoefficientとJaccard Indexを達成することがわかった。
論文 参考訳（メタデータ） (2022-06-06T18:21:21Z) - Ultrasound Signal Processing: From Models to Deep Learning [64.56774869055826]
医用超音波画像は、信頼性と解釈可能な画像再構成を提供するために、高品質な信号処理に大きく依存している。
データ駆動方式で最適化されたディープラーニングベースの手法が人気を集めている。
比較的新しいパラダイムは、データ駆動型ディープラーニングの活用とドメイン知識の活用という2つのパワーを組み合わせたものだ。
論文 参考訳（メタデータ） (2022-04-09T13:04:36Z) - Boosting Segmentation Performance across datasets using histogram
specification with application to pelvic bone segmentation [1.3750624267664155]
限られたデータで訓練されたネットワークの性能を高めるために,画像のトーン分布の変調と深層学習に基づく手法を提案する。
セグメンテーションタスクは、拡張BCE-IoU損失関数を使用して最適化されたEfficientNet-B0バックボーンを備えたU-Net構成を使用します。
論文 参考訳（メタデータ） (2021-01-26T23:48:40Z) - Binary Graph Neural Networks [69.51765073772226]
グラフニューラルネットワーク(gnns)は、不規則データに対する表現学習のための強力で柔軟なフレームワークとして登場した。
本稿では,グラフニューラルネットワークのバイナライゼーションのための異なる戦略を提示し,評価する。
モデルの慎重な設計とトレーニングプロセスの制御によって、バイナリグラフニューラルネットワークは、挑戦的なベンチマークの精度において、適度なコストでトレーニングできることを示しています。
論文 参考訳（メタデータ） (2020-12-31T18:48:58Z) - An Uncertainty-Driven GCN Refinement Strategy for Organ Segmentation [53.425900196763756]
本研究では,不確実性解析とグラフ畳み込みネットワークに基づくセグメンテーション改善手法を提案する。
半教師付きグラフ学習問題を定式化するために、特定の入力ボリュームにおける畳み込みネットワークの不確実性レベルを用いる。
本手法は膵臓で1%,脾臓で2%向上し,最先端のCRF改善法よりも優れていた。
論文 参考訳（メタデータ） (2020-12-06T18:55:07Z) - Learning Fast and Robust Target Models for Video Object Segmentation [83.3382606349118]
ビデオオブジェクトセグメンテーション(VOS)は、ターゲットオブジェクトを定義する初期マスクがテスト時にのみ与えられるため、非常に難しい問題である。
それまでのほとんどの場合、第1フレーム上のファイン・チューン・セグメンテーション・ネットワークにアプローチし、非現実的なフレームレートとオーバーフィッティングのリスクをもたらす。
本稿では,2つのネットワークコンポーネントからなる新しいVOSアーキテクチャを提案する。
論文 参考訳（メタデータ） (2020-02-27T21:58:06Z)
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。