Fugu-MT 論文翻訳(概要): A Weakly Supervised and Globally Explainable Learning Framework for Brain Tumor Segmentation

論文の概要: A Weakly Supervised and Globally Explainable Learning Framework for Brain Tumor Segmentation

arxiv url: http://arxiv.org/abs/2408.01191v1
Date: Fri, 2 Aug 2024 11:18:32 GMT
ステータス: 処理完了
システム内更新日: 2024-08-05 13:37:26.406826
Title: A Weakly Supervised and Globally Explainable Learning Framework for Brain Tumor Segmentation
Title（参考訳）: 脳腫瘍分離のための弱教師付き,グローバルに説明可能な学習フレームワーク
Authors: Ruitao Xie, Limai Jiang, Xiaoxi He, Yi Pan, Yunpeng Cai,
Abstract要約: マシンベースの脳腫瘍セグメント化は、医師がより良い診断を行うのに役立つ。脳腫瘍の複雑な構造と高価なピクセルレベルのアノテーションは、自動腫瘍セグメンテーションの課題を示す。我々は,ピクセルレベルのアノテーションを必要とせずに,例外的な脳腫瘍のセグメンテーション性能を実現する反ファクト生成フレームワークを提案する。
参考スコア（独自算出の注目度）: 8.253446049933483
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Machine-based brain tumor segmentation can help doctors make better diagnoses. However, the complex structure of brain tumors and expensive pixel-level annotations present challenges for automatic tumor segmentation. In this paper, we propose a counterfactual generation framework that not only achieves exceptional brain tumor segmentation performance without the need for pixel-level annotations, but also provides explainability. Our framework effectively separates class-related features from class-unrelated features of the samples, and generate new samples that preserve identity features while altering class attributes by embedding different class-related features. We perform topological data analysis on the extracted class-related features and obtain a globally explainable manifold, and for each abnormal sample to be segmented, a meaningful normal sample could be effectively generated with the guidance of the rule-based paths designed within the manifold for comparison for identifying the tumor regions. We evaluate our proposed method on two datasets, which demonstrates superior performance of brain tumor segmentation. The code is available at https://github.com/xrt11/tumor-segmentation.
Abstract（参考訳）: マシンベースの脳腫瘍セグメント化は、医師がより良い診断を行うのに役立つ。しかし、脳腫瘍の複雑な構造と高価なピクセルレベルのアノテーションは、自動腫瘍セグメンテーションの課題を呈している。本稿では, ピクセルレベルのアノテーションを必要とせずに, 例外的な脳腫瘍のセグメンテーション性能を実現するための反ファクト生成フレームワークを提案する。本フレームワークは, クラス関連機能とクラス関連機能とを効果的に分離し, クラス関連機能を埋め込み, クラス属性を変更しながら, アイデンティティ機能を保存する新しいサンプルを生成する。抽出したクラス関連特徴についてトポロジカルデータ解析を行い,グローバルに説明可能な多様体を得るとともに,各異常標本をセグメント化するために,腫瘍領域の同定のための比較のために,多様体内に設計されたルールベースパスのガイダンスを用いて有意な正常標本を効果的に生成することができた。提案手法を2つのデータセットで評価し,脳腫瘍セグメンテーションの優れた性能を示す。コードはhttps://github.com/xrt11/tumor-segmentationで入手できる。

関連論文リスト

AEPL: Automated and Editable Prompt Learning for Brain Tumor Segmentation [12.347340694969212]
脳腫瘍の分節は正確な診断と治療計画に不可欠である。既存の10の方法は、腫瘍学級のような医学領域の知識を効果的に取り入れることに失敗する。本稿では,腫瘍学級をセグメンテーションプロセスに統合する自動編集型プロンプト学習フレームワークを提案する。
論文参考訳（メタデータ） (2024-10-21T20:29:44Z)
UniCell: Universal Cell Nucleus Classification via Prompt Learning [76.11864242047074]
ユニバーサル細胞核分類フレームワーク(UniCell)を提案する。異なるデータセットドメインから対応する病理画像のカテゴリを均一に予測するために、新しいプロンプト学習機構を採用している。特に,本フレームワークでは,原子核検出と分類のためのエンドツーエンドアーキテクチャを採用し,フレキシブルな予測ヘッドを用いて様々なデータセットを適応する。
論文参考訳（メタデータ） (2024-02-20T11:50:27Z)
ZePT: Zero-Shot Pan-Tumor Segmentation via Query-Disentangling and Self-Prompting [11.087654014615955]
問合せと自己プロンプトに基づく新しいゼロショットパン腫瘍セグメンテーションフレームワーク(ZePT)を提案する。 ZePTはオブジェクトクエリを2つのサブセットに切り離し、2つのステージでトレーニングする。腫瘍セグメンテーションタスクの実験は、ZePTの性能上の優位性を示す。
論文参考訳（メタデータ） (2023-12-07T12:09:56Z)
Prototype-Driven and Multi-Expert Integrated Multi-Modal MR Brain Tumor Image Segmentation [23.127213250062425]
腫瘍サブリージョンの相互包摂による情報エイリアスの影響は無視されることが多い。既存の方法は、通常、単一の腫瘍サブリージョンの特徴を強調するために調整された努力を要さない。腫瘍のプロトタイプ駆動とマルチエキスパート統合を併用したマルチモーダルMR脳腫瘍セグメンテーション法を提案する。
論文参考訳（メタデータ） (2023-07-22T22:41:11Z)
Optimized Global Perturbation Attacks For Brain Tumour ROI Extraction From Binary Classification Models [0.304585143845864]
本稿では,バイナリクラスラベルを用いた関心領域獲得のための弱教師付きアプローチを提案する。また、事前訓練されたバイナリ分類モデルに基づいて、ジェネレータモデルをトレーニングするための新しい目的関数を提案する。
論文参考訳（メタデータ） (2022-11-09T14:52:36Z)
Triplet Contrastive Learning for Brain Tumor Classification [99.07846518148494]
本稿では,脳腫瘍の深層埋め込みを直接学習する手法を提案する。本手法は,27種類の腫瘍群からなる広範囲な脳腫瘍データセットを用いて評価し,そのうち13種は稀である。
論文参考訳（メタデータ） (2021-08-08T11:26:34Z)
Mitigating Generation Shifts for Generalized Zero-Shot Learning [52.98182124310114]
一般化ゼロショット学習(英: Generalized Zero-Shot Learning、GZSL)は、学習中に見知らぬクラスが観察できない、見つからないサンプルを認識するために意味情報(属性など)を活用するタスクである。本稿では,未知のデータ合成を効率よく,効率的に学習するための新しい生成シフト緩和フローフレームワークを提案する。実験結果から,GSMFlowは従来のゼロショット設定と一般化されたゼロショット設定の両方において,最先端の認識性能を実現することが示された。
論文参考訳（メタデータ） (2021-07-07T11:43:59Z)
Generalized Organ Segmentation by Imitating One-shot Reasoning using Anatomical Correlation [55.1248480381153]
そこで我々は,アノテーション付きオルガンクラスから一般化されたオルガン概念を学習し,その概念を未知のクラスに転送するOrganNetを提案する。そこで,OrganNetは臓器形態の幅広い変化に効果的に抵抗でき,一発分節タスクで最先端の結果が得られることを示す。
論文参考訳（メタデータ） (2021-03-30T13:41:12Z)
G-MIND: An End-to-End Multimodal Imaging-Genetics Framework for Biomarker Identification and Disease Classification [49.53651166356737]
診断によって誘導される画像データと遺伝データを統合し、解釈可能なバイオマーカーを提供する新しいディープニューラルネットワークアーキテクチャを提案する。 2つの機能的MRI(fMRI)パラダイムとSingle Nucleotide Polymorphism (SNP)データを含む統合失調症の集団研究で本モデルを評価した。
論文参考訳（メタデータ） (2021-01-27T19:28:04Z)
Unsupervised Feature Selection for Tumor Profiles using Autoencoders and Kernel Methods [1.9078991171384014]
本研究は,腫瘍サンプルの有意義かつ低次元的表現を学習し,腫瘍サブタイプのクラスターを見つけることを目的とする。 The proposed method called Latent Kernel Feature Selection (LKFS) is an unsupervised approach for gene selection in tumor gene expression profiles。
論文参考訳（メタデータ） (2020-07-12T21:59:05Z)
Weakly supervised multiple instance learning histopathological tumor segmentation [51.085268272912415]
スライド画像全体のセグメント化のための弱教師付きフレームワークを提案する。トレーニングモデルに複数のインスタンス学習スキームを利用する。提案するフレームワークは,The Cancer Genome AtlasとPatchCamelyonデータセットのマルチロケーションとマルチ中心公開データに基づいて評価されている。
論文参考訳（メタデータ） (2020-04-10T13:12:47Z)

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。