論文の概要: Deep Spectral Methods for Unsupervised Ultrasound Image Interpretation

• arxiv url: http://arxiv.org/abs/2408.02043v1
• Date: Sun, 4 Aug 2024 14:30:14 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-06 15:25:25.476434
• Title: Deep Spectral Methods for Unsupervised Ultrasound Image Interpretation
• Title（参考訳）: 教師なし超音波画像解釈のためのディープスペクトル法
• Authors: Oleksandra Tmenova, Yordanka Velikova, Mahdi Saleh, Nassir Navab,
• Abstract要約: 本稿では, 超音波を応用した非教師型深層学習手法を提案する。 我々は、スペクトルグラフ理論と深層学習法を組み合わせた教師なしディープスペクトル法から重要な概念を統合する。 スペクトルクラスタリングの自己教師型トランスフォーマー機能を利用して、超音波特有のメトリクスと形状と位置の先行値に基づいて意味のあるセグメントを生成し、データセット間のセマンティック一貫性を確保する。
• 参考スコア（独自算出の注目度）: 53.37499744840018
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Ultrasound imaging is challenging to interpret due to non-uniform intensities, low contrast, and inherent artifacts, necessitating extensive training for non-specialists. Advanced representation with clear tissue structure separation could greatly assist clinicians in mapping underlying anatomy and distinguishing between tissue layers. Decomposing an image into semantically meaningful segments is mainly achieved using supervised segmentation algorithms. Unsupervised methods are beneficial, as acquiring large labeled datasets is difficult and costly, but despite their advantages, they still need to be explored in ultrasound. This paper proposes a novel unsupervised deep learning strategy tailored to ultrasound to obtain easily interpretable tissue separations. We integrate key concepts from unsupervised deep spectral methods, which combine spectral graph theory with deep learning methods. We utilize self-supervised transformer features for spectral clustering to generate meaningful segments based on ultrasound-specific metrics and shape and positional priors, ensuring semantic consistency across the dataset. We evaluate our unsupervised deep learning strategy on three ultrasound datasets, showcasing qualitative results across anatomical contexts without label requirements. We also conduct a comparative analysis against other clustering algorithms to demonstrate superior segmentation performance, boundary preservation, and label consistency.
• Abstract（参考訳）: 超音波イメージングは、非一様強度、低コントラスト、および固有のアーティファクトのために解釈することが困難であり、非特殊主義者のための広範な訓練を必要としている。 明確な組織構造を分離した高度な表現は、臨床医が基礎となる解剖学をマッピングし、組織層を区別するのに大いに役立ちます。 イメージを意味的に意味のあるセグメントに分解することは、主に教師付きセグメンテーションアルゴリズムを用いて達成される。 大規模ラベル付きデータセットの取得は困難でコストがかかるため、教師なしの手法は有用であるが、その利点にもかかわらず、超音波で調べる必要がある。 本稿では, 超音波を応用した非教師型深層学習手法を提案する。 我々は、スペクトルグラフ理論と深層学習法を組み合わせた教師なしディープスペクトル法から重要な概念を統合する。 スペクトルクラスタリングの自己教師型トランスフォーマー機能を利用して、超音波特有のメトリクスと形状と位置の先行値に基づいて意味のあるセグメントを生成し、データセット間のセマンティック一貫性を確保する。 我々は3つの超音波データセットの教師なしディープラーニング戦略を評価し、ラベルなしで解剖学的文脈で定性的な結果を示す。 また, 他のクラスタリングアルゴリズムとの比較分析を行い, セグメンテーション性能, 境界保存, ラベルの整合性を検証した。

関連論文リスト

• Ultrasound Nodule Segmentation Using Asymmetric Learning with Simple Clinical Annotation [25.459627476201646]
  自動結節分割法における超音波診断から直接, 簡単なアスペクト比アノテーションを用いることを提案する。 アスペクト比アノテーションを2種類の擬似ラベルで拡張することにより、非対称学習フレームワークを開発する。 臨床的に収集した2つの超音波データセット(甲状腺と乳房)を用いた実験により,提案手法の優れた性能が示された。
  論文  参考訳（メタデータ） (2024-04-23T09:07:04Z)
• CathFlow: Self-Supervised Segmentation of Catheters in Interventional Ultrasound Using Optical Flow and Transformers [66.15847237150909]
  縦型超音波画像におけるカテーテルのセグメンテーションのための自己教師型ディープラーニングアーキテクチャを提案する。 ネットワークアーキテクチャは、Attention in Attentionメカニズムで構築されたセグメンテーショントランスフォーマであるAiAReSeg上に構築されている。 我々は,シリコンオルタファントムから収集した合成データと画像からなる実験データセット上で,我々のモデルを検証した。
  論文  参考訳（メタデータ） (2024-03-21T15:13:36Z)
• Deep Spectral Methods: A Surprisingly Strong Baseline for Unsupervised Semantic Segmentation and Localization [98.46318529630109]
  画像分解をグラフ分割問題として再フレーミングすることで,従来のスペクトル分割法から着想を得た。 これらの固有ベクトルはすでにイメージを意味のあるセグメントに分解しており、シーン内のオブジェクトのローカライズに容易に利用できる。 データセットにまたがるこれらのセグメントに関連する機能をクラスタ化することで、明確に定義された、名前付き可能なリージョンを得ることができる。
  論文  参考訳（メタデータ） (2022-05-16T17:47:44Z)
• Voice-assisted Image Labelling for Endoscopic Ultrasound Classification using Neural Networks [48.732863591145964]
  本稿では,臨床医が提示した生音声からのEUS画像にラベルを付けるマルチモーダル畳み込みニューラルネットワークアーキテクチャを提案する。 その結果,5つのラベルを持つデータセットにおいて,画像レベルでの予測精度は76%であった。
  論文  参考訳（メタデータ） (2021-10-12T21:22:24Z)
• Learning Whole-Slide Segmentation from Inexact and Incomplete Labels using Tissue Graphs [11.315178576537768]
  グラフを用いた弱教師付きセマンティックセグメンテーション手法であるSegGiniを提案する。 SegGiniセグメントは、組織マイクロアレイ(TMA)から全スライド画像(WSI)まで、任意かつ大規模な画像です。
  論文  参考訳（メタデータ） (2021-03-04T16:04:24Z)
• 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)
• Spectral Analysis Network for Deep Representation Learning and Image Clustering [53.415803942270685]
  本稿ではスペクトル分析に基づく教師なし深層表現学習のための新しいネットワーク構造を提案する。 パッチレベルで画像間の局所的な類似性を識別できるため、閉塞に対してより堅牢である。 クラスタリングに親しみやすい表現を学習し、データサンプル間の深い相関を明らかにすることができる。
  論文  参考訳（メタデータ） (2020-09-11T05:07:15Z)

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。