論文の概要: Segmenting Small Stroke Lesions with Novel Labeling Strategies

• arxiv url: http://arxiv.org/abs/2408.02929v1
• Date: Tue, 6 Aug 2024 03:23:42 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-07 15:09:28.175315
• Title: Segmenting Small Stroke Lesions with Novel Labeling Strategies
• Title（参考訳）: 新しいラベリング・ストラテジーを用いた小脳卒中病変の分離
• Authors: Liang Shang, Zhengyang Lou, Andrew L. Alexander, Vivek Prabhakaran, William A. Sethares, Veena A. Nair, Nagesh Adluru,
• Abstract要約: 深部神経回路は脳卒中病変のセグメンテーションにおいて異常な有効性を示した。 脳卒中診断に重要な小病変は依然として課題である。 小病変のセグメンテーション精度を高めるための2つの強力なアプローチを提案する。
• 参考スコア（独自算出の注目度）: 2.117836262049951
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep neural networks have demonstrated exceptional efficacy in stroke lesion segmentation. However, the delineation of small lesions, critical for stroke diagnosis, remains a challenge. In this study, we propose two straightforward yet powerful approaches that can be seamlessly integrated into a variety of networks: Multi-Size Labeling (MSL) and Distance-Based Labeling (DBL), with the aim of enhancing the segmentation accuracy of small lesions. MSL divides lesion masks into various categories based on lesion volume while DBL emphasizes the lesion boundaries. Experimental evaluations on the Anatomical Tracings of Lesions After Stroke (ATLAS) v2.0 dataset showcase that an ensemble of MSL and DBL achieves consistently better or equal performance on recall (3.6% and 3.7%), F1 (2.4% and 1.5%), and Dice scores (1.3% and 0.0%) compared to the top-1 winner of the 2022 MICCAI ATLAS Challenge on both the subset only containing small lesions and the entire dataset, respectively. Notably, on the mini-lesion subset, a single MSL model surpasses the previous best ensemble strategy, with enhancements of 1.0% and 0.3% on F1 and Dice scores, respectively. Our code is available at: https://github.com/nadluru/StrokeLesSeg.
• Abstract（参考訳）: 深部神経回路は脳卒中病変のセグメンテーションにおいて異常な有効性を示した。 しかし,脳梗塞の診断に重要な小病変の脱線はいまだに課題である。 本研究では, マルチサイズラベル (MSL) とディスタンスベースラベル (DBL) の2つのネットワークにシームレスに統合可能な, 単純かつ強力なアプローチを提案する。 MSLは病変の体積に基づいて病変マスクを様々なカテゴリに分割し、DBLは病変の境界を強調する。 Anatomical Tracings of Lesions After Stroke (ATLAS) v2.0データセットの実験的評価では、MSLとDBLのアンサンブルは、2022 MICCAI ATLAS Challengeの上位1位でそれぞれ小さな病変のみを含むサブセットとデータセット全体を含むサブセットと比較して、リコール(3.6%と3.7%)、F1(2.4%と1.5%)、Diceスコア(1.3%と0.0%)において一貫して良いあるいは等しいパフォーマンスを達成する。 特に、ミニレシオンサブセットでは、1つのMSLモデルが前回のベストアンサンブル戦略を上回り、F1とDiceのスコアは1.0%と0.3%に向上した。 私たちのコードは、https://github.com/nadluru/StrokeLesSegで利用可能です。

関連論文リスト

• SMILE-UHURA Challenge -- Small Vessel Segmentation at Mesoscopic Scale from Ultra-High Resolution 7T Magnetic Resonance Angiograms [60.35639972035727]
  公開されている注釈付きデータセットの欠如は、堅牢で機械学習駆動のセグメンテーションアルゴリズムの開発を妨げている。 SMILE-UHURAチャレンジは、7T MRIで取得したTime-of-Flightアンジオグラフィーの注釈付きデータセットを提供することで、公開されている注釈付きデータセットのギャップに対処する。 Diceスコアは、それぞれのデータセットで0.838 $pm$0.066と0.716 $pm$ 0.125まで到達し、平均パフォーマンスは0.804 $pm$ 0.15までになった。
  論文  参考訳（メタデータ） (2024-11-14T17:06:00Z)
• Improving Multiple Sclerosis Lesion Segmentation Across Clinical Sites: A Federated Learning Approach with Noise-Resilient Training [75.40980802817349]
  深層学習モデルは、自動的にMS病変を分節する約束を示しているが、正確な注釈付きデータの不足は、この分野の進歩を妨げている。 我々は,MS病変の不均衡分布とファジィ境界を考慮したDecoupled Hard Label Correction(DHLC)戦略を導入する。 また,集約型中央モデルを利用したCELC(Centrally Enhanced Label Correction)戦略も導入した。
  論文  参考訳（メタデータ） (2023-08-31T00:36:10Z)
• SPLAL: Similarity-based pseudo-labeling with alignment loss for semi-supervised medical image classification [11.435826510575879]
  半教師付き学習(SSL)メソッドはラベル付きデータとラベルなしデータの両方を活用することで課題を軽減することができる。 医用画像分類のためのSSL法では,(1)ラベルなしデータセットの画像に対する信頼性の高い擬似ラベルの推定,(2)クラス不均衡によるバイアスの低減という2つの課題に対処する必要がある。 本稿では,これらの課題を効果的に解決する新しいSSLアプローチであるSPLALを提案する。
  論文  参考訳（メタデータ） (2023-07-10T14:53:24Z)
• CoactSeg: Learning from Heterogeneous Data for New Multiple Sclerosis Lesion Segmentation [27.816276215102]
  CoactSegモデルは、同じ3つの入力(ベースライン、フォローアップ、そしてそれらの長手脳の差)と同じ3つの出力(対応するオールレシオンとニューレシオン予測)を持つ統一モデルとして設計されている。 実験により,不均質データと提案した長手関係制約を用いることで,新順序と全順序セグメンテーションの両タスクの性能が著しく向上することを示した。
  論文  参考訳（メタデータ） (2023-07-10T12:20:05Z)
• Effect of Intensity Standardization on Deep Learning for WML Segmentation in Multi-Centre FLAIR MRI [0.06117371161379209]
  深層学習(DL)法は、MRIにおける白質病変(WML)のセグメンテーションにおいて、トレーニングデータから、スキャナーやアウト・オブ・ディストリビューション(OOD)であるセンターのデータに適用すると、性能が低下する。 これは翻訳と広範囲な採用にとって重要であり、これは現在のモデルが新しい機関のデータに容易に適用できないためである。 FLAIR(Multi-centre Fluid-Attenuated Inversion Recovery)MRIにおけるWMLセグメンテーションの前処理ステップとしてMRIの強度標準化手法を評価した。
  論文  参考訳（メタデータ） (2023-07-07T20:51:38Z)
• Rethinking Semi-Supervised Medical Image Segmentation: A Variance-Reduction Perspective [51.70661197256033]
  医用画像セグメンテーションのための階層化グループ理論を用いた半教師付きコントラスト学習フレームワークARCOを提案する。 まず、分散還元推定の概念を用いてARCOを構築することを提案し、特定の分散還元技術が画素/ボクセルレベルのセグメンテーションタスクにおいて特に有用であることを示す。 5つの2D/3D医療データセットと3つのセマンティックセグメンテーションデータセットのラベル設定が異なる8つのベンチマークで、我々のアプローチを実験的に検証する。
  論文  参考訳（メタデータ） (2023-02-03T13:50:25Z)
• MAPPING: Model Average with Post-processing for Stroke Lesion Segmentation [57.336056469276585]
  我々は nnU-Net フレームワークに基づく脳卒中病変のセグメンテーションモデルを提案し, ストローク後の解剖学的トレースに応用する。 本手法は,2022年のMICCAI ATLAS Challengeにおいて,平均Diceスコアが0.6667,Lesion-wise F1スコアが0.5643,Simple Lesion Countスコアが4.5367,Volume differenceスコアが8804.9102であった。
  論文  参考訳（メタデータ） (2022-11-11T14:17:04Z)
• Mine yOur owN Anatomy: Revisiting Medical Image Segmentation with Extremely Limited Labels [54.58539616385138]
  我々は、Mine yOur owN Anatomy (MONA) と呼ばれる、新しい半教師付き2次元医用画像セグメンテーションフレームワークを紹介する。 まず、先行研究では、すべてのピクセルがモデルトレーニングに等しく重要であると論じており、我々はこの1つだけで意味のある解剖学的特徴を定義できないことを経験的に観察している。 第2に,医療画像を解剖学的特徴の集合に分解できるモデルを構築する。
  論文  参考訳（メタデータ） (2022-09-27T15:50:31Z)
• Learning to segment prostate cancer by aggressiveness from scribbles in bi-parametric MRI [0.0]
  弱いアノテーションに基づくMRIにおけるアグレッシブネスによる前立腺癌セグメンテーションの課題に対処する深層U-Netモデルを提案する。 トレーニングには6.35%のボクセルしか使用せず,完全教師付きベースラインにアプローチできることが示唆された。 コーエンのカッパスコアは弱いモデルでは 0.29 $pm$ 0.07 であり,ベースラインでは 0.32 $pm$ 0.05 である。
  論文  参考訳（メタデータ） (2022-07-01T11:52:05Z)
• Multiple Sclerosis Lesions Segmentation using Attention-Based CNNs in FLAIR Images [0.2578242050187029]
  多発性硬化症(Multiple Sclerosis、MS)は、中枢神経系の病変を引き起こす自己免疫性脱髄性疾患である。 今のところ、病変の分断には多要素自動バイオメディカルアプローチが多用されている。 著者らは1つのモダリティ(FLAIR画像)を用いてMS病変を正確に分類する方法を提案する。
  論文  参考訳（メタデータ） (2022-01-05T21:37:43Z)
• 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)

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。