論文の概要: MLV$^2$-Net: Rater-Based Majority-Label Voting for Consistent Meningeal Lymphatic Vessel Segmentation

• arxiv url: http://arxiv.org/abs/2411.08537v1
• Date: Wed, 13 Nov 2024 11:35:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-14 16:12:02.528579
• Title: MLV$^2$-Net: Rater-Based Majority-Label Voting for Consistent Meningeal Lymphatic Vessel Segmentation
• Title（参考訳）: MLV$^2$-Net: 持続性髄膜リンパ血管分節に対するラターベース多数投票
• Authors: Fabian Bongratz, Markus Karmann, Adrian Holz, Moritz Bonhoeffer, Viktor Neumaier, Sarah Deli, Benita Schmitz-Koep, Claus Zimmer, Christian Sorg, Melissa Thalhammer, Dennis M Hedderich, Christian Wachinger,
• Abstract要約: 髄膜リンパ管(MLV)は、ヒトの脳から廃棄物を排出する役割を担っている。 MLVはMRI(MRI)で初めて報告されたばかりである。
• 参考スコア（独自算出の注目度）: 2.1426965782155443
• License:
• Abstract: Meningeal lymphatic vessels (MLVs) are responsible for the drainage of waste products from the human brain. An impairment in their functionality has been associated with aging as well as brain disorders like multiple sclerosis and Alzheimer's disease. However, MLVs have only recently been described for the first time in magnetic resonance imaging (MRI), and their ramified structure renders manual segmentation particularly difficult. Further, as there is no consistent notion of their appearance, human-annotated MLV structures contain a high inter-rater variability that most automatic segmentation methods cannot take into account. In this work, we propose a new rater-aware training scheme for the popular nnU-Net model, and we explore rater-based ensembling strategies for accurate and consistent segmentation of MLVs. This enables us to boost nnU-Net's performance while obtaining explicit predictions in different annotation styles and a rater-based uncertainty estimation. Our final model, MLV$^2$-Net, achieves a Dice similarity coefficient of 0.806 with respect to the human reference standard. The model further matches the human inter-rater reliability and replicates age-related associations with MLV volume.
• Abstract（参考訳）: 髄膜リンパ管(MLV)は、ヒトの脳から廃棄物を排出する役割を担っている。 機能障害は老化や多発性硬化症やアルツハイマー病などの脳疾患と関連している。 しかし、MLVはMRI(MRI)において最近初めて記述され、その分岐構造は手動のセグメンテーションを特に困難にしている。 さらに、その外観に一貫した概念が存在しないため、人間の注釈付きMLV構造は、ほとんどの自動セグメンテーション手法では考慮できない高い周波数間変動を含む。 本研究では,一般的な nnU-Net モデルに対する新しいレートアウェアトレーニング手法を提案し,MLV の正確かつ一貫したセグメンテーションのためのレートアウェアトレーニング戦略について検討する。 これにより、異なるアノテーションスタイルで明示的な予測を行い、レーダベースの不確実性推定を行い、nnU-Netの性能を向上させることができる。 我々の最終モデルであるMLV$^2$-Netは、人間の基準基準に対するDice類似度係数0.806を達成する。 このモデルはさらに、ヒトのラター間信頼性と一致し、MLVボリュームと年齢関連関連関係を再現する。

関連論文リスト

• Unveiling Incomplete Modality Brain Tumor Segmentation: Leveraging Masked Predicted Auto-Encoder and Divergence Learning [6.44069573245889]
  脳腫瘍のセグメンテーションは、特にマルチモーダルMRI(Multi-modal magnetic resonance imaging)における重要な課題である。 本稿では,不完全なモダリティデータから頑健な特徴学習を可能にする,マスク付き予測事前学習方式を提案する。 微調整段階において、我々は知識蒸留技術を用いて、完全なモダリティデータと欠落したモダリティデータの間に特徴を整列させ、同時にモデルロバスト性を向上する。
  論文  参考訳（メタデータ） (2024-06-12T20:35:16Z)
• DEEM: Diffusion Models Serve as the Eyes of Large Language Models for Image Perception [66.88792390480343]
  本稿では,拡散モデルの生成的フィードバックを利用して画像エンコーダのセマンティックな分布を整合させる,シンプルだが効果的なアプローチであるDEEMを提案する。 DEEMは、トレーニング可能なパラメータが少なく、事前学習データが少なく、ベースモデルのサイズが小さいことを利用して、モデル幻覚を軽減するために、強化された堅牢性と優れた能力を示す。
  論文  参考訳（メタデータ） (2024-05-24T05:46:04Z)
• Bayesian Uncertainty Estimation by Hamiltonian Monte Carlo: Applications to Cardiac MRI Segmentation [3.0665936758208447]
  深層学習法は多くの医用画像セグメンテーションタスクにおいて最先端の性能を達成した。 最近の研究では、ディープニューラルネットワーク(DNN)が誤解され、過信され、"サイレント障害"につながることが示されている。 医療データ増大に対応するため,Hachian Monte Carlo (HMC) を用いたベイズ学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-03-04T18:47:56Z)
• Unsupervised domain adaptation for cross-modality liver segmentation via joint adversarial learning and self-learning [2.309675169959214]
  CT(Computed tomography)とMRI(MRI)を用いて取得した画像上の肝セグメンテーションは,肝疾患の臨床的管理において重要な役割を担っている。 本研究では, 対人学習と自己学習を通じて, クロスモーダル肝セグメンテーションのための新しい教師なしドメイン適応フレームワークについて報告する。
  論文  参考訳（メタデータ） (2021-09-13T01:46:28Z)
• Why Do Pretrained Language Models Help in Downstream Tasks? An Analysis of Head and Prompt Tuning [66.44344616836158]
  本稿では,事前学習タスクと下流タスクをテキストの潜在変数生成モデルに関連付ける分析フレームワークを提案する。 HMMの特定の非退化条件下では、単純な分類ヘッドがダウンストリームタスクを解くことができ、また、迅速なチューニングにより、より弱い非退化条件で下流の保証を得ることができ、さらに、メモリ拡張HMMの回復保証がバニラHMMよりも強いことを示す。
  論文  参考訳（メタデータ） (2021-06-17T03:31:47Z)
• Continual Learning with Fully Probabilistic Models [70.3497683558609]
  機械学習の完全確率的(または生成的)モデルに基づく継続的学習のアプローチを提案する。 生成器と分類器の両方に対してガウス混合モデル(GMM)インスタンスを用いた擬似リハーサル手法を提案する。 我々は,GMRが,クラス増分学習問題に対して,非常に競合的な時間とメモリの複雑さで,最先端のパフォーマンスを達成することを示す。
  論文  参考訳（メタデータ） (2021-04-19T12:26:26Z)
• Fully automated deep learning based segmentation of normal, infarcted and edema regions from multiple cardiac MRI sequences [0.3758535425255491]
  本稿では, 深部畳み込みニューラルネットワーク(CNN)を用いた心臓病理領域分割のための完全自動アプローチを提案する。 ネットワークへの入力は3つのCMR配列、すなわち、後期ガドリニウム増強(LGE)、T2、バランスの取れた定常状態フリー・プレセッション(bSSFP)から構成される。 提案手法は20のケースを含むテストセットを用いて,LV ME+MSの平均ダイススコアを46.8%,LV ME+MSの平均スコアを5.7%とする。
  論文  参考訳（メタデータ） (2020-08-18T07:01:24Z)
• MMCGAN: Generative Adversarial Network with Explicit Manifold Prior [78.58159882218378]
  本稿では,モード崩壊を緩和し,GANのトレーニングを安定させるために,明示的な多様体学習を採用することを提案する。 玩具データと実データの両方を用いた実験により,MMCGANのモード崩壊緩和効果,トレーニングの安定化,生成サンプルの品質向上効果が示された。
  論文  参考訳（メタデータ） (2020-06-18T07:38:54Z)
• DMT: Dynamic Mutual Training for Semi-Supervised Learning [69.17919491907296]
  自己学習法は通常、低信頼の擬似ラベルをフィルタリングするために単一のモデル予測の信頼性に依存する。 動的相互学習と呼ばれる動的に再重み付けされた損失関数を用いて、2つの異なるモデル間の相互学習を提案する。 実験の結果,DMTは画像分類とセマンティックセグメンテーションの両方において最先端の性能を実現することがわかった。
  論文  参考訳（メタデータ） (2020-04-18T03:12:55Z)
• Modal Regression based Structured Low-rank Matrix Recovery for Multi-view Learning [70.57193072829288]
  近年、低ランクなマルチビューサブスペース学習は、クロスビューの分類において大きな可能性を示している。 既存のLMvSLベースの手法では、ビューの区別と差別を同時に扱うことができない。 本稿では,視差を効果的に除去し,識別性を向上する独自の方法であるStructured Low-rank Matrix Recovery (SLMR)を提案する。
  論文  参考訳（メタデータ） (2020-03-22T03:57:38Z)
• Semi-supervised Learning Meets Factorization: Learning to Recommend with Chain Graph Model [16.007141894770054]
  潜在因子モデル(LFM)は、優れたパフォーマンスとスケーラビリティのために、レコメンデーションシステムにおいて多くの注目を集めています。 半教師付き学習(SSL)は、ラベル(評価)の空間性の問題を軽減する効果的な方法を提供する。 SSL と LFM を結合する新しい確率的連鎖グラフモデル (CGM) を提案する。
  論文  参考訳（メタデータ） (2020-03-05T06:34:53Z)

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。