論文の概要: GraphCL: Graph-based Clustering for Semi-Supervised Medical Image Segmentation

• arxiv url: http://arxiv.org/abs/2411.13147v1
• Date: Wed, 20 Nov 2024 09:24:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-21 16:13:09.358105
• Title: GraphCL: Graph-based Clustering for Semi-Supervised Medical Image Segmentation
• Title（参考訳）: GraphCL: 半スーパービジョンの医用画像セグメンテーションのためのグラフベースのクラスタリング
• Authors: Mengzhu Wang, Jiao Li, Houcheng Su, Nan Yin, Shen Li,
• Abstract要約: 本稿では,グラフデータ構造を統合深層モデルで共同モデル化し,半教師付き医用画像分割(GraphCL)のためのグラフベースのクラスタリングを提案する。 提案したGraphCLアルゴリズムは,最先端の半教師付き医用画像分割法より優れていることを示す。
• 参考スコア（独自算出の注目度）: 17.02021410821566
• License:
• Abstract: Semi-supervised learning (SSL) has made notable advancements in medical image segmentation (MIS), particularly in scenarios with limited labeled data and significantly enhancing data utilization efficiency. Previous methods primarily focus on complex training strategies to utilize unlabeled data but neglect the importance of graph structural information. Different from existing methods, we propose a graph-based clustering for semi-supervised medical image segmentation (GraphCL) by jointly modeling graph data structure in a unified deep model. The proposed GraphCL model enjoys several advantages. Firstly, to the best of our knowledge, this is the first work to model the data structure information for semi-supervised medical image segmentation (SSMIS). Secondly, to get the clustered features across different graphs, we integrate both pairwise affinities between local image features and raw features as inputs. Extensive experimental results on three standard benchmarks show that the proposed GraphCL algorithm outperforms state-of-the-art semi-supervised medical image segmentation methods.
• Abstract（参考訳）: 半教師付き学習(SSL)は医療画像セグメンテーション(MIS)において顕著な進歩を遂げている。 従来の手法は主にラベルのないデータを利用するための複雑なトレーニング戦略に重点を置いていたが、グラフ構造情報の重要さは無視した。 従来の手法とは違って,グラフデータ構造を統合深層モデルで共同モデル化し,半教師付き医用画像分割(GraphCL)のためのグラフベースのクラスタリングを提案する。 提案されたGraphCLモデルにはいくつかの利点がある。 第一に、私たちの知る限りでは、半教師付き医療画像セグメンテーション(SSMIS)のためのデータ構造情報をモデル化する最初の試みである。 第二に、異なるグラフにまたがるクラスタリング機能を得るために、局所的な画像特徴と生の特徴を入力として相互に親和性を統合する。 3つの標準ベンチマークによる大規模な実験結果から,提案したGraphCLアルゴリズムは,最先端の半教師付き医用画像分割法より優れていることが示された。

関連論文リスト

• UnSegMedGAT: Unsupervised Medical Image Segmentation using Graph Attention Networks Clustering [10.862430265350804]
  事前学習したDino-ViTを用いた教師なしセグメンテーションフレームワークを提案する。 医用画像のセグメンテーションにおける顕著な性能向上を実現するために,画像内のグラフ構造を利用する。 提案手法は,MedSAM などの既存の(セミ)手法をはるかに上回ったり,マッチさせたりすることで,最先端の性能を実現する。
  論文  参考訳（メタデータ） (2024-11-04T10:42:21Z)
• Enhancing Multimodal Medical Image Classification using Cross-Graph Modal Contrastive Learning [5.660131312162423]
  本稿では,マルチモーダルな医用画像分類のためのクロスグラフ・モーダルコントラスト学習フレームワークを提案する。 提案手法は、パーキンソン病(PD)データセットと公共メラノーマデータセットの2つのデータセットで評価される。 以上の結果から,CGMCLは従来手法よりも精度,解釈可能性,早期疾患予測に優れていたことが示唆された。
  論文  参考訳（メタデータ） (2024-10-23T01:25:25Z)
• UnSeGArmaNet: Unsupervised Image Segmentation using Graph Neural Networks with Convolutional ARMA Filters [10.940349832919699]
  事前学習したViTを用いた教師なしセグメンテーションフレームワークを提案する。 画像内に固有のグラフ構造を利用することにより,セグメント化における顕著な性能を実現する。 提案手法は,ベンチマーク画像セグメンテーションデータセット上での最先端性能(教師付き手法に匹敵する)を提供する。
  論文  参考訳（メタデータ） (2024-10-08T15:10:09Z)
• Cross-model Mutual Learning for Exemplar-based Medical Image Segmentation [25.874281336821685]
  Exemplar-based Medical Image(CMEMS)のためのクロスモデル相互学習フレームワーク 外来医用画像のためのクロスモデル相互学習フレームワーク(CMEMS)について紹介する。
  論文  参考訳（メタデータ） (2024-04-18T00:18:07Z)
• Deep Contrastive Graph Learning with Clustering-Oriented Guidance [61.103996105756394]
  グラフ畳み込みネットワーク(GCN)は、グラフベースのクラスタリングを改善する上で大きな可能性を秘めている。 モデルはGCNを適用するために初期グラフを事前に推定する。 一般的なデータクラスタリングには,Deep Contrastive Graph Learning (DCGL)モデルが提案されている。
  論文  参考訳（メタデータ） (2024-02-25T07:03:37Z)
• Learnable Weight Initialization for Volumetric Medical Image Segmentation [66.3030435676252]
  本稿では,学習可能な重みに基づくハイブリッド医療画像セグメンテーション手法を提案する。 我々のアプローチはどんなハイブリッドモデルにも簡単に統合でき、外部のトレーニングデータを必要としない。 多臓器・肺がんセグメンテーションタスクの実験は、我々のアプローチの有効性を実証している。
  論文  参考訳（メタデータ） (2023-06-15T17:55:05Z)
• Effective and Efficient Graph Learning for Multi-view Clustering [173.8313827799077]
  マルチビュークラスタリングのための効率的かつ効率的なグラフ学習モデルを提案する。 本手法はテンソルシャッテンp-ノルムの最小化により異なるビューのグラフ間のビュー類似性を利用する。 提案アルゴリズムは時間経済であり,安定した結果を得るとともに,データサイズによく対応している。
  論文  参考訳（メタデータ） (2021-08-15T13:14:28Z)
• Semi-supervised Superpixel-based Multi-Feature Graph Learning for Hyperspectral Image Data [0.0]
  超スペクトル画像(hsi)データの非常に限られた量のラベル付きデータに照らして分類するための新しい枠組みを提案する。 HSIデータのための多段階エッジ効率半教師付きグラフ学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-04-27T15:36:26Z)
• Diversified Multiscale Graph Learning with Graph Self-Correction [55.43696999424127]
  2つのコア成分を組み込んだ多次元グラフ学習モデルを提案します。 情報埋め込みグラフを生成するグラフ自己補正(GSC)機構、および入力グラフの包括的な特性評価を達成するために多様性ブースト正規化(DBR)。 一般的なグラフ分類ベンチマークの実験は、提案されたGSCメカニズムが最先端のグラフプーリング方法よりも大幅に改善されることを示しています。
  論文  参考訳（メタデータ） (2021-03-17T16:22:24Z)
• Model-Agnostic Graph Regularization for Few-Shot Learning [60.64531995451357]
  グラフ組み込み数ショット学習に関する包括的な研究を紹介します。 本稿では,ラベル間のグラフ情報の組み込みによる影響をより深く理解できるグラフ正規化手法を提案する。 提案手法は,Mini-ImageNetで最大2%,ImageNet-FSで6.7%の性能向上を実現する。
  論文  参考訳（メタデータ） (2021-02-14T05:28:13Z)
• Structured Graph Learning for Clustering and Semi-supervised Classification [74.35376212789132]
  データの局所構造とグローバル構造の両方を保存するためのグラフ学習フレームワークを提案する。 本手法は, サンプルの自己表現性を利用して, 局所構造を尊重するために, 大域的構造と適応的隣接アプローチを捉える。 我々のモデルは、ある条件下でのカーネルk平均法とk平均法の組合せと等価である。
  論文  参考訳（メタデータ） (2020-08-31T08:41:20Z)

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。