論文の概要: How to select slices for annotation to train best-performing deep learning segmentation models for cross-sectional medical images?

• arxiv url: http://arxiv.org/abs/2412.08081v2
• Date: Sat, 05 Apr 2025 07:44:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-08 16:00:10.423636
• Title: How to select slices for annotation to train best-performing deep learning segmentation models for cross-sectional medical images?
• Title（参考訳）: 横断的医用画像のための最良のディープラーニングセグメンテーションモデルを訓練するためのアノテーションスライスの選択方法
• Authors: Yixin Zhang, Kevin Kramer, Maciej A. Mazurowski,
• Abstract要約: より深い学習セグメンテーションモデルの性能を最大化するために、横断的な医療画像からスライスをアノテーションとしてどのように選択すべきか? 注記予算,注記ケース数,注記スライス数,スライス選別技術,マスクの4つの医療画像セグメンテーションタスクについて実験を行った。
• 参考スコア（独自算出の注目度）: 14.541403496911764
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Automated segmentation of medical images heavily relies on the availability of precise manual annotations. However, generating these annotations is often time-consuming, expensive, and sometimes requires specialized expertise (especially for cross-sectional medical images). Therefore, it is essential to optimize the use of annotation resources to ensure efficiency and effectiveness. In this paper, we systematically address the question: "in a non-interactive annotation pipeline, how should slices from cross-sectional medical images be selected for annotation to maximize the performance of the resulting deep learning segmentation models?" We conducted experiments on 4 medical imaging segmentation tasks with varying annotation budgets, numbers of annotated cases, numbers of annotated slices per volume, slice selection techniques, and mask interpolations. We found that: 1) It is almost always preferable to annotate fewer slices per volume and more volumes given an annotation budget. 2) Selecting slices for annotation by unsupervised active learning (UAL) is not superior to selecting slices randomly or at fixed intervals, provided that each volume is allocated the same number of annotated slices. 3) Interpolating masks between annotated slices rarely enhances model performance, with exceptions of some specific configuration for 3D models.
• Abstract（参考訳）: 医用画像の自動セグメンテーションは、正確な手動アノテーションの入手に大きく依存している。 しかし、これらのアノテーションの生成は時間を要することが多く、高価であり、特別な専門知識(特に横断的な医療画像)を必要とすることもある。 したがって、アノテーションリソースの使用を最適化し、効率と有効性を確保することが不可欠である。 本稿では,「非インタラクティブなアノテーションパイプラインでは,横断的な医用画像のスライスをアノテーションとしてどのように選択して,結果のディープラーニングセグメンテーションモデルの性能を最大化するべきか」という問題を体系的に解決する。 注記予算,注記ケース数,注記スライス数,スライス選別技術,マスク補間を併用した4つの医用画像分割作業について実験を行った。 1) アノテーションの予算が与えられたら、ボリュームあたりのスライスを減らし、より多くのボリュームにアノテートすることがほとんどである。 2) 教師なしアクティブラーニング(UAL)による注釈用スライスの選択は,各ボリュームが同数の注釈付きスライスを割り当てている場合,ランダムに,あるいは一定間隔でスライスを選択するよりも優れている。 3) 注釈付きスライス間のマスクの補間は, 3次元モデルの特定の構成を除いて, モデル性能を高めることは滅多にない。

関連論文リスト

• Partially Supervised Unpaired Multi-Modal Learning for Label-Efficient Medical Image Segmentation [53.723234136550055]
  我々は、新しい学習パラダイムを部分教師付き無ペア型マルチモーダルラーニング(PSUMML)と呼ぶ。 そこで我々は,DEST (Ensembled Self-Training) フレームワークを用いた新しい部分クラス適応法を提案する。 我々のフレームワークは、部分的にラベル付けされていないマルチモーダルデータを用いて学習するためのモダリティ特定正規化層を持つコンパクトなセグメンテーションネットワークで構成されている。
  論文  参考訳（メタデータ） (2025-03-07T07:22:42Z)
• Sli2Vol+: Segmenting 3D Medical Images Based on an Object Estimation Guided Correspondence Flow Network [16.909079894023293]
  3次元医用画像のアノテーション負担を軽減するために,マスク伝搬DL法を開発した。 しかし, これらの手法は, 復元誤差のスライス間伝播による誤差蓄積の傾向にある。 本研究では,3次元医用画像中の解剖学的構造を1つの注記スライスで分割するSSFを提案する。
  論文  参考訳（メタデータ） (2024-11-21T06:15:43Z)
• How to Efficiently Annotate Images for Best-Performing Deep Learning Based Segmentation Models: An Empirical Study with Weak and Noisy Annotations and Segment Anything Model [16.745318743249864]
  ディープニューラルネットワーク(DNN)は、様々な画像セグメンテーションタスクで例外的なパフォーマンスを示している。 この課題を軽減するために、弱いラベルを使ったり、より正確でない(ノイズの多い)アノテーションを使ったりできる。 ノイズと弱いラベルは生成がかなり早くなり、同時にアノテートされた画像がより高速になる。
  論文  参考訳（メタデータ） (2023-12-17T04:26:42Z)
• Correlation-aware active learning for surgery video segmentation [13.327429312047396]
  本研究は,手術ビデオセグメンテーション,COWAL,Correlation-aWare Active Learningのための新しいAL戦略を提案する。 提案手法では、コントラスト学習を用いて微調整された遅延空間に画像を投影し、ビデオフレームの局所クラスタから一定数の代表画像を選択する。 手術器具の2つのビデオデータセットと実世界の3つのビデオデータセットに対して,本手法の有効性を実証する。
  論文  参考訳（メタデータ） (2023-11-15T09:30:52Z)
• Acquiring Weak Annotations for Tumor Localization in Temporal and Volumetric Data [42.11032586606511]
  リソースが限られているため、大量のラベルのないデータに注釈を付ける際に、最適なタイプのアノテーションを決定するのは難しい。 我々はDrag&Dropと呼ばれる新しいアノテーション戦略を開発し、アノテーションプロセスのドラッグ&ドロップを簡単にする。 実験により,本手法は代替の弱いアノテーションよりも検出性能と局所化性能が優れていることが示された。
  論文  参考訳（メタデータ） (2023-10-23T17:03:02Z)
• 3D Medical Image Segmentation with Sparse Annotation via Cross-Teaching between 3D and 2D Networks [26.29122638813974]
  本稿では,3次元ネットワークと2次元ネットワークの相互学習を用いて,スパースアノテーションから頑健に学習できるフレームワークを提案する。 MMWHSデータセットに対する実験結果から,本手法は最先端(SOTA)半教師付きセグメンテーション法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2023-07-30T15:26:17Z)
• Self-supervised Few-shot Learning for Semantic Segmentation: An Annotation-free Approach [4.855689194518905]
  Few-shot semantic segmentation (FSS)は、医用画像解析の分野で大きな可能性を秘めている。 既存のFSS技術は注釈付きセマンティッククラスに大きく依存しており、医療画像には適さない。 本稿では,アノテーションに依存しない新たな自己教師型FSSフレームワークを提案する。その代わりに,支援画像から得られる固有ベクトルを利用して,クエリマスクを適応的に推定する。
  論文  参考訳（メタデータ） (2023-07-26T18:33:30Z)
• Semi-Supervised and Self-Supervised Collaborative Learning for Prostate 3D MR Image Segmentation [8.527048567343234]
  MR画像分割は,多くの臨床応用において重要な役割を担っている。 ディープラーニング(DL)は、最近、様々な画像セグメンテーションタスクにおいて最先端または人間レベルのパフォーマンスを達成した。 本研究では,前立腺MR画像セグメンテーションのための半教師付き,自己教師型協調学習フレームワークを訓練することを目的とする。
  論文  参考訳（メタデータ） (2022-11-16T11:40:13Z)
• Learning from Partially Overlapping Labels: Image Segmentation under Annotation Shift [68.6874404805223]
  腹部臓器分節の文脈におけるラベルの重複から学ぶためのいくつかの方法を提案する。 半教師付きアプローチと適応的クロスエントロピー損失を組み合わせることで、不均一な注釈付きデータをうまく活用できることが判明した。
  論文  参考訳（メタデータ） (2021-07-13T09:22:24Z)
• Cascaded Robust Learning at Imperfect Labels for Chest X-ray Segmentation [61.09321488002978]
  不完全アノテーションを用いた胸部X線分割のための新しいカスケードロバスト学習フレームワークを提案する。 モデルは3つの独立したネットワークから成り,ピアネットワークから有用な情報を効果的に学習できる。 提案手法は,従来の手法と比較して,セグメント化タスクの精度を大幅に向上させることができる。
  論文  参考訳（メタデータ） (2021-04-05T15:50:16Z)
• Weakly-supervised Learning For Catheter Segmentation in 3D Frustum Ultrasound [74.22397862400177]
  超音波を用いた新しいカテーテルセグメンテーション法を提案する。 提案手法は,1ボリュームあたり0.25秒の効率で最先端の性能を実現した。
  論文  参考訳（メタデータ） (2020-10-19T13:56:22Z)
• Towards Unsupervised Learning for Instrument Segmentation in Robotic Surgery with Cycle-Consistent Adversarial Networks [54.00217496410142]
  本稿では、入力された内視鏡画像と対応するアノテーションとのマッピングを学習することを目的として、未ペア画像から画像への変換を提案する。 当社のアプローチでは,高価なアノテーションを取得することなく,イメージセグメンテーションモデルをトレーニングすることが可能です。 提案手法をEndovis 2017チャレンジデータセットで検証し,教師付きセグメンテーション手法と競合することを示す。
  論文  参考訳（メタデータ） (2020-07-09T01:39:39Z)
• Learning to Segment from Scribbles using Multi-scale Adversarial Attention Gates [16.28285034098361]
  弱い教師付き学習は、スクリブルのような弱いアノテーション形式に依存してモデルを訓練することができる。 我々は、複数の解像度でリアルなセグメンテーションマスクを生成するために、マルチスケールのGANをトレーニングし、スクリブルを使用して画像中の正しい位置を学習する。 モデルの成功の中心は、敵の信号が先行した形状として振る舞うことを条件とした、新しいアテンションゲーティング機構である。
  論文  参考訳（メタデータ） (2020-07-02T14:39:08Z)
• Deep Q-Network-Driven Catheter Segmentation in 3D US by Hybrid Constrained Semi-Supervised Learning and Dual-UNet [74.22397862400177]
  本稿では,教師付き学習手法よりも少ないアノテーションを要求できる新しいカテーテルセグメンテーション手法を提案する。 提案手法では,Voxelレベルのアノテーションを避けるために,深層Q学習を事前局所化ステップとみなす。 検出されたカテーテルでは、パッチベースのDual-UNetを使用してカテーテルを3Dボリュームデータに分割する。
  論文  参考訳（メタデータ） (2020-06-25T21:10:04Z)
• ATSO: Asynchronous Teacher-Student Optimization for Semi-Supervised Medical Image Segmentation [99.90263375737362]
  教師-学生最適化の非同期版であるATSOを提案する。 ATSOはラベルのないデータを2つのサブセットに分割し、モデルの微調整に1つのサブセットを交互に使用し、他のサブセットのラベルを更新する。 医用画像のセグメンテーションデータセットを2つ評価し,様々な半教師付き環境において優れた性能を示す。
  論文  参考訳（メタデータ） (2020-06-24T04:05:12Z)
• Label Efficient Visual Abstractions for Autonomous Driving [47.85464131726237]
  本研究では,セグメンテーションに基づく視覚的抽象化を,よりラベルの効率よく活用する方法について検討する。 驚いたことに、アノテーションのコストを大幅に削減することで最先端の駆動性能を実現することができる。
  論文  参考訳（メタデータ） (2020-05-20T14:53:54Z)
• Confident Coreset for Active Learning in Medical Image Analysis [57.436224561482966]
  本稿では,情報的サンプルを効果的に選択するための,不確実性と分散性を考慮した新しい能動的学習手法である信頼コアセットを提案する。 2つの医用画像解析タスクの比較実験により,本手法が他の活動的学習方法より優れていることを示す。
  論文  参考訳（メタデータ） (2020-04-05T13:46:16Z)

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。