論文の概要: SegHeD+: Segmentation of Heterogeneous Data for Multiple Sclerosis Lesions with Anatomical Constraints and Lesion-aware Augmentation

• arxiv url: http://arxiv.org/abs/2412.10946v1
• Date: Sat, 14 Dec 2024 19:44:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-17 13:59:58.700646
• Title: SegHeD+: Segmentation of Heterogeneous Data for Multiple Sclerosis Lesions with Anatomical Constraints and Lesion-aware Augmentation
• Title（参考訳）: SegHeD+: 解剖学的制約と病変認識増強を伴う多発性硬化症病変に対する異種データの分割
• Authors: Berke Doga Basaran, Paul M. Matthews, Wenjia Bai,
• Abstract要約: 複数のデータセットやタスクを扱える新しいセグメンテーションモデルであるSegHeD+を紹介します。 分割モデルに経時的,解剖学的,体積的制約を組み込むことにより,MS病変に関するドメイン知識を統合する。 SegHeD+は5つのMSデータセットで評価され、すべての、新しい、消滅する病変のセグメンテーションにおいて優れたパフォーマンスを示す。
• 参考スコア（独自算出の注目度）: 1.6365496769445946
• License:
• Abstract: Assessing lesions and tracking their progression over time in brain magnetic resonance (MR) images is essential for diagnosing and monitoring multiple sclerosis (MS). Machine learning models have shown promise in automating the segmentation of MS lesions. However, training these models typically requires large, well-annotated datasets. Unfortunately, MS imaging datasets are often limited in size, spread across multiple hospital sites, and exhibit different formats (such as cross-sectional or longitudinal) and annotation styles. This data diversity presents a significant obstacle to developing a unified model for MS lesion segmentation. To address this issue, we introduce SegHeD+, a novel segmentation model that can handle multiple datasets and tasks, accommodating heterogeneous input data and performing segmentation for all lesions, new lesions, and vanishing lesions. We integrate domain knowledge about MS lesions by incorporating longitudinal, anatomical, and volumetric constraints into the segmentation model. Additionally, we perform lesion-level data augmentation to enlarge the training set and further improve segmentation performance. SegHeD+ is evaluated on five MS datasets and demonstrates superior performance in segmenting all, new, and vanishing lesions, surpassing several state-of-the-art methods in the field.
• Abstract（参考訳）: 脳磁気共鳴(MR)画像における病変の評価と経過の追跡は多発性硬化症(MS)の診断とモニタリングに不可欠である。 機械学習モデルは、MS病変のセグメンテーションを自動化することを約束している。 しかし、これらのモデルのトレーニングは通常、大きく、よく注釈付けされたデータセットを必要とする。 残念なことに、MSイメージングデータセットはサイズが制限され、複数の病院に分散し、異なるフォーマット(断面や縦方向など)とアノテーションスタイルを示すことが多い。 このデータ多様性は、MS病変のセグメンテーションのための統一モデルを開発する上で重要な障害となる。 この問題に対処するために、SegHeD+は、複数のデータセットとタスクを扱える新しいセグメンテーションモデルを導入し、不均一な入力データを調整し、すべての病変、新しい病変、消失する病変のセグメンテーションを実行する。 分割モデルに経時的,解剖学的,体積的制約を組み込むことにより,MS病変に関するドメイン知識を統合する。 さらに、トレーニングセットを拡大し、セグメンテーション性能をさらに向上するために、病変レベルのデータ拡張を行う。 SegHeD+は5つのMSデータセットで評価され、すべての、新しい、消滅する病変のセグメンテーションにおいて優れたパフォーマンスを示し、この分野における最先端の手法を超越している。

関連論文リスト

• Toward Generalizable Multiple Sclerosis Lesion Segmentation Models [0.0]
  本研究の目的は,多様な評価データセットにまたがる一般化モデルを開発することである。 私たちは、最先端のUNet++アーキテクチャを体系的にトレーニングした、高品質で公開可能なすべてのMS病変セグメンテーションデータセットを使用しました。
  論文  参考訳（メタデータ） (2024-10-25T15:21:54Z)
• SegHeD: Segmentation of Heterogeneous Data for Multiple Sclerosis Lesions with Anatomical Constraints [1.498084483844508]
  機械学習モデルは、自動MS病変セグメンテーションの大きな可能性を実証している。 SegHeDは、異種データを入力として組み込むことができる、新しいマルチデータセットマルチタスクセグメンテーションモデルである。 SegHeDは5つのMSデータセットで評価され、すべての、新しい、消滅するセグメンテーションで高いパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2024-10-02T17:21:43Z)
• Potential of Multimodal Large Language Models for Data Mining of Medical Images and Free-text Reports [51.45762396192655]
  特にGemini-Vision-Series (Gemini) と GPT-4-Series (GPT-4) は、コンピュータビジョンのための人工知能のパラダイムシフトを象徴している。 本研究は,14の医用画像データセットを対象に,Gemini,GPT-4,および4つの一般的な大規模モデルの性能評価を行った。
  論文  参考訳（メタデータ） (2024-07-08T09:08:42Z)
• Mask-Enhanced Segment Anything Model for Tumor Lesion Semantic Segmentation [48.107348956719775]
  Mask-Enhanced SAM (M-SAM) は, 腫瘍の3次元セグメント化に適した革新的なアーキテクチャである。 本稿では,M-SAM内におけるMask-Enhanced Adapter (MEA) を提案する。 我々のM-SAMは高いセグメンテーション精度を達成し、またロバストな一般化を示す。
  論文  参考訳（メタデータ） (2024-03-09T13:37:02Z)
• Dual-scale Enhanced and Cross-generative Consistency Learning for Semi-supervised Medical Image Segmentation [49.57907601086494]
  医用画像のセグメンテーションはコンピュータ支援診断において重要な役割を担っている。 半教師型医用画像(DEC-Seg)のための新しいDual-scale Enhanced and Cross-generative consistency learning frameworkを提案する。
  論文  参考訳（メタデータ） (2023-12-26T12:56:31Z)
• Domain Generalization with Adversarial Intensity Attack for Medical Image Segmentation [27.49427483473792]
  実世界のシナリオでは、トレーニング中に露出していない新しいドメインや異なるドメインのデータに遭遇することが一般的である。 ドメイン一般化(Domain Generalization, DG)は、モデルがこれまで見つからなかったドメインからのデータを扱うことを可能にする、有望な方向である。 本稿では,敵対的トレーニングを活用して無限のスタイルでトレーニングデータを生成する,AdverIN(Adversarial Intensity Attack)と呼ばれる新しいDG手法を提案する。
  論文  参考訳（メタデータ） (2023-04-05T19:40:51Z)
• Self-Supervised Correction Learning for Semi-Supervised Biomedical Image Segmentation [84.58210297703714]
  半教師付きバイオメディカルイメージセグメンテーションのための自己教師付き補正学習パラダイムを提案する。 共有エンコーダと2つの独立デコーダを含むデュアルタスクネットワークを設計する。 異なるタスクのための3つの医用画像分割データセットの実験により,本手法の優れた性能が示された。
  論文  参考訳（メタデータ） (2023-01-12T08:19:46Z)
• Longitudinal detection of new MS lesions using Deep Learning [0.0]
  新たなMS病変の検出・分節作業に対処するディープラーニングベースのパイプラインについて述べる。 まず,1つの時間点を用いたセグメンテーションタスクで訓練されたモデルからの移動学習を提案する。 第2に、新しい病変を伴う現実的な縦断時間を生成するためのデータ合成戦略を提案する。
  論文  参考訳（メタデータ） (2022-06-16T16:09:04Z)
• External Attention Assisted Multi-Phase Splenic Vascular Injury Segmentation with Limited Data [72.99534552950138]
  脾臓は腹部外傷において最も多く損傷を受けた固形臓器の1つである。 脾臓血管損傷の 正確な分節化は 以下の理由から 困難です
  論文  参考訳（メタデータ） (2022-01-04T02:35:56Z)
• 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。