論文の概要: VerSe: Integrating Multiple Queries as Prompts for Versatile Cardiac MRI Segmentation

• arxiv url: http://arxiv.org/abs/2412.16381v1
• Date: Fri, 20 Dec 2024 22:35:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-24 15:52:54.358983
• Title: VerSe: Integrating Multiple Queries as Prompts for Versatile Cardiac MRI Segmentation
• Title（参考訳）: VerSe:Versatile Cardiac MRIセグメンテーションのための複数のクエリをプロンプトとして統合する
• Authors: Bangwei Guo, Meng Ye, Yunhe Gao, Bingyu Xin, Leon Axel, Dimitris Metaxas,
• Abstract要約: マルチプルクエリによる自動セグメンテーションと対話的セグメンテーションを統合するためのフレームワークであるVerSeを提案する。 私たちの重要なイノベーションは、共有セグメンテーションバックボーンのプロンプトとしてオブジェクトとクリッククエリを共同で学習することにあります。 提案した統合的プロンプトスキームでは,既存の手法よりも性能と効率が大幅に向上した。
• 参考スコア（独自算出の注目度）: 6.704426491532431
• License:
• Abstract: Despite the advances in learning-based image segmentation approach, the accurate segmentation of cardiac structures from magnetic resonance imaging (MRI) remains a critical challenge. While existing automatic segmentation methods have shown promise, they still require extensive manual corrections of the segmentation results by human experts, particularly in complex regions such as the basal and apical parts of the heart. Recent efforts have been made on developing interactive image segmentation methods that enable human-in-the-loop learning. However, they are semi-automatic and inefficient, due to their reliance on click-based prompts, especially for 3D cardiac MRI volumes. To address these limitations, we propose VerSe, a Versatile Segmentation framework to unify automatic and interactive segmentation through mutiple queries. Our key innovation lies in the joint learning of object and click queries as prompts for a shared segmentation backbone. VerSe supports both fully automatic segmentation, through object queries, and interactive mask refinement, by providing click queries when needed. With the proposed integrated prompting scheme, VerSe demonstrates significant improvement in performance and efficiency over existing methods, on both cardiac MRI and out-of-distribution medical imaging datasets. The code is available at https://github.com/bangwayne/Verse.
• Abstract（参考訳）: 学習に基づく画像分割アプローチの進歩にもかかわらず、MRI(MRI)による心臓構造の正確なセグメント化は依然として重要な課題である。 既存の自動セグメンテーション法は将来性を示しているが、人間の専門家によるセグメンテーションの結果を広範囲に手作業で修正する必要がある。 近年,ヒューマン・イン・ザ・ループ学習を実現するインタラクティブなイメージセグメンテーション手法の開発が進められている。 しかし、クリックベースのプロンプト、特に3D心筋MRIボリュームに依存しているため、半自動的で非効率である。 これらの制約に対処するため,マルチプルクエリによる自動セグメンテーションと対話的なセグメンテーションを統合するためのVersatile SegmentationフレームワークであるVerSeを提案する。 私たちの重要なイノベーションは、共有セグメンテーションバックボーンのプロンプトとしてオブジェクトとクリッククエリを共同で学習することにあります。 VerSeは、オブジェクトクエリによる完全な自動セグメンテーションと、必要に応じてクリッククエリを提供することで、インタラクティブなマスクリファインメントの両方をサポートする。 提案した統合的プロンプト方式により、VerSeは、心臓MRIとアウト・オブ・ディストリビューション医療画像データセットの両方において、既存の方法よりもパフォーマンスと効率が大幅に向上したことを示す。 コードはhttps://github.com/bangwayne/Verse.comで公開されている。

関連論文リスト

• In-context learning for medical image segmentation [0.4143603294943439]
  In-context Cascade (ICS) は、シーケンシャルな医用画像に対して高いセグメンテーション精度を達成しつつ、アノテーション要求を最小限に抑える新しい手法である。 ICSはUniverSegフレームワーク上に構築されており、追加のトレーニングなしでサポートイメージを使用して少数ショットのセグメンテーションを実行する。 心臓8領域のセグメンテーションタスクを含むHVSMRデータセットを用いて,提案手法の評価を行った。
  論文  参考訳（メタデータ） (2024-12-17T19:59:08Z)
• Compositional Segmentation of Cardiac Images Leveraging Metadata [0.508267104652645]
  心機能評価と心構造変化の経時的モニタリングには,心像のセグメンテーションが不可欠である。 本研究では,心画像中の心臓を同時に局所化し,興味のある領域のパートベースセグメンテーションを行う,新しい構成セグメンテーション手法を提案する。 また,画像取得時に収集した心筋画像に関連するメタデータを活用するために,新しいクロスモーダル・フィーチャー・インテグレーション(CMFI)モジュールを提案する。
  論文  参考訳（メタデータ） (2024-10-30T15:41:35Z)
• iSeg: An Iterative Refinement-based Framework for Training-free Segmentation [85.58324416386375]
  本稿では,自己注意マップを用いた横断注意マップの繰り返し精錬に関する実験的検討を行った。 トレーニング不要セグメンテーションのための効果的な反復改良フレームワークiSegを提案する。 提案したiSegは,mIoUの3.8%の絶対ゲインを達成している。
  論文  参考訳（メタデータ） (2024-09-05T03:07:26Z)
• Multi-interactive Feature Learning and a Full-time Multi-modality Benchmark for Image Fusion and Segmentation [66.15246197473897]
  多モード画像融合とセグメンテーションは、自律走行とロボット操作において重要な役割を果たす。 画像融合とtextbfSegmentation のための textbfMulti-textbfinteractive textbfFeature Learning アーキテクチャを提案する。
  論文  参考訳（メタデータ） (2023-08-04T01:03:58Z)
• Unsupervised Segmentation of Fetal Brain MRI using Deep Learning Cascaded Registration [2.494736313545503]
  従来の深層学習に基づく自動セグメンテーションは、グランドトラストラベルによる広範なトレーニングデータを必要とする。 ラベル付きデータに頼らずに複数の組織を正確にセグメンテーションするマルチアトラスセグメンテーションに基づく新しい手法を提案する。 提案手法では,3次元画像登録のためのカスケード深層学習ネットワークを用いて,移動画像への小さなインクリメンタルな変形を計算し,それを固定画像と正確に整合させる。
  論文  参考訳（メタデータ） (2023-07-07T13:17:12Z)
• Implicit Anatomical Rendering for Medical Image Segmentation with Stochastic Experts [11.007092387379078]
  医用画像セグメンテーションの学習を支援するために,解剖学的レベルで設計された汎用的な暗黙的ニューラルネットワークレンダリングフレームワークであるMORSEを提案する。 医用画像のセグメンテーションをエンドツーエンドのレンダリング問題として定式化する。 実験の結果,MORSEは異なる医療セグメントのバックボーンでうまく機能することが示された。
  論文  参考訳（メタデータ） (2023-04-06T16:44:03Z)
• 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)
• Few-shot Medical Image Segmentation using a Global Correlation Network with Discriminative Embedding [60.89561661441736]
  医療画像分割のための新しい手法を提案する。 深層畳み込みネットワークを用いた数ショット画像セグメンタを構築します。 深層埋め込みの識別性を高め,同一クラスの特徴領域のクラスタリングを促進する。
  論文  参考訳（メタデータ） (2020-12-10T04:01:07Z)
• Towards Cross-modality Medical Image Segmentation with Online Mutual Knowledge Distillation [71.89867233426597]
  本稿では,あるモダリティから学習した事前知識を活用し,別のモダリティにおけるセグメンテーション性能を向上させることを目的とする。 モーダル共有知識を徹底的に活用する新しい相互知識蒸留法を提案する。 MMWHS 2017, MMWHS 2017 を用いた多クラス心筋セグメンテーション実験の結果, CT セグメンテーションに大きな改善が得られた。
  論文  参考訳（メタデータ） (2020-10-04T10:25:13Z)
• Learning Directional Feature Maps for Cardiac MRI Segmentation [13.389141642517762]
  本稿では,クラス間の差分とクラス内の類似度を同時に強化する指向性特徴写像を利用する新しい手法を提案する。 具体的には,最寄りの心臓組織の境界から各ピクセルに向けられた方向のフィールドを学習する。 学習方向のフィールドに基づいて、元のセグメンテーション機能を改善するために、特徴修正と融合(FRF)モジュールを提案する。
  論文  参考訳（メタデータ） (2020-07-22T11:31:04Z)
• Robust Medical Instrument Segmentation Challenge 2019 [56.148440125599905]
  腹腔鏡装置の術中追跡は、しばしばコンピュータとロボットによる介入の必要条件である。 本研究の課題は,30の手術症例から取得した10,040枚の注釈画像からなる外科的データセットに基づいていた。 結果は、初期仮説、すなわち、アルゴリズムの性能がドメインギャップの増大とともに低下することを確認する。
  論文  参考訳（メタデータ） (2020-03-23T14:35:08Z)

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。