論文の概要: A Unified Framework for Foreground and Anonymization Area Segmentation in CT and MRI Data

• arxiv url: http://arxiv.org/abs/2501.04361v1
• Date: Wed, 08 Jan 2025 08:58:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-09 14:55:12.978106
• Title: A Unified Framework for Foreground and Anonymization Area Segmentation in CT and MRI Data
• Title（参考訳）: CTおよびMRIデータにおける前景および匿名化領域分割のための統一フレームワーク
• Authors: Michal Nohel, Constantin Ulrich, Jonathan Suprijadi, Tassilo Wald, Klaus Maier-Hein,
• Abstract要約: 本研究では,3次元医用イメージングのための自己教師あり学習(SSL)のためのデータ前処理の課題に対処するオープンソースツールキットを提案する。 ツールキットは、データサンプリングを最適化し、トレーニング時間を短縮するために前景領域を指示するセグメンテーションネットワークと、匿名化された領域を識別するセグメンテーションネットワークとを含む。
• 参考スコア（独自算出の注目度）: 0.10218470587045973
• License:
• Abstract: This study presents an open-source toolkit to address critical challenges in preprocessing data for self-supervised learning (SSL) for 3D medical imaging, focusing on data privacy and computational efficiency. The toolkit comprises two main components: a segmentation network that delineates foreground regions to optimize data sampling and thus reduce training time, and a segmentation network that identifies anonymized regions, preventing erroneous supervision in reconstruction-based SSL methods. Experimental results demonstrate high robustness, with mean Dice scores exceeding 98.5 across all anonymization methods and surpassing 99.5 for foreground segmentation tasks, highlighting the efficacy of the toolkit in supporting SSL applications in 3D medical imaging for both CT and MRI images. The weights and code is available at https://github.com/MIC-DKFZ/Foreground-and-Anonymization-Area-Segmentation.
• Abstract（参考訳）: 本研究では,データプライバシと計算効率に着目した3次元医用画像の自己教師あり学習(SSL)のためのデータ前処理における重要な課題に対処するオープンソースツールキットを提案する。 ツールキットは、データサンプリングを最適化し、トレーニング時間を短縮するために前景領域を指示するセグメンテーションネットワークと、匿名化された領域を識別するセグメンテーションネットワークと、再構成ベースのSSLメソッドの誤監視を防止するセグメンテーションネットワークとを含む。 実験の結果、Diceスコアはすべての匿名化手法で98.5を超え、前景のセグメンテーションタスクでは99.5を超えた。 重みとコードはhttps://github.com/MIC-DKFZ/Foreground-and-Anonymization-Area-Segmentationで入手できる。

関連論文リスト

• Enhancing Weakly Supervised 3D Medical Image Segmentation through Probabilistic-aware Learning [52.249748801637196]
  3次元医用画像のセグメンテーションは、疾患の診断と治療計画に重要な意味を持つ課題である。 近年の深層学習の進歩は、完全に教師付き医療画像のセグメンテーションを著しく強化している。 本稿では,3次元医用画像に特化して設計された,確率的適応型弱教師付き学習パイプラインを提案する。
  論文  参考訳（メタデータ） (2024-03-05T00:46:53Z)
• Primitive Geometry Segment Pre-training for 3D Medical Image Segmentation [12.251689154843342]
  本稿では,PrimGeoSeg(PrimGeoSeg)法を提案する。 PrimGeoSegは手動のデータ収集やアノテーションなしでより正確で効率的な3D画像分割を行う。
  論文  参考訳（メタデータ） (2024-01-08T04:37:35Z)
• Disruptive Autoencoders: Leveraging Low-level features for 3D Medical Image Pre-training [51.16994853817024]
  本研究は、3Dラジオグラフィ画像のための効果的な事前学習フレームワークの設計に焦点をあてる。 ローカルマスキングと低レベルの摂動の組み合わせによって生成された破壊から、オリジナルのイメージを再構築しようとする事前トレーニングフレームワークであるDisruptive Autoencodersを紹介する。 提案する事前トレーニングフレームワークは、複数のダウンストリームタスクでテストされ、最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2023-07-31T17:59:42Z)
• PCDAL: A Perturbation Consistency-Driven Active Learning Approach for Medical Image Segmentation and Classification [12.560273908522714]
  監視された学習は、医用画像のアプリケーションを取得するのに費用がかかり、時間がかかり、実用的でない、大規模な注釈付きデータに大きく依存している。 アクティブラーニング(AL)手法は、アノテーションのコストを削減するために、自然な画像分類タスクに広く応用されている。 本稿では,2次元医用画像分類,セグメンテーション,および3次元医用画像分割タスクに同時に適用可能なALベースの手法を提案する。
  論文  参考訳（メタデータ） (2023-06-29T13:11:46Z)
• FBA-Net: Foreground and Background Aware Contrastive Learning for Semi-Supervised Atrium Segmentation [10.11072886547561]
  半教師付き3次元医用画像セグメンテーションのための,前景と背景表現の対照的な学習戦略を提案する。 我々のフレームワークは、半教師付き3次元医用画像セグメンテーションの分野を前進させる可能性を秘めている。
  論文  参考訳（メタデータ） (2023-06-27T04:14:50Z)
• Semantic segmentation of surgical hyperspectral images under geometric domain shifts [69.91792194237212]
  本稿では、幾何学的アウト・オブ・ディストリビューション(OOD)データの存在下で、最先端のセマンティックセグメンテーションネットワークを初めて分析する。 有機移植(Organ transplantation)と呼ばれる専用の拡張技術により、一般化可能性にも対処する。 提案手法は,SOA DSCの最大67 % (RGB) と90% (HSI) を改善し,実際のOODテストデータ上での分配内性能と同等の性能を示す。
  論文  参考訳（メタデータ） (2023-03-20T09:50:07Z)
• 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)
• Data-Limited Tissue Segmentation using Inpainting-Based Self-Supervised Learning [3.7931881761831328]
  プレテキストタスクを含む自己教師付き学習(SSL)メソッドは、ラベルなしデータを使用したモデルの最初の事前トレーニングによって、この要件を克服する可能性を示している。 ラベル限定シナリオにおけるCTとMRI画像のセグメンテーションにおける2つのSSL手法の有効性を評価する。 最適に訓練され,実装が容易なSSLセグメンテーションモデルは,ラベル制限シナリオにおけるMRIおよびCT組織セグメンテーションの古典的な手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-10-14T16:34:05Z)
• Semi-Supervised Hybrid Spine Network for Segmentation of Spine MR Images [14.190504802866288]
  半教師付き複合脊椎ネットワーク (SSHSNet) という2段階のアルゴリズムを提案し, 同時椎体 (VBs) と椎間板 (IVDs) のセグメンテーションを実現する。 まず,2次元半監督型DeepLabv3+をクロス擬似監督を用いて構築し,スライス内特徴と粗いセグメンテーションを得た。 2段目では、3Dフル解像度のパッチベースのDeepLabv3+がスライス間情報を抽出するために構築された。 その結果,提案手法はデータ不均衡問題に対処する上で大きな可能性を秘めていることがわかった。
  論文  参考訳（メタデータ） (2022-03-23T02:57:14Z)
• Medical Instrument Segmentation in 3D US by Hybrid Constrained Semi-Supervised Learning [62.13520959168732]
  3DUSにおける楽器セグメンテーションのための半教師付き学習フレームワークを提案する。 SSL学習を実現するため、Dual-UNetが提案されている。 提案手法は,Diceの約68.6%-69.1%,推定時間約1秒を実現している。
  論文  参考訳（メタデータ） (2021-07-30T07:59:45Z)
• 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。