論文の概要: ACE: Anatomically Consistent Embeddings in Composition and Decomposition

• arxiv url: http://arxiv.org/abs/2501.10131v1
• Date: Fri, 17 Jan 2025 11:39:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-20 13:59:35.256947
• Title: ACE: Anatomically Consistent Embeddings in Composition and Decomposition
• Title（参考訳）: ACE: 組成と分解における解剖学的に一貫性のある埋め込み
• Authors: Ziyu Zhou, Haozhe Luo, Mohammad Reza Hosseinzadeh Taher, Jiaxuan Pang, Xiaowei Ding, Michael Gotway, Jianming Liang,
• Abstract要約: 本稿では、ACEと呼ばれる新しい自己教師型学習(SSL)アプローチを導入し、合成と分解によって解剖学的に一貫した埋め込みを学習する。 6つのデータセット2つのバックボーンにまたがる実験結果は、数ショットの学習、微調整、プロパティ分析で評価され、ACEの優れた堅牢性、転送可能性、臨床ポテンシャルを示している。
• 参考スコア（独自算出の注目度）: 5.939793479232325
• License:
• Abstract: Medical images acquired from standardized protocols show consistent macroscopic or microscopic anatomical structures, and these structures consist of composable/decomposable organs and tissues, but existing self-supervised learning (SSL) methods do not appreciate such composable/decomposable structure attributes inherent to medical images. To overcome this limitation, this paper introduces a novel SSL approach called ACE to learn anatomically consistent embedding via composition and decomposition with two key branches: (1) global consistency, capturing discriminative macro-structures via extracting global features; (2) local consistency, learning fine-grained anatomical details from composable/decomposable patch features via corresponding matrix matching. Experimental results across 6 datasets 2 backbones, evaluated in few-shot learning, fine-tuning, and property analysis, show ACE's superior robustness, transferability, and clinical potential. The innovations of our ACE lie in grid-wise image cropping, leveraging the intrinsic properties of compositionality and decompositionality of medical images, bridging the semantic gap from high-level pathologies to low-level tissue anomalies, and providing a new SSL method for medical imaging.
• Abstract（参考訳）: 標準化されたプロトコルから取得された医用画像は、一貫したマクロな、または顕微鏡的な解剖学的構造を示し、これらの構造は、構成可能な/分解可能な臓器と組織から構成される。 この制限を克服するために、ACEと呼ばれる新しいSSLアプローチを導入し、(1)グローバルな一貫性、グローバルな特徴抽出による識別的マクロ構造、(2)ローカルな一貫性、構成可能な/分解可能なパッチ機能からの微細な解剖学的詳細を、対応する行列マッチングにより学習する。 6つのデータセット2つのバックボーンにまたがる実験結果は、数ショットの学習、微調整、プロパティ分析で評価され、ACEの優れた堅牢性、転送可能性、臨床ポテンシャルを示している。 ACEの革新は、グリッドワイドな画像トリミング、医用画像の合成と分解の本質的な特性の活用、高レベルの病理から低レベルの組織異常へのセマンティックギャップのブリッジ、医療用画像の新しいSSL方法を提供することである。

関連論文リスト

• SM2C: Boost the Semi-supervised Segmentation for Medical Image by using Meta Pseudo Labels and Mixed Images [13.971120210536995]
  医用画像のセマンティックな特徴を学習する能力を向上させるために,SM2C(Scaling-up Mix with Multi-Class)を導入した。 セグメンテーションオブジェクトの形状を多様化し、各サンプル内の意味情報を豊かにすることにより、SM2Cはそのポテンシャルを示す。 提案したフレームワークは、最先端のフレームワークよりも大幅に改善されている。
  論文  参考訳（メタデータ） (2024-03-24T04:39:40Z)
• Learning Anatomically Consistent Embedding for Chest Radiography [4.990778682575127]
  本稿では,医用画像解析のための新しいSSL手法PEAC(パッチ埋込み解剖学的整合性)を提案する。 具体的には、安定したグリッドベースのマッチング、事前学習されたPEACモデルを様々な下流タスクに転送することで、グローバルおよびローカルなコンバーテンシーを学習することを提案する。 我々はPEACが既存の最先端の完全/自己管理手法よりもはるかに優れた性能を発揮することを広く実証した。
  論文  参考訳（メタデータ） (2023-12-01T04:07:12Z)
• HiFi-Syn: Hierarchical Granularity Discrimination for High-Fidelity Synthesis of MR Images with Structure Preservation [11.924728060845595]
  医用画像に含まれる様々な意味情報を活用する階層的粒度識別を導入する。 当社の戦略では,脳記憶バンクを用いたピクセルレベルの識別,各脳構造に対する構造レベルの識別,およびハードサンプルに焦点を当てた再重み付け戦略という,3段階の識別粒度を活用している。 我々のモデルは、患者の特定のMRモダリティが利用できないシナリオにおいて、代替の解決策を提供するかもしれない。
  論文  参考訳（メタデータ） (2023-11-21T09:15:24Z)
• Towards Foundation Models Learned from Anatomy in Medical Imaging via Self-Supervision [8.84494874768244]
  我々は,人間の解剖学に基づいて意識的,目的的に発達した医用画像の基礎モデルを提案する。 我々は,人間の解剖学の階層的性質を生かした,新たな自己教師型学習(SSL)戦略を考案した。
  論文  参考訳（メタデータ） (2023-09-27T01:53:45Z)
• K-Space-Aware Cross-Modality Score for Synthesized Neuroimage Quality Assessment [71.27193056354741]
  クロスモダリティな医用画像合成をどう評価するかという問題は、ほとんど解明されていない。 本稿では,この課題の進展を促すため,新しい指標K-CROSSを提案する。 K-CROSSは、トレーニング済みのマルチモードセグメンテーションネットワークを使用して、病変の位置を予測する。
  論文  参考訳（メタデータ） (2023-07-10T01:26:48Z)
• Structure-aware registration network for liver DCE-CT images [50.28546654316009]
  セグメント化誘導深層登録網に関連臓器の構造情報を組み込んだ構造認識型登録手法を提案する。 提案手法は,最新技術よりも高い登録精度を達成し,解剖学的構造を効果的に維持することができる。
  論文  参考訳（メタデータ） (2023-03-08T14:08:56Z)
• Spatio-Temporal Structure Consistency for Semi-supervised Medical Image Classification [8.656046905043876]
  本研究では,新しい時空間構造一貫性(STSC)学習フレームワークを提案する。 具体的には、空間構造整合性と時間構造整合性を組み合わせるために、グラム行列を導出する。 提案手法は最先端のSSL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） (2023-03-03T04:18:09Z)
• Mine yOur owN Anatomy: Revisiting Medical Image Segmentation with Extremely Limited Labels [54.58539616385138]
  我々は、Mine yOur owN Anatomy (MONA) と呼ばれる、新しい半教師付き2次元医用画像セグメンテーションフレームワークを紹介する。 まず、先行研究では、すべてのピクセルがモデルトレーニングに等しく重要であると論じており、我々はこの1つだけで意味のある解剖学的特徴を定義できないことを経験的に観察している。 第2に,医療画像を解剖学的特徴の集合に分解できるモデルを構築する。
  論文  参考訳（メタデータ） (2022-09-27T15:50:31Z)
• SIAN: Style-Guided Instance-Adaptive Normalization for Multi-Organ Histopathology Image Synthesis [63.845552349914186]
  本研究では,異なる臓器に対して,現実的な色分布とテクスチャを合成するためのスタイル誘導型インスタンス適応正規化(SIAN)を提案する。 4つのフェーズは一緒に動作し、生成ネットワークに統合され、イメージセマンティクス、スタイル、インスタンスレベルのバウンダリを埋め込む。
  論文  参考訳（メタデータ） (2022-09-02T16:45:46Z)
• Stain based contrastive co-training for histopathological image analysis [61.87751502143719]
  本稿では,ヒストリボリューション画像の分類のための,新しい半教師付き学習手法を提案する。 我々は、半教師付き学習フレームワークを作成するために、パッチレベルのアノテーションと、新しいコトレーニング損失を併用した強力な監視を採用する。 透明細胞腎細胞および前立腺癌に対するアプローチを評価し,最先端の半教師あり学習法の改善を実証した。
  論文  参考訳（メタデータ） (2022-06-24T22:25:31Z)
• InDuDoNet+: A Model-Driven Interpretable Dual Domain Network for Metal Artifact Reduction in CT Images [53.4351366246531]
  InDuDoNet+と呼ばれる新しい解釈可能な二重ドメインネットワークを構築し、CT画像の微細な埋め込みを行う。 異なる組織間のCT値を分析し,InDuDoNet+の事前観測ネットワークにマージすることで,その一般化性能を著しく向上させる。
  論文  参考訳（メタデータ） (2021-12-23T15:52:37Z)

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。