論文の概要: Leveraging Textual Anatomical Knowledge for Class-Imbalanced Semi-Supervised Multi-Organ Segmentation

• arxiv url: http://arxiv.org/abs/2501.13470v1
• Date: Thu, 23 Jan 2025 08:40:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-24 15:58:09.497755
• Title: Leveraging Textual Anatomical Knowledge for Class-Imbalanced Semi-Supervised Multi-Organ Segmentation
• Title（参考訳）: クラス不均衡セミスーパービジョンマルチオーガンセグメンテーションのためのテクスチャ解剖知識の活用
• Authors: Yuliang Gu, Weilun Tsao, Bo Du, Thierry Géraud, Yongchao Xu,
• Abstract要約: 3D画像に注釈をつけるには、相当な時間と専門知識が必要である。 臓器の複雑な解剖学的構造は、しばしば大きなクラス不均衡を引き起こす。 本稿では,テキスト解剖学的知識(TAK)をセグメンテーションモデルに統合する手法を提案する。
• 参考スコア（独自算出の注目度）: 29.70206595766246
• License:
• Abstract: Annotating 3D medical images demands substantial time and expertise, driving the adoption of semi-supervised learning (SSL) for segmentation tasks. However, the complex anatomical structures of organs often lead to significant class imbalances, posing major challenges for deploying SSL in real-world scenarios. Despite the availability of valuable prior information, such as inter-organ relative positions and organ shape priors, existing SSL methods have yet to fully leverage these insights. To address this gap, we propose a novel approach that integrates textual anatomical knowledge (TAK) into the segmentation model. Specifically, we use GPT-4o to generate textual descriptions of anatomical priors, which are then encoded using a CLIP-based model. These encoded priors are injected into the segmentation model as parameters of the segmentation head. Additionally, contrastive learning is employed to enhance the alignment between textual priors and visual features. Extensive experiments demonstrate the superior performance of our method, significantly surpassing state-of-the-art approaches. The source code will be available at: https://github.com/Lunn88/TAK-Semi.
• Abstract（参考訳）: 3D医療画像の注釈付けには相当な時間と専門知識が必要であり、セグメンテーションタスクに半教師付き学習(SSL)を採用する。 しかしながら、臓器の複雑な解剖学的構造は、しばしば大きなクラス不均衡を引き起こし、現実世界のシナリオでSSLをデプロイする上で大きな課題を提起する。 組織間の相対位置やオルガン形状といった貴重な事前情報の提供にもかかわらず、既存のSSLメソッドはまだこれらの洞察を十分に活用していない。 そこで本研究では,テキスト解剖学的知識(TAK)をセグメンテーションモデルに統合する手法を提案する。 具体的には,GPT-4oを用いて解剖学的先行のテキスト記述を生成し,CLIPモデルを用いて符号化する。 これらの符号化された先行データは、セグメント化ヘッドのパラメータとしてセグメント化モデルに注入される。 さらに、テキストの先行と視覚的特徴の整合性を高めるために、コントラスト学習が用いられる。 大規模な実験により,本手法の優れた性能を示し,最先端手法をはるかに上回る結果を得た。 ソースコードは、https://github.com/Lunn88/TAK-Semi.comで入手できる。

関連論文リスト

• Knowledge-Guided Prompt Learning for Lifespan Brain MR Image Segmentation [53.70131202548981]
  本稿では,脳MRIにKGPL(Knowledge-Guided Prompt Learning)を用いた2段階のセグメンテーションフレームワークを提案する。 具体的には,大規模データセットと準最適ラベルを用いたトレーニング前セグメンテーションモデルについて述べる。 知識的プロンプトの導入は、解剖学的多様性と生物学的プロセスの間の意味的関係を捉えている。
  論文  参考訳（メタデータ） (2024-07-31T04:32:43Z)
• Language Guided Domain Generalized Medical Image Segmentation [68.93124785575739]
  単一ソースドメインの一般化は、より信頼性が高く一貫性のあるイメージセグメンテーションを現実の臨床環境にわたって約束する。 本稿では,テキストエンコーダ機能によって案内されるコントラスト学習機構を組み込むことで,テキスト情報を明確に活用する手法を提案する。 文献における既存手法に対して,本手法は良好な性能を発揮する。
  論文  参考訳（メタデータ） (2024-04-01T17:48:15Z)
• MedContext: Learning Contextual Cues for Efficient Volumetric Medical Segmentation [25.74088298769155]
  医用3次元セグメンテーションのためのユニバーサルトレーニングフレームワークMedContextを提案する。 本手法は,教師付きボクセルセグメンテーションタスクと協調して,自己教師付きコンテキストキューを効果的に学習する。 MedContextの有効性は、複数の3D医療データセットと4つの最先端モデルアーキテクチャで検証されている。
  論文  参考訳（メタデータ） (2024-02-27T17:58:05Z)
• Learnable Weight Initialization for Volumetric Medical Image Segmentation [66.3030435676252]
  本稿では,学習可能な重みに基づくハイブリッド医療画像セグメンテーション手法を提案する。 我々のアプローチはどんなハイブリッドモデルにも簡単に統合でき、外部のトレーニングデータを必要としない。 多臓器・肺がんセグメンテーションタスクの実験は、我々のアプローチの有効性を実証している。
  論文  参考訳（メタデータ） (2023-06-15T17:55:05Z)
• Continual Learning for Abdominal Multi-Organ and Tumor Segmentation [15.983529525062938]
  本稿では,連続臓器と腫瘍のセグメンテーションに特化して設計されたイノベーティブなアーキテクチャを提案する。 提案する設計では,従来の出力層を軽量なクラス固有のヘッド群に置き換える。 これらのヘッドは、新しく導入され、以前に学習されたクラスの独立した予測を可能にし、古いクラスに対する新しいクラスの影響を効果的に最小化する。
  論文  参考訳（メタデータ） (2023-06-01T17:59:57Z)
• Prompting Language-Informed Distribution for Compositional Zero-Shot Learning [73.49852821602057]
  合成ゼロショット学習(CZSL)タスクは、目に見えない合成視覚概念を認識することを目的としている。 本稿では,タスクに対して言語インフォームド分布(PLID)を指示するモデルを提案する。 MIT-States、UT-Zappos、C-GQAデータセットの実験結果は、PLIDの先行技術よりも優れた性能を示している。
  論文  参考訳（メタデータ） (2023-05-23T18:00:22Z)
• Learning with Explicit Shape Priors for Medical Image Segmentation [17.110893665132423]
  UNetモデルにおけるセグメント化性能を向上させるために,新しい形状先行モジュール(SPM)を提案する。 明示的な形状の先行は、大域的および局所的な形状の先行から成っている。 提案手法は最先端の性能を実現する。
  論文  参考訳（メタデータ） (2023-03-31T11:12:35Z)
• ConCL: Concept Contrastive Learning for Dense Prediction Pre-training in Pathology Images [47.43840961882509]
  自己教師型学習は、このようなアノテーションの多いタスクにアピールする。 病理画像における高密度予測タスクのためのSSLメソッドのベンチマークを最初に行った。 本研究では,高密度事前学習のためのSSLフレームワークであるコントラスト学習(ConCL)を提案する。
  論文  参考訳（メタデータ） (2022-07-14T08:38:17Z)
• PGL: Prior-Guided Local Self-supervised Learning for 3D Medical Image Segmentation [87.50205728818601]
  本稿では,潜在特徴空間における局所的一貫性を学習するPGL(PresideedGuided Local)自己教師モデルを提案する。 我々のPGLモデルは、局所領域の特異な表現を学習し、したがって構造情報を保持できる。
  論文  参考訳（メタデータ） (2020-11-25T11:03:11Z)
• Embedding Task Knowledge into 3D Neural Networks via Self-supervised Learning [21.902313057142905]
  自己教師付き学習(SSL)は、アノテーション付きデータの潜在的な解決策である。 我々は,3次元医用画像分類,すなわちタスク関連コントラスト予測符号化(TCPC)のための新しいSSL手法を提案する。 TCPCは、タスク知識を3Dニューラルネットワークのトレーニングに組み込む。
  論文  参考訳（メタデータ） (2020-06-10T12:37:39Z)

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。