論文の概要: Segmentation-Aware Generative Reinforcement Network (GRN) for Tissue Layer Segmentation in 3-D Ultrasound Images for Chronic Low-back Pain (cLBP) Assessment

• arxiv url: http://arxiv.org/abs/2501.17690v1
• Date: Wed, 29 Jan 2025 14:58:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-30 15:54:58.280977
• Title: Segmentation-Aware Generative Reinforcement Network (GRN) for Tissue Layer Segmentation in 3-D Ultrasound Images for Chronic Low-back Pain (cLBP) Assessment
• Title（参考訳）: 慢性腰痛(cLBP)評価のための3次元超音波画像における組織層セグメンテーションのためのセグメンテーション・アウェア・ジェネレーション・強化ネットワーク(GRN)
• Authors: Zixue Zeng, Xiaoyan Zhao, Matthew Cartier, Tong Yu, Jing Wang, Xin Meng, Zhiyu Sheng, Maryam Satarpour, John M Cormack, Allison Bean, Ryan Nussbaum, Maya Maurer, Emily Landis-Walkenhorst, Dinesh Kumbhare, Kang Kim, Ajay Wasan, Jiantao Pu,
• Abstract要約: 生成強化ネットワーク(GRN)と呼ばれる新しいセグメンテーション対応ジョイントトレーニングフレームワークについて紹介する。 GRNはセグメンテーション損失フィードバックを統合し、画像生成とセグメンテーションのパフォーマンスを1段階で最適化する。 サンプル効率学習用GRN(GRN-SEL)と半教師付き学習用GRN(GRN-SSL)の2種類も開発されている。
• 参考スコア（独自算出の注目度）: 11.48510074298042
• License:
• Abstract: We introduce a novel segmentation-aware joint training framework called generative reinforcement network (GRN) that integrates segmentation loss feedback to optimize both image generation and segmentation performance in a single stage. An image enhancement technique called segmentation-guided enhancement (SGE) is also developed, where the generator produces images tailored specifically for the segmentation model. Two variants of GRN were also developed, including GRN for sample-efficient learning (GRN-SEL) and GRN for semi-supervised learning (GRN-SSL). GRN's performance was evaluated using a dataset of 69 fully annotated 3D ultrasound scans from 29 subjects. The annotations included six anatomical structures: dermis, superficial fat, superficial fascial membrane (SFM), deep fat, deep fascial membrane (DFM), and muscle. Our results show that GRN-SEL with SGE reduces labeling efforts by up to 70% while achieving a 1.98% improvement in the Dice Similarity Coefficient (DSC) compared to models trained on fully labeled datasets. GRN-SEL alone reduces labeling efforts by 60%, GRN-SSL with SGE decreases labeling requirements by 70%, and GRN-SSL alone by 60%, all while maintaining performance comparable to fully supervised models. These findings suggest the effectiveness of the GRN framework in optimizing segmentation performance with significantly less labeled data, offering a scalable and efficient solution for ultrasound image analysis and reducing the burdens associated with data annotation.
• Abstract（参考訳）: 生成強化ネットワーク(GRN)と呼ばれる新しいセグメンテーション対応のジョイントトレーニングフレームワークを導入し,セグメンテーション損失フィードバックを統合し,画像生成とセグメンテーション性能を1段階で最適化する。 分割誘導強調法 (SGE) と呼ばれる画像強調技術も開発され, 分割モデルに特化された画像を生成する。 GRNはサンプル効率学習用(GRN-SEL)と半教師あり学習用(GRN-SSL)の2種類が開発された。 GRNの性能は29名の被験者の69個の全注3D超音波スキャンを用いて評価した。 注釈には,皮膚,表皮脂肪,表皮筋膜(SFM),深部脂肪,深部筋膜(DFM),筋肉の6つの解剖学的構造が含まれていた。 SGEを用いたGRN-SELは、完全ラベル付きデータセットでトレーニングされたモデルと比較して、Dice similarity Coefficient(DSC)の1.98%の改善を達成しつつ、ラベル付けの労力を最大70%削減できることを示す。 GRN-SELだけでラベル作成の労力を60%削減し、SGEを使用したGRN-SSLは70%削減し、GRN-SSLは60%削減した。 これらの結果から,GRNフレームワークによるラベル付きデータによるセグメンテーション性能の最適化の有効性が示唆され,超音波画像解析のためのスケーラブルで効率的なソリューションが提供され,データアノテーションに関連する負担を軽減することが示唆された。

関連論文リスト

• ShapeSplat: A Large-scale Dataset of Gaussian Splats and Their Self-Supervised Pretraining [104.34751911174196]
  ShapeNetとModelNetを用いた大規模3DGSデータセットを構築した。 データセットのShapeSplatは、87のユニークなカテゴリから65Kのオブジェクトで構成されています。 textbftextitGaussian-MAEを導入し、ガウスパラメータからの表現学習の独特な利点を強調した。
  論文  参考訳（メタデータ） (2024-08-20T14:49:14Z)
• Pseudo Label-Guided Data Fusion and Output Consistency for Semi-Supervised Medical Image Segmentation [9.93871075239635]
  より少ないアノテーションで医用画像のセグメンテーションを行うための平均教師ネットワーク上に構築されたPLGDFフレームワークを提案する。 本稿では,ラベル付きデータとラベルなしデータを組み合わせてデータセットを効果的に拡張する,新しい擬似ラベル利用方式を提案する。 本フレームワークは,最先端の6つの半教師あり学習手法と比較して,優れた性能が得られる。
  論文  参考訳（メタデータ） (2023-11-17T06:36:43Z)
• SynergyNet: Bridging the Gap between Discrete and Continuous Representations for Precise Medical Image Segmentation [4.562266115935329]
  既存のエンコーダ/デコーダセグメンテーションフレームワークを強化するために設計された新しいボトルネックアーキテクチャであるSynergyNetを提案する。 マルチオーガナイズドセグメンテーションと心的データセットを用いた実験により,SynergyNetが他の技術手法よりも優れていることが示された。 我々の革新的なアプローチは、医用画像解析の重要な領域において、ディープラーニングモデルの全体的な性能と能力を高める方法である。
  論文  参考訳（メタデータ） (2023-10-26T20:13:44Z)
• 3D PETCT Tumor Lesion Segmentation via GCN Refinement [4.929126432666667]
  グラフ畳み込みニューラルネットワーク(GCN)に基づく後処理手法を提案する。 MICCIA2022 autoPET ChallengeにおいてPET/CTデータセットの腫瘍分画実験を行った。 実験結果から, nnUNet-GCNの改良により偽陽性率が効果的に減少することが示唆された。
  論文  参考訳（メタデータ） (2023-02-24T10:52:08Z)
• 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)
• Generative Adversarial Networks for Weakly Supervised Generation and Evaluation of Brain Tumor Segmentations on MR Images [0.0]
  本研究は2次元磁気共鳴画像におけるセグメント異常に対する弱教師付きアプローチを示す。 我々は,癌画像を健全な変種に変換するGAN(Generative Adversarial Network)を訓練する。 非共役な変種は、弱監督的な方法で分割を評価するためにも用いられる。
  論文  参考訳（メタデータ） (2022-11-10T00:04:46Z)
• Weakly-supervised Learning For Catheter Segmentation in 3D Frustum Ultrasound [74.22397862400177]
  超音波を用いた新しいカテーテルセグメンテーション法を提案する。 提案手法は,1ボリュームあたり0.25秒の効率で最先端の性能を実現した。
  論文  参考訳（メタデータ） (2020-10-19T13:56:22Z)
• Pairwise Relation Learning for Semi-supervised Gland Segmentation [90.45303394358493]
  病理組織像における腺分節に対するPRS2モデルを提案する。 このモデルはセグメンテーションネットワーク(S-Net)とペア関係ネットワーク(PR-Net)から構成される。 我々は,GlaSデータセットの最近の5つの手法とCRAGデータセットの最近の3つの手法を比較した。
  論文  参考訳（メタデータ） (2020-08-06T15:02:38Z)
• A Global Benchmark of Algorithms for Segmenting Late Gadolinium-Enhanced Cardiac Magnetic Resonance Imaging [90.29017019187282]
  現在世界最大の心臓LGE-MRIデータセットである154個の3D LGE-MRIを用いた「2018 left Atrium Challenge」。 技術および生物学的指標を用いた提案アルゴリズムの解析を行った。 その結果, 最上部法は93.2%, 平均表面は0.7mmであった。
  論文  参考訳（メタデータ） (2020-04-26T08:49:17Z)
• Convolutional Neural Networks based automated segmentation and labelling of the lumbar spine X-ray [0.0]
  本研究の目的は, 腰椎X線を手動で付加した730個の椎間板にトレーニングした, 異なるセグメンテーションネットワークのセグメンテーション精度について検討することである。 セグメンテーションネットワークはセグメンテーションネットワークと比較された。
  論文  参考訳（メタデータ） (2020-04-04T20:15:03Z)
• Pathological Retinal Region Segmentation From OCT Images Using Geometric Relation Based Augmentation [84.7571086566595]
  本稿では,幾何学と形状の内在的関係を共同で符号化することで,従来のGANベースの医用画像合成法よりも優れた手法を提案する。 提案手法は,取得手順の異なる画像を有する公開RETOUCHデータセット上で,最先端のセグメンテーション手法より優れている。
  論文  参考訳（メタデータ） (2020-03-31T11:50:43Z)

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。