論文の概要: MultiCo3D: Multi-Label Voxel Contrast for One-Shot Incremental Segmentation of 3D Neuroimages

• arxiv url: http://arxiv.org/abs/2503.06598v1
• Date: Sun, 09 Mar 2025 13:06:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-11 15:48:47.031606
• Title: MultiCo3D: Multi-Label Voxel Contrast for One-Shot Incremental Segmentation of 3D Neuroimages
• Title（参考訳）: MultiCo3D:3次元脳画像の1ショットインクリメンタルセグメンテーションのためのマルチラベルボクセルコントラスト
• Authors: Hao Xu, Tengfei Xue, Dongnan Liu, Yuqian Chen, Fan Zhang, Carl-Fredrik Westin, Ron Kikinis, Lauren J. O'Donnell, Weidong Cai,
• Abstract要約: 3Dニューロイメージングは、脳の構造と機能に関する包括的なビューを提供し、正確な局在化と機能的な接続解析を支援する。 ワンショットクラスインクリメンタルセマンティック(One-shot Class Incremental Semantic、OCIS)は、1つのサンプルのみを使用して新しいクラスをセグメンテーションすることを指す。 単発クラスインクリメンタルトラクションセグメンテーションのためのMultiCo3Dと呼ばれる新しいマルチラベルボクセルコントラストフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 12.060313392970695
• License:
• Abstract: 3D neuroimages provide a comprehensive view of brain structure and function, aiding in precise localization and functional connectivity analysis. Segmentation of white matter (WM) tracts using 3D neuroimages is vital for understanding the brain's structural connectivity in both healthy and diseased states. One-shot Class Incremental Semantic Segmentation (OCIS) refers to effectively segmenting new (novel) classes using only a single sample while retaining knowledge of old (base) classes without forgetting. Voxel-contrastive OCIS methods adjust the feature space to alleviate the feature overlap problem between the base and novel classes. However, since WM tract segmentation is a multi-label segmentation task, existing single-label voxel contrastive-based methods may cause inherent contradictions. To address this, we propose a new multi-label voxel contrast framework called MultiCo3D for one-shot class incremental tract segmentation. Our method utilizes uncertainty distillation to preserve base tract segmentation knowledge while adjusting the feature space with multi-label voxel contrast to alleviate feature overlap when learning novel tracts and dynamically weighting multi losses to balance overall loss. We compare our method against several state-of-the-art (SOTA) approaches. The experimental results show that our method significantly enhances one-shot class incremental tract segmentation accuracy across five different experimental setups on HCP and Preto datasets.
• Abstract（参考訳）: 3Dニューロイメージングは、脳の構造と機能に関する包括的なビューを提供し、正確な局在化と機能的な接続解析を支援する。 ホワイトマター(WM)の3次元神経画像による領域分割は、健康状態と疾患状態の両方における脳の構造的接続を理解する上で不可欠である。 One-shot Class Incremental Semantic Segmentation (OCIS)は、古い(ベース)クラスの知識を忘れずに、単一のサンプルのみを使用して、新しい(ノーベル)クラスを効果的にセグメンテーションすることを指す。 Voxel-Contrastive OCIS法は,基本クラスと新クラスの重複問題を緩和するために特徴空間を調整する。 しかしながら、WMトラクションセグメンテーションはマルチラベルセグメンテーションタスクであるため、既存のシングルラベルボクセルコントラストベースの手法は固有の矛盾を引き起こす可能性がある。 そこで本研究では,単発クラスインクリメンタルトラクションセグメンテーションのためのマルチラベルコントラストフレームワークであるMultiCo3Dを提案する。 提案手法は, 新規なトラクション学習時の特徴重なりを緩和し, 多損失を動的に重み付けし, 全体的な損失のバランスを保ちながら, 基本トラクションのセグメンテーション知識を保ちつつ, 特徴空間を多ラベルボクセルで調整する。 提案手法をいくつかのSOTA(State-of-the-art)アプローチと比較する。 実験結果から,HCPデータセットとPretoデータセットの5種類の実験装置において,単発クラスインクリメンタルトラクションセグメンテーションの精度が有意に向上することが示唆された。

関連論文リスト

• Leveraging Labelled Data Knowledge: A Cooperative Rectification Learning Network for Semi-supervised 3D Medical Image Segmentation [27.94353306813293]
  半教師付き3次元医用画像セグメンテーションは,少ないラベル付きデータと多数の非ラベル付きデータを用いて正確なセグメンテーションを実現することを目的としている。 半教師付き学習法の設計における主な課題は、学習に未学習データを効果的に活用することである。 一貫性学習戦略のための高品質な擬似ラベルを作成するための新しい手法を提案する。
  論文  参考訳（メタデータ） (2025-02-17T05:29:50Z)
• SGTC: Semantic-Guided Triplet Co-training for Sparsely Annotated Semi-Supervised Medical Image Segmentation [12.168303995947795]
  本稿では,セマンティックガイド三重項協調学習フレームワークを提案する。 数個のボリュームサンプルの3つのスライスに注釈を付けるだけで、ハイエンドな医用画像セグメンテーションを実現する。 本手法は,スパースアノテーション設定下において,最先端の半教師付き手法よりも優れた性能を示す。
  論文  参考訳（メタデータ） (2024-12-20T03:31:33Z)
• Low-Contrast-Enhanced Contrastive Learning for Semi-Supervised Endoscopic Image Segmentation [5.70832160492074]
  低コントラスト強化コントラスト学習(LCC)によるLoCoと呼ばれる新しい半教師付きセグメンテーションフレームワークを提案する。 LCCは2つの高度な戦略を取り入れ、低コントラスト画素の特異性を高め、悪性腫瘍、良性腫瘍、正常な組織に低コントラスト画素を分割することができる。 LoCoは最先端の結果を達成し、従来の方法よりも大幅に上回っている。
  論文  参考訳（メタデータ） (2024-12-03T09:31:16Z)
• Towards Modality-agnostic Label-efficient Segmentation with Entropy-Regularized Distribution Alignment [62.73503467108322]
  この話題は、3次元の点雲のセグメンテーションで広く研究されている。 近年まで、擬似ラベルは、限られた地道ラベルによる訓練を容易にするために広く用いられてきた。 既存の擬似ラベリングアプローチは、重複しないデータのノイズやバリエーションに悩まされる可能性がある。 本研究では,学習用擬似ラベルを正規化し,擬似ラベルとモデル予測とのギャップを効果的に狭める学習戦略を提案する。
  論文  参考訳（メタデータ） (2024-08-29T13:31:15Z)
• Dual-scale Enhanced and Cross-generative Consistency Learning for Semi-supervised Medical Image Segmentation [49.57907601086494]
  医用画像のセグメンテーションはコンピュータ支援診断において重要な役割を担っている。 半教師型医用画像(DEC-Seg)のための新しいDual-scale Enhanced and Cross-generative consistency learning frameworkを提案する。
  論文  参考訳（メタデータ） (2023-12-26T12:56:31Z)
• Two Approaches to Supervised Image Segmentation [55.616364225463066]
  本研究は、深層学習とマルチセットニューロンのアプローチの比較実験を開発する。 ディープラーニングアプローチは、画像セグメンテーションの実行の可能性を確認した。 代替のマルチセット手法では、計算資源をほとんど必要とせずに精度を向上することができた。
  論文  参考訳（メタデータ） (2023-07-19T16:42:52Z)
• Multi-Scale Cross Contrastive Learning for Semi-Supervised Medical Image Segmentation [14.536384387956527]
  医用画像の構造を分割するマルチスケールクロススーパービジョンコントラスト学習フレームワークを開発した。 提案手法は,頑健な特徴表現を抽出するために,地上構造と横断予測ラベルに基づくマルチスケール特徴と対比する。 Diceでは最先端の半教師あり手法を3.0%以上上回っている。
  論文  参考訳（メタデータ） (2023-06-25T16:55:32Z)
• 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)
• Two-Stream Graph Convolutional Network for Intra-oral Scanner Image Segmentation [133.02190910009384]
  本稿では,2ストリームグラフ畳み込みネットワーク(TSGCN)を提案する。 TSGCNは3次元歯(表面)セグメンテーションにおいて最先端の方法よりも優れています。
  論文  参考訳（メタデータ） (2022-04-19T10:41:09Z)
• Multi-scale and Cross-scale Contrastive Learning for Semantic Segmentation [5.281694565226513]
  セグメンテーションネットワークによって抽出されたマルチスケール特徴の識別能力を高めるために,コントラスト学習を適用した。 まず、エンコーダのマルチスケール表現を共通の特徴空間にマッピングすることにより、教師付き局所言語制約の新しい形式をインスタンス化する。
  論文  参考訳（メタデータ） (2022-03-25T01:24:24Z)
• Unsupervised Domain Adaptation with Contrastive Learning for OCT Segmentation [49.59567529191423]
  本稿では,新しい未ラベル領域からのボリューム画像のセグメンテーションのための,新しい半教師付き学習フレームワークを提案する。 教師付き学習とコントラスト学習を併用し、3次元の近傍スライス間の類似性を利用したコントラストペア方式を導入する。
  論文  参考訳（メタデータ） (2022-03-07T19:02:26Z)

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。