論文の概要: GIGP: A Global Information Interacting and Geometric Priors Focusing Framework for Semi-supervised Medical Image Segmentation

• arxiv url: http://arxiv.org/abs/2503.09355v1
• Date: Wed, 12 Mar 2025 12:59:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-13 15:39:08.798297
• Title: GIGP: A Global Information Interacting and Geometric Priors Focusing Framework for Semi-supervised Medical Image Segmentation
• Title（参考訳）: GIGP: 半教師型医用画像分割のためのグローバル情報対話と幾何学的優先フレームワーク
• Authors: Lianyuan Yu, Xiuzhen Guo, Ji Shi, Hongxiao Wang, Hongwei Li,
• Abstract要約: 本稿では,ラベル付きデータとラベルなしデータの分散差を低減するため,グローバルインフォメーション・インタラクション・マンバ・モジュールを提案する。 次に,よりリッチなグローバルな幾何学的特徴を抽出するための幾何学的モーメント注意機構を提案する。 NIH PancreasとLeft Atriumデータセットの優れた性能は、我々のアプローチの有効性を示している。
• 参考スコア（独自算出の注目度）: 5.478311497235159
• License:
• Abstract: Semi-supervised learning enhances medical image segmentation by leveraging unlabeled data, reducing reliance on extensive labeled datasets. On the one hand, the distribution discrepancy between limited labeled data and abundant unlabeled data can hinder model generalization. Most existing methods rely on local similarity matching, which may introduce bias. In contrast, Mamba effectively models global context with linear complexity, learning more comprehensive data representations. On the other hand, medical images usually exhibit consistent anatomical structures defined by geometric features. Most existing methods fail to fully utilize global geometric priors, such as volumes, moments etc. In this work, we introduce a global information interaction and geometric priors focus framework (GIGP). Firstly, we present a Global Information Interaction Mamba module to reduce distribution discrepancy between labeled and unlabeled data. Secondly, we propose a Geometric Moment Attention Mechanism to extract richer global geometric features. Finally, we propose Global Geometric Perturbation Consistency to simulate organ dynamics and geometric variations, enhancing the ability of the model to learn generalized features. The superior performance on the NIH Pancreas and Left Atrium datasets demonstrates the effectiveness of our approach.
• Abstract（参考訳）: 半教師付き学習は、ラベルのないデータを活用することにより、医療画像のセグメンテーションを強化し、広範なラベル付きデータセットへの依存を減らす。 一方、限定ラベル付きデータと豊富なラベル付きデータとの分布差は、モデル一般化を妨げる可能性がある。 既存の手法の多くは局所的な類似性マッチングに依存しており、バイアスをもたらす可能性がある。 対照的に、Mambaはグローバルコンテキストを線形複雑性で効果的にモデル化し、より包括的なデータ表現を学習する。 一方、医用画像は通常、幾何学的特徴によって定義された一貫した解剖学的構造を示す。 既存の方法の多くは、ボリュームやモーメントなど、グローバルな幾何学的先入観を十分に活用できない。 本稿では,GIGP(Global Information Interaction and geometry priors Focus framework)を紹介する。 まず,ラベル付きデータとラベルなしデータとの分散差を低減するため,Global Information Interaction Mambaモジュールを提案する。 次に,よりリッチなグローバルな幾何学的特徴を抽出するための幾何学的モーメント注意機構を提案する。 最後に,臓器力学と幾何学的変動をシミュレートし,一般化された特徴を学習するモデルの能力を高めるグローバルな幾何学的摂動一貫性を提案する。 NIH PancreasとLeft Atriumデータセットの優れた性能は、我々のアプローチの有効性を示している。

関連論文リスト

• GeoMix: Towards Geometry-Aware Data Augmentation [76.09914619612812]
  Mixupは画像分類におけるラベル付き限られたデータによる課題の緩和にかなりの成功を収めている。 In-place graph editing を利用した簡易かつ解釈可能な混合手法 Geometric Mixup (GeoMix) を提案する。
  論文  参考訳（メタデータ） (2024-07-15T12:58:04Z)
• GeoWizard: Unleashing the Diffusion Priors for 3D Geometry Estimation from a Single Image [94.56927147492738]
  単一画像から幾何学的属性を推定するための新しい生成基盤モデルであるGeoWizardを紹介する。 拡散前処理の活用は,資源利用における一般化,詳細な保存,効率性を著しく向上させることが示唆された。 本稿では,様々なシーンの複雑なデータ分布を,個別のサブディストリビューションに分離する,シンプルかつ効果的な戦略を提案する。
  論文  参考訳（メタデータ） (2024-03-18T17:50:41Z)
• Hierarchical Aggregations for High-Dimensional Multiplex Graph Embedding [7.271256448682229]
  HMGEは高次元多重グラフの階層的アグリゲーションに基づく新しい埋め込み手法である。 我々は、ローカルパッチとグローバルサマリー間の相互情報を活用して、監督なしにモデルを訓練する。 合成および実世界のデータに関する詳細な実験は、下流監視タスクに対する我々のアプローチの適合性を示している。
  論文  参考訳（メタデータ） (2023-12-28T05:39:33Z)
• 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)
• Geometry Contrastive Learning on Heterogeneous Graphs [50.58523799455101]
  本稿では,幾何学コントラスト学習(Geometry Contrastive Learning, GCL)と呼ばれる,新しい自己指導型学習手法を提案する。 GCLはユークリッドと双曲的な視点からヘテロジニアスグラフを同時に見ることができ、リッチな意味論と複雑な構造をモデル化する能力の強い融合を目指している。 4つのベンチマークデータセットの大規模な実験は、提案手法が強いベースラインよりも優れていることを示している。
  論文  参考訳（メタデータ） (2022-06-25T03:54:53Z)
• Deep Relational Metric Learning [84.95793654872399]
  本稿では,画像クラスタリングと検索のためのディープリレーショナルメトリック学習フレームワークを提案する。 我々は、クラス間分布とクラス内分布の両方をモデル化するために、異なる側面から画像を特徴付ける特徴のアンサンブルを学ぶ。 広く使われているCUB-200-2011、Cars196、Stanford Online Productsデータセットの実験は、我々のフレームワークが既存の深層学習方法を改善し、非常に競争力のある結果をもたらすことを示した。
  論文  参考訳（メタデータ） (2021-08-23T09:31:18Z)
• Multi-modal Entity Alignment in Hyperbolic Space [13.789898717291251]
  ハイパボリック・マルチモーダル・エンティティアライメント(HMEA)の新たな多モード・エンティティアライメント手法を提案する。 まず、ハイパーボリックグラフ畳み込みネットワーク(HGCN)を用いて、エンティティの構造表現を学習する。 次に、双曲空間の構造と視覚表現を組み合わせて、集約された埋め込みを用いて潜在的なアライメントの結果を予測する。
  論文  参考訳（メタデータ） (2021-06-07T13:45:03Z)
• MoCL: Contrastive Learning on Molecular Graphs with Multi-level Domain Knowledge [28.386302970315736]
  そこで我々は,表現学習を支援するために,地域レベルとグローバルレベルの両方でドメイン知識を利用するMoCLという新しいフレームワークを提案する。 我々は, 線形および半教師付き条件下で, 種々の分子データセット上でMoCLを評価する。
  論文  参考訳（メタデータ） (2021-06-05T18:00:51Z)
• Graph Geometry Interaction Learning [41.10468385822182]
  本研究では,グラフにおける豊富な幾何学的特性を学習するための,グラフの幾何学的相互作用学習(GIL)手法を開発した。 提案手法は,各ノードに,フレキシブルな二重特徴量相互作用学習と確率組立機構を通じて,各幾何学空間の重要性を決定する自由を与える。 ノード分類とリンク予測タスクに関する5つのベンチマークデータセットについて,実験結果を示す。
  論文  参考訳（メタデータ） (2020-10-23T02:40:28Z)
• Modeling Shared Responses in Neuroimaging Studies through MultiView ICA [94.31804763196116]
  被験者の大規模なコホートを含むグループ研究は、脳機能組織に関する一般的な結論を引き出す上で重要である。 グループ研究のための新しい多視点独立成分分析モデルを提案し、各被験者のデータを共有独立音源と雑音の線形結合としてモデル化する。 まず、fMRIデータを用いて、被験者間の共通音源の同定における感度の向上を示す。
  論文  参考訳（メタデータ） (2020-06-11T17:29:53Z)

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。