論文の概要: DEPT: Deep Extreme Point Tracing for Ultrasound Image Segmentation

• arxiv url: http://arxiv.org/abs/2503.15260v1
• Date: Wed, 19 Mar 2025 14:32:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-20 15:23:19.330464
• Title: DEPT: Deep Extreme Point Tracing for Ultrasound Image Segmentation
• Title（参考訳）: DEPT:超音波画像分割のための深部極点追跡
• Authors: Lei Shi, Xi Fang, Naiyu Wang, Junxing Zhang,
• Abstract要約: 超音波画像分割のための特徴誘導極点マスキング(FGEPM)アルゴリズムと統合したDeep Extreme Point Tracing(DEPT)を導入する。 提案手法は,特徴写像に基づくコスト行列上の極端点を接続する最小コストパスを同定し,擬似ラベルを生成する。
• 参考スコア（独自算出の注目度）: 4.840123311457789
• License:
• Abstract: Automatic medical image segmentation plays a crucial role in computer aided diagnosis. However, fully supervised learning approaches often require extensive and labor-intensive annotation efforts. To address this challenge, weakly supervised learning methods, particularly those using extreme points as supervisory signals, have the potential to offer an effective solution. In this paper, we introduce Deep Extreme Point Tracing (DEPT) integrated with Feature-Guided Extreme Point Masking (FGEPM) algorithm for ultrasound image segmentation. Notably, our method generates pseudo labels by identifying the lowest-cost path that connects all extreme points on the feature map-based cost matrix. Additionally, an iterative training strategy is proposed to refine pseudo labels progressively, enabling continuous network improvement. Experimental results on two public datasets demonstrate the effectiveness of our proposed method. The performance of our method approaches that of the fully supervised method and outperforms several existing weakly supervised methods.
• Abstract（参考訳）: 自動画像分割はコンピュータ診断において重要な役割を担っている。 しかし、完全な教師付き学習アプローチは、広範囲で労働集約的なアノテーションの努力を必要とすることが多い。 この課題に対処するためには、弱い教師付き学習方法、特に極端点を監督信号として使用するものは、効果的な解決策を提供する可能性がある。 本稿では,Deep Extreme Point Tracing (DEPT) とFeature-Guided Extreme Point Masking (FGEPM) を併用した超音波画像分割法を提案する。 特に,提案手法は,特徴写像に基づくコスト行列上の極端点を接続する最小のコストパスを同定することにより,擬似ラベルを生成する。 さらに、擬似ラベルを段階的に洗練し、連続的なネットワーク改善を可能にする反復的トレーニング戦略が提案されている。 2つの公開データセットに対する実験結果から,提案手法の有効性が示された。 提案手法の性能は, 完全教師付き手法に近づき, 既存の弱教師付き手法より優れる。

関連論文リスト

• Deep Spectral Methods for Unsupervised Ultrasound Image Interpretation [53.37499744840018]
  本稿では, 超音波を応用した非教師型深層学習手法を提案する。 我々は、スペクトルグラフ理論と深層学習法を組み合わせた教師なしディープスペクトル法から重要な概念を統合する。 スペクトルクラスタリングの自己教師型トランスフォーマー機能を利用して、超音波特有のメトリクスと形状と位置の先行値に基づいて意味のあるセグメントを生成し、データセット間のセマンティック一貫性を確保する。
  論文  参考訳（メタデータ） (2024-08-04T14:30:14Z)
• Enhancing Weakly Supervised 3D Medical Image Segmentation through Probabilistic-aware Learning [52.249748801637196]
  3次元医用画像のセグメンテーションは、疾患の診断と治療計画に重要な意味を持つ課題である。 近年の深層学習の進歩は、完全に教師付き医療画像のセグメンテーションを著しく強化している。 本稿では,3次元医用画像に特化して設計された,確率的適応型弱教師付き学習パイプラインを提案する。
  論文  参考訳（メタデータ） (2024-03-05T00:46:53Z)
• gcDLSeg: Integrating Graph-cut into Deep Learning for Binary Semantic Segmentation [14.643505343450897]
  エンドツーエンド学習のためのディープラーニングネットワークにグラフカットアプローチを統合することを提案する。 推論フェーズでは、最適化画像の特徴に基づいて定義されたグラフカットエネルギーに対して、大域的最適セグメンテーションが達成される。
  論文  参考訳（メタデータ） (2023-12-07T21:43:43Z)
• CV-Attention UNet: Attention-based UNet for 3D Cerebrovascular Segmentation of Enhanced TOF-MRA Images [2.2265536092123006]
  脳血管画像の正確な抽出にはCV-AttentionUNetと呼ばれる3次元脳血管注意UNet法を提案する。 低と高のセマンティクスを組み合わせるために,注意機構を適用した。 このアルゴリズムの新規性は、ラベル付きデータとラベルなしデータの両方でうまく機能する能力にあると考えています。
  論文  参考訳（メタデータ） (2023-11-16T22:31:05Z)
• Adaptive Semi-Supervised Segmentation of Brain Vessels with Ambiguous Labels [63.415444378608214]
  提案手法は, 進歩的半教師付き学習, 適応的学習戦略, 境界拡張など, 革新的な手法を取り入れたものである。 3DRAデータセットによる実験結果から,メッシュベースのセグメンテーション指標を用いて,本手法の優位性を示す。
  論文  参考訳（メタデータ） (2023-08-07T14:16:52Z)
• Paced-Curriculum Distillation with Prediction and Label Uncertainty for Image Segmentation [25.20877071896899]
  カリキュラム学習では、まず簡単なサンプルをトレーニングし、徐々に困難を増すことが考えられている。 自己ペースト学習では、ペアリング関数はトレーニングの進捗に適応する速度を定義する。 医用画像セグメンテーションのための新しいペースドキュリキュラム蒸留法(PCD)を開発した。
  論文  参考訳（メタデータ） (2023-02-02T12:24:14Z)
• PCA: Semi-supervised Segmentation with Patch Confidence Adversarial Training [52.895952593202054]
  医用画像セグメンテーションのためのPatch Confidence Adrial Training (PCA) と呼ばれる半教師付き対向法を提案する。 PCAは各パッチの画素構造とコンテキスト情報を学習し、十分な勾配フィードバックを得る。 本手法は, 医用画像のセグメンテーションにおいて, 最先端の半教師付き手法より優れており, その有効性を示している。
  論文  参考訳（メタデータ） (2022-07-24T07:45:47Z)
• Scribble-Supervised Medical Image Segmentation via Dual-Branch Network and Dynamically Mixed Pseudo Labels Supervision [15.414578073908906]
  単純で効率的なスクリブル教師付き画像分割法を提案し,それを心臓MRIセグメント化に適用する。 このスクリブル・インスペクションと補助擬似ラベル・インスペクションを組み合わせることで、デュアルブランチ・ネットワークは、スクリブル・アノテーションからエンドツーエンドまで効率的に学習することができる。
  論文  参考訳（メタデータ） (2022-03-04T02:50:30Z)
• Every Annotation Counts: Multi-label Deep Supervision for Medical Image Segmentation [85.0078917060652]
  この障壁を克服する半弱教師付きセグメンテーションアルゴリズムを提案する。 このアプローチは,深層指導と生徒・教師モデルの新しい定式化に基づいている。 我々の新しいセグメンテーションのトレーニング体制は、完全にラベル付けされ、バウンディングボックスでマークされた画像、単にグローバルラベル、あるいは全くないイメージを柔軟に活用することで、高価なラベルの要件を94.22%削減することができる。
  論文  参考訳（メタデータ） (2021-04-27T14:51:19Z)
• Deep Semi-supervised Knowledge Distillation for Overlapping Cervical Cell Instance Segmentation [54.49894381464853]
  本稿では, ラベル付きデータとラベルなしデータの両方を, 知識蒸留による精度向上に活用することを提案する。 摂動に敏感なサンプルマイニングを用いたマスク誘導型平均教師フレームワークを提案する。 実験の結果,ラベル付きデータのみから学習した教師付き手法と比較して,提案手法は性能を著しく向上することがわかった。
  論文  参考訳（メタデータ） (2020-07-21T13:27:09Z)

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。