論文の概要: MedCL: Learning Consistent Anatomy Distribution for Scribble-supervised Medical Image Segmentation

• arxiv url: http://arxiv.org/abs/2503.22890v1
• Date: Fri, 28 Mar 2025 21:41:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-01 14:36:15.389393
• Title: MedCL: Learning Consistent Anatomy Distribution for Scribble-supervised Medical Image Segmentation
• Title（参考訳）: MedCL:Scribble-supervised Medical Image Segmentationのための一貫した解剖分布の学習
• Authors: Ke Zhang, Vishal M. Patel,
• Abstract要約: 医用ラベルの固有の解剖学的分布を学習するために, MedCL と呼ばれるスクリブル制御クラスタリングに基づくフレームワークを提案する。 SAM と UNet のバックボーンをベースとした MedCL を実装し,正規構造(MSCMRseg),多臓器(BTCV),不整形(MyoPS)の3つのオープンデータセットの性能評価を行った。
• 参考スコア（独自算出の注目度）: 32.19827368497988
• License:
• Abstract: Curating large-scale fully annotated datasets is expensive, laborious, and cumbersome, especially for medical images. Several methods have been proposed in the literature that make use of weak annotations in the form of scribbles. However, these approaches require large amounts of scribble annotations, and are only applied to the segmentation of regular organs, which are often unavailable for the disease species that fall in the long-tailed distribution. Motivated by the fact that the medical labels have anatomy distribution priors, we propose a scribble-supervised clustering-based framework, called MedCL, to learn the inherent anatomy distribution of medical labels. Our approach consists of two steps: i) Mix the features with intra- and inter-image mix operations, and ii) Perform feature clustering and regularize the anatomy distribution at both local and global levels. Combined with a small amount of weak supervision, the proposed MedCL is able to segment both regular organs and challenging irregular pathologies. We implement MedCL based on SAM and UNet backbones, and evaluate the performance on three open datasets of regular structure (MSCMRseg), multiple organs (BTCV) and irregular pathology (MyoPS). It is shown that even with less scribble supervision, MedCL substantially outperforms the conventional segmentation methods. Our code is available at https://github.com/BWGZK/MedCL.
• Abstract（参考訳）: 大規模な完全注釈付きデータセットの計算は、特に医療画像の場合、費用がかかり、手間がかかり、面倒である。 弱いアノテーションをスクリブルの形で利用するいくつかの方法が文献で提案されている。 しかし、これらのアプローチは大量のスクリブルアノテーションを必要とし、通常臓器の分節にのみ適用され、長い尾の分布に該当する疾患種には利用できないことが多い。 医用ラベルに解剖学的分布が先行しているという事実に触発されて,医用ラベルに固有の解剖学的分布を学習するためのスクリブル制御クラスタリングベースのフレームワークであるMedCLを提案する。 私たちのアプローチは2つのステップで構成されています。 一 画像内及び画像間混合操作に特徴を混ぜて、 二 特徴クラスタリングを行い、局所的及び大域的に解剖分布を調整すること。 少量の弱い監督と組み合わせることで、提案されたMedCLは正常な臓器と不規則な病理の両方を分離することができる。 SAMとUNetのバックボーンをベースとしたMedCLを実装し,正規構造(MSCMRseg),複数臓器(BTCV),不規則病理(MyoPS)の3つのオープンデータセットの性能評価を行った。 MedCLは、スクリブルの監督が少ないにもかかわらず、従来のセグメンテーション法よりも大幅に優れていることが示されている。 私たちのコードはhttps://github.com/BWGZK/MedCLで利用可能です。

関連論文リスト

• 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)
• MedCLIP-SAMv2: Towards Universal Text-Driven Medical Image Segmentation [2.2585213273821716]
  MedCLIP-SAMv2はCLIPとSAMモデルを統合して臨床スキャンのセグメンテーションを行う新しいフレームワークである。 提案手法は,DHN-NCE(Decoupled Hard Negative Noise Contrastive Estimation)によるBiomedCLIPモデルの微調整を含む。 また,ゼロショットセグメンテーションラベルを弱教師付きパラダイム内で使用することにより,セグメンテーション品質をさらに向上する。
  論文  参考訳（メタデータ） (2024-09-28T23:10:37Z)
• MedCLIP-SAM: Bridging Text and Image Towards Universal Medical Image Segmentation [2.2585213273821716]
  本稿では,CLIPモデルとSAMモデルを組み合わせて臨床スキャンのセグメンテーションを生成する新しいフレームワーク MedCLIP-SAM を提案する。 3つの多様なセグメンテーションタスクと医用画像モダリティを広範囲にテストすることにより、提案手法は優れた精度を示した。
  論文  参考訳（メタデータ） (2024-03-29T15:59:11Z)
• 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)
• Inherent Consistent Learning for Accurate Semi-supervised Medical Image Segmentation [30.06702813637713]
  頑健なセマンティックなカテゴリー表現を学習するための新しい一貫性のある一貫性学習法を提案する。 提案手法は,特に注釈付きデータの数が極端に限られている場合,最先端の手法よりも優れる。
  論文  参考訳（メタデータ） (2023-03-24T17:38:03Z)
• Learning Inductive Attention Guidance for Partially Supervised Pancreatic Ductal Adenocarcinoma Prediction [73.96902906734522]
  膵管腺癌(PDAC)は、アメリカ合衆国で3番目に多いがん死の原因である。 本稿では,全てのトレーニングデータに対して安価な画像レベルのアノテーションが提供され,それらのサブセットに対してのみ,コストのかかるvoxelアノテーションが利用可能となる,部分教師付き設定について考察する。 Inductive Attention Guidance Network (IAG-Net) を提案し、通常の/PDAC分類のためのグローバル画像レベルの分類器と半教師付きPDAC分類のためのローカルボクセルレベルの分類器を共同で学習する。
  論文  参考訳（メタデータ） (2021-05-31T08:16:09Z)
• Few-shot Medical Image Segmentation using a Global Correlation Network with Discriminative Embedding [60.89561661441736]
  医療画像分割のための新しい手法を提案する。 深層畳み込みネットワークを用いた数ショット画像セグメンタを構築します。 深層埋め込みの識別性を高め,同一クラスの特徴領域のクラスタリングを促進する。
  論文  参考訳（メタデータ） (2020-12-10T04:01:07Z)
• A Teacher-Student Framework for Semi-supervised Medical Image Segmentation From Mixed Supervision [62.4773770041279]
  そこで我々は,臓器と病変のセグメンテーションのための教師と学生のスタイルに基づくセミ教師付き学習フレームワークを開発した。 我々は,本モデルがバウンディングボックスの品質に対して堅牢であることを示し,フル教師付き学習手法と比較した性能を実現する。
  論文  参考訳（メタデータ） (2020-10-23T07:58:20Z)
• Towards Cross-modality Medical Image Segmentation with Online Mutual Knowledge Distillation [71.89867233426597]
  本稿では,あるモダリティから学習した事前知識を活用し,別のモダリティにおけるセグメンテーション性能を向上させることを目的とする。 モーダル共有知識を徹底的に活用する新しい相互知識蒸留法を提案する。 MMWHS 2017, MMWHS 2017 を用いた多クラス心筋セグメンテーション実験の結果, CT セグメンテーションに大きな改善が得られた。
  論文  参考訳（メタデータ） (2020-10-04T10:25:13Z)
• Weakly supervised multiple instance learning histopathological tumor segmentation [51.085268272912415]
  スライド画像全体のセグメント化のための弱教師付きフレームワークを提案する。 トレーニングモデルに複数のインスタンス学習スキームを利用する。 提案するフレームワークは,The Cancer Genome AtlasとPatchCamelyonデータセットのマルチロケーションとマルチ中心公開データに基づいて評価されている。
  論文  参考訳（メタデータ） (2020-04-10T13:12:47Z)

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。