限定アノテーションによる医用画像セグメンテーションのための大域および局所特徴のコントラスト学習【JST・京大機械翻訳】

Chaitanya Krishna; Erdil Ertunc; Karani Neerav; Konukoglu Ender

プレプリント

J-GLOBAL ID：202202201052592518 整理番号：22P0160965

限定アノテーションによる医用画像セグメンテーションのための大域および局所特徴のコントラスト学習【JST・京大機械翻訳】

Contrastive learning of global and local features for medical image segmentation with limited annotations

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (4件)： , , ,
資料名：
発行年： 2020年06月18日プレプリントサーバーでの情報更新日： 2020年10月30日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

教師付き深層学習の成功のための鍵となる要求は,医用画像分析で満たすのが難しい条件である大きなラベル付きデータセットである。自己監督学習(SSL)は,ラベルなしデータでニューラルネットワークを事前訓練する戦略を提供し,続いて限られた注釈で下流タスクを微調整する戦略を提供することにより,この点に支援できる。SSLの特定のバリアントであるコントラスト学習は,画像レベル表現を学習するための強力な技術である。本研究では,ドメイン特異的および問題特異的な手がかりをレバーグすることにより,限られた注釈を持つ半教師つき設定における体積医用画像のセグメンテーションのためのコントラスト学習フレームワークを拡張するための戦略を提案した。特に,体積医用画像(ドメイン特異的手がかり)を横断して構造類似性を利用する新しい対照戦略および(2)画素セグメンテーション(問題特異的手がかり)に有用な局所領域の特有の表現を学習するためのコントラスト損失の局所バージョンを提案した。3つの磁気共鳴映像法(MRI)データセットについて広範な評価を行った。限られた注釈設定において,提案方法は,他の自己スーパービジョンおよび半教師つき学習技術と比較して,実質的な改善をもたらした。簡単なデータ増強技術と組み合わせると,提案手法は,ベンチマークを訓練するために使用される訓練データのわずか4%(ACDCに対して)に対応する訓練のための2つのラベル付きMRIボリュームのみを用いて,ベンチマーク性能の8%以内に到達した。コードはhttps://github.com/krishnabits001/domain_specific_clで公開されている。【JST・京大機械翻訳】

, , , , , , , , , , ,
, , , , , 【Automatic Indexing@JST】

人工知能 , 医用画像処理

, , , ,

前のページに戻る