CT画像における複数臓器を分節的に学習するための学習【JST・京大機械翻訳】

Liu Pengbo; Wang Xia; Fan Mengsi; Pan Hongli; Yin Minmin; Zhu Xiaohong; Du Dandan; Zhao Xiaoying; Xiao Li; Ding Lian; Wu Xingwang; Zhou S. Kevin

プレプリント

J-GLOBAL ID：202202210476443767 整理番号：22P0298750

CT画像における複数臓器を分節的に学習するための学習【JST・京大機械翻訳】

Learning Incrementally to Segment Multiple Organs in a CT Image

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 (12件)： , , , , , , , , , , ,
資料名：
発行年： 2022年03月03日プレプリントサーバーでの情報更新日： 2022年03月03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)

器官セグメンテーションには多数のデータセットが存在し,部分的に注釈され,順次構築されている。典型的なデータセットは,医用画像を縮小し,関心のある器官を注釈することによって,ある時間に構築される。言い換えれば,新しい器官カテゴリーのアノテーションを有する新しいデータセットを,時間にわたって構築する。これらの部分ラベル化,逐次構成データセットの背後のポテンシャルを打ち消すために,多臓器セグメンテーションモデルを漸増的に学習することを提案する。各インクリメンタル学習(IL)ステージにおいて,これまでのデータおよびアノテーションへのアクセスを失い,その知識は現在のモデルによって仮定され,新しい器官カテゴリーのアノテーションを有する新しいデータセットへのアクセスを獲得し,そこから新しい器官を含む器官セグメンテーションモデルを更新する。ILは,自然画像分析の文脈において,その「食性忘却の弱点に悪名であるが,著者らは,そのような弱点が,CT多臓器セグメンテーションのために大部分消失することを,実験的に発見した。IL段階を通してモデル性能をさらに安定化するために,著者らは,特徴空間における異なるカテゴリーの表現を抑えるために,光メモリモジュールといくつかの損失関数を導入し,同じクラスの特徴表現を集約して,種々のクラスの特徴表現を切り離す。5つのオープンソースデータセットに関する広範な実験を行い,この方法の有効性を説明した。【JST・京大機械翻訳】

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

医用画像処理

, , ,

前のページに戻る