医用画像セグメンテーションのためのコントラストおよび選択的隠れ埋込み【JST・京大機械翻訳】

Li Zhuowei; Liu Zihao; Hu Zhiqiang; Xia Qing; Xiong Ruiqin; Zhang Shaoting; Metaxas Dimitris; Jiang Tingting

プレプリント

J-GLOBAL ID：202202218169354669 整理番号：22P0277939

医用画像セグメンテーションのためのコントラストおよび選択的隠れ埋込み【JST・京大機械翻訳】

Contrastive and Selective Hidden Embeddings for Medical Image Segmentation

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 (8件)： , , , , , , ,
資料名：
発行年： 2022年01月21日プレプリントサーバーでの情報更新日： 2022年04月29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)

医用画像セグメンテーションは,臨床診断,分析,および治療計画のためのピボット処置として広く認識されてきた。しかし,面倒で高価なアノテーションプロセスは,更なる進歩の速度を遅らせた。コントラスト学習ベース重み予訓練は,良好な表現を学習するために,ラベルなしデータを活用することによって代替を提供する。本論文では,コントラスト学習が一般的な教師付き医療セグメンテーションタスクをどのように利益するかを調べた。この目的のために,パッチ-ドラグサウコントラスト正則化(PDCR)を提案し,連続親和性スコアによって制御された程度でパッチレベルタギングと再パルス化を行った。そして,新しい構造dubbed不確実性意識特徴選択ブロック(UAFS)を設計して,特徴選択プロセスを実行して,それは高い不確実性を有する少数特徴によって引き起こされた学習目標シフトを扱うことができた。既存のセグメンテーションアーキテクチャに提案した2つのモジュールを閉塞することによって,著者らは6つのドメインから8つの公開データセットを通して最先端の結果を達成した。新しく設計したモジュールは,さらに,より良い,性能がないならば,訓練データの量を4分の1にさらに減少させた。この展望から,ラベル内に含まれる情報をさらに掘削することにより,元の自己/教師なしコントラスト学習の反対方向を取る。【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