Core Concepts
자가 및 혼합 감독을 통해 다중 클래스 이미지 분할의 훈련 레이블을 효과적으로 개선하는 방법
Abstract
요약:
정확한 훈련 레이블은 다중 클래스 의료 이미지 분할의 핵심 요소이며, 이를 개선하기 위해 자가 및 혼합 감독을 사용하는 방법을 제안함.
소개:
의료 이미지 분할의 중요성과 정확한 훈련 레이블의 어려움 소개
방법론:
자가 및 혼합 감독을 통한 훈련 레이블 개선을 위한 이중 브랜치 네트워크 소개
실험 결과:
제안된 방법이 기존 방법보다 우수한 성능을 보임
그림 1 및 2:
자가 및 혼합 감독을 통한 훈련 레이블 개선 과정 시각화
실험 결과 표 (Table 1):
제안된 방법이 기존 방법보다 훈련 레이블의 정확도를 향상시킴
그림 3:
두 환자의 CT 이미지를 통한 훈련 레이블 개선 결과 시각화
요약:
자가 및 혼합 감독을 통해 다중 클래스 의료 이미지 분할의 훈련 레이블을 효과적으로 개선하는 방법 제시
Stats
제안된 방법의 실험 결과:
"Validation results on 11 patients showed that the accuracy of training labels was statistically significantly improved, with the Dice similarity coefficient of muscle, subcutaneous and visceral adipose tissue increased from 74.2% to 91.5%, 91.2% to 95.6%, and 77.6% to 88.5%, respectively (p<0.05)."
"The proposed method performed better than the baseline method (Table 1). DSC was significantly improved by 17% for muscle (𝑝 < 0.05), 4% for subcutaneous adipose tissue (𝑝 < 0.05), and 11% for visceral adipose tissue (𝑝 < 0.05)."
Quotes
"The proposed method was applied to a three-class segmentation of muscle, subcutaneous and visceral adipose tissue on abdominal CT scans."
"Experimental results on multi-class adipose tissue and muscle segmentation showed that the updated labels from proposed method was accurate enough for downstream segmentation models."