論文の概要: Semi-supervised few-shot learning for medical image segmentation
- arxiv url: http://arxiv.org/abs/2003.08462v2
- Date: Thu, 9 Apr 2020 01:40:33 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-22 12:59:46.065082
- Title: Semi-supervised few-shot learning for medical image segmentation
- Title（参考訳）: 医用画像分割のための半教師付き少数ショット学習
- Authors: Abdur R Feyjie, Reza Azad, Marco Pedersoli, Claude Kauffman, Ismail
Ben Ayed, Jose Dolz
- Abstract要約: 大規模な注釈付きデータセットの必要性を緩和する最近の試みは、数ショットの学習パラダイムの下でトレーニング戦略を開発した。
セマンティックセグメンテーションのための新しい数発の学習フレームワークを提案し,各エピソードでラベルのない画像も利用できるようにした。
エピソードトレーニングにおけるラベルなしのサロゲートタスクを含めると、より強力な特徴表現がもたらされることを示す。
- 参考スコア（独自算出の注目度）: 21.349705243254423
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recent years have witnessed the great progress of deep neural networks on
semantic segmentation, particularly in medical imaging. Nevertheless, training
high-performing models require large amounts of pixel-level ground truth masks,
which can be prohibitive to obtain in the medical domain. Furthermore, training
such models in a low-data regime highly increases the risk of overfitting.
Recent attempts to alleviate the need for large annotated datasets have
developed training strategies under the few-shot learning paradigm, which
addresses this shortcoming by learning a novel class from only a few labeled
examples. In this context, a segmentation model is trained on episodes, which
represent different segmentation problems, each of them trained with a very
small labeled dataset. In this work, we propose a novel few-shot learning
framework for semantic segmentation, where unlabeled images are also made
available at each episode. To handle this new learning paradigm, we propose to
include surrogate tasks that can leverage very powerful supervisory signals
--derived from the data itself-- for semantic feature learning. We show that
including unlabeled surrogate tasks in the episodic training leads to more
powerful feature representations, which ultimately results in better
generability to unseen tasks. We demonstrate the efficiency of our method in
the task of skin lesion segmentation in two publicly available datasets.
Furthermore, our approach is general and model-agnostic, which can be combined
with different deep architectures.
- Abstract（参考訳）: 近年、特に医用画像において、セマンティックセグメンテーションにおけるディープニューラルネットワークの大きな進歩が見られた。
それでもハイパフォーマンスモデルのトレーニングには大量のピクセルレベルの地上真実マスクが必要であり、医療領域では入手が禁止される。
さらに、このようなモデルを低データ環境でトレーニングすることで、過剰フィッティングのリスクが高まる。
大規模な注釈付きデータセットの必要性を緩和しようとする最近の試みは、少数のラベル付き例から新しいクラスを学習することで、この欠点に対処する、マイショット学習パラダイムの下でトレーニング戦略を開発した。
この文脈では、セグメンテーションモデルは、異なるセグメンテーション問題を表すエピソードで訓練され、それぞれが非常に小さなラベル付きデータセットでトレーニングされる。
そこで本研究では,各エピソードでラベルなし画像が利用可能となる,意味セグメンテーションのための新しいマイ・ショット学習フレームワークを提案する。
この新たな学習パラダイムに対処するために、セマンティックな特徴学習のために、非常に強力な監視信号(データ自体から派生した)を活用可能なサロゲートタスクを含めることを提案する。
ラベルなしのサロゲートタスクをエピソディクストレーニングに含めることで、より強力な特徴表現が得られ、最終的に、未認識タスクのジェネラビリティが向上することを示している。
2つの公開データセットにおける皮膚病変分割作業における本手法の有効性を実証する。
さらに、我々のアプローチは汎用的でモデルに依存しないものであり、異なる深層アーキテクチャと組み合わせることができる。
関連論文リスト
- A Classifier-Free Incremental Learning Framework for Scalable Medical Image Segmentation [6.591403935303867]
本稿では,単一分類器のないネットワークにおいて,可変数のクラスをセグメント化できる新しいセグメンテーションパラダイムを提案する。
このネットワークは、コントラスト学習を用いて訓練され、簡単な解釈を容易にする識別的特徴表現を生成する。
統合ネットワーク内での様々なクラス数処理における本手法の柔軟性とその漸進学習能力について述べる。
論文 参考訳（メタデータ） (2024-05-25T19:05:07Z) - Segment Together: A Versatile Paradigm for Semi-Supervised Medical Image
Segmentation [17.69933345468061]
医用画像セグメンテーションのための強力なディープラーニングモデルをトレーニングする上で、不足は大きな障害となっている。
textbfVersatile textbfSemi-supervised framework を導入する。
論文 参考訳（メタデータ） (2023-11-20T11:35:52Z) - Explainable Semantic Medical Image Segmentation with Style [7.074258860680265]
ラベル付きデータのみを限定して一般化可能なセグメンテーションを実現するための,完全教師付き生成フレームワークを提案する。
提案手法は,エンド・ツー・エンドの対角訓練を取り入れたセグメンテーション・タスク駆動型識別器と組み合わせた医用画像スタイルを作成する。
完全セマンティックで公開可能なペルビウスデータセットの実験では、我々の手法は他の最先端の手法よりも、シフトに対してより一般化可能であることが示された。
論文 参考訳（メタデータ） (2023-03-10T04:34:51Z) - Semi-weakly Supervised Contrastive Representation Learning for Retinal
Fundus Images [0.2538209532048867]
本稿では,半弱化アノテーションを用いた表現学習のための,半弱化教師付きコントラスト学習フレームワークを提案する。
SWCLの移動学習性能を7つの公立網膜眼底データセットで実証的に検証した。
論文 参考訳（メタデータ） (2021-08-04T15:50:09Z) - Uncertainty guided semi-supervised segmentation of retinal layers in OCT
images [4.046207281399144]
セグメンテーションネットワークを訓練する学生・教師のアプローチに基づく,新しい不確実性誘導半教師学習を提案する。
提案するフレームワークは,様々な画像モダリティにまたがるバイオメディカルイメージセグメンテーションに有効である。
論文 参考訳（メタデータ） (2021-03-02T23:14:25Z) - 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 Few Guidelines for Incremental Few-Shot Segmentation [57.34237650765928]
事前訓練されたセグメンテーションモデルと、新しいクラスを含む画像が少ないことを前提として、我々が目指すのは、以前に見たセグメンテーション能力を維持しながら、新しいクラスをセグメンテーションすることである。
このシナリオにおけるエンド・ツー・エンドのトレーニングの主な問題はどのようなものかを示します。
一 バッチ正規化統計を、バッチ正規化で修正できる新しいクラスへ向けての漂流すること。
二 旧クラスの忘れ物 正規化戦略で解決できるもの。
論文 参考訳（メタデータ） (2020-11-30T20:45:56Z) - Towards Robust Partially Supervised Multi-Structure Medical Image
Segmentation on Small-Scale Data [123.03252888189546]
データ不足下における部分教師付き学習(PSL)における方法論的ギャップを埋めるために,不確実性下でのビシナルラベル(VLUU)を提案する。
マルチタスク学習とヴィジナルリスク最小化によって動機づけられたVLUUは、ビジナルラベルを生成することによって、部分的に教師付き問題を完全な教師付き問題に変換する。
本研究は,ラベル効率の高い深層学習における新たな研究の方向性を示唆するものである。
論文 参考訳（メタデータ） (2020-11-28T16:31:00Z) - Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype
Prediction [55.94378672172967]
本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。
新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。
我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
論文 参考訳（メタデータ） (2020-09-02T02:50:30Z) - Adversarially-Trained Deep Nets Transfer Better: Illustration on Image
Classification [53.735029033681435]
トランスファーラーニングは、訓練済みのディープニューラルネットワークを画像認識タスクに新しいドメインに適用するための強力な方法論である。
本研究では,非逆学習モデルよりも逆学習モデルの方が優れていることを示す。
論文 参考訳（メタデータ） (2020-07-11T22:48:42Z) - Naive-Student: Leveraging Semi-Supervised Learning in Video Sequences
for Urban Scene Segmentation [57.68890534164427]
本研究では,未ラベル映像シーケンスと追加画像の半教師付き学習を利用して,都市景観セグメンテーションの性能を向上させることができるかどうかを問う。
我々は単にラベルのないデータに対して擬似ラベルを予測し、人間の注釈付きデータと擬似ラベル付きデータの両方でその後のモデルを訓練する。
我々のNaive-Studentモデルは、このような単純で効果的な反復的半教師付き学習で訓練され、3つのCityscapesベンチマークで最先端の結果を得る。
論文 参考訳（メタデータ） (2020-05-20T18:00:05Z)
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。