Fugu-MT 論文翻訳(概要): Less is More: Sample Selection and Label Conditioning Improve Skin Lesion Segmentation

論文の概要: Less is More: Sample Selection and Label Conditioning Improve Skin Lesion Segmentation

arxiv url: http://arxiv.org/abs/2004.13856v1
Date: Tue, 28 Apr 2020 21:24:51 GMT
ステータス: 処理完了
システム内更新日: 2022-12-08 23:26:19.231475
Title: Less is More: Sample Selection and Label Conditioning Improve Skin Lesion Segmentation
Title（参考訳）: 詳細:サンプル選択とラベル条件付けにより皮膚病変のセグメンテーションが改善
Authors: Vinicius Ribeiro, Sandra Avila, Eduardo Valle
Abstract要約: また,アノテータ間の合意が最良であるトレーニングサンプルを選択することにより,より少ないデータでセグメンテーションが向上することを示した。その結果, サンプル選択と詳細な除去は, それぞれ12%, 16%に影響を及ぼす可能性が示唆された。
参考スコア（独自算出の注目度）: 14.399035468023161
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Segmenting skin lesions images is relevant both for itself and for assisting in lesion classification, but suffers from the challenge in obtaining annotated data. In this work, we show that segmentation may improve with less data, by selecting the training samples with best inter-annotator agreement, and conditioning the ground-truth masks to remove excessive detail. We perform an exhaustive experimental design considering several sources of variation, including three different test sets, two different deep-learning architectures, and several replications, for a total of 540 experimental runs. We found that sample selection and detail removal may have impacts corresponding, respectively, to 12% and 16% of the one obtained by picking a better deep-learning model.
Abstract（参考訳）: 皮膚病変の分割画像は, それ自体と病変分類支援に関係しているが, 注釈データ取得の難しさに苦しむ。本研究は,アノテータ間の最高の合意でトレーニングサンプルを選定し,過剰な詳細を除去するために接地トラスマスクを調整することにより,より少ないデータでセグメンテーションを改善できることを示す。我々は,3つの異なるテストセット,2つの異なるディープラーニングアーキテクチャ,複数回のレプリケーションを含む,いくつかの変化源を考慮した総合的な実験設計を行い,合計540回の実験を行った。その結果、より優れたディープラーニングモデルを選択することで得られたサンプルの12%と16%にそれぞれ影響があることが分かった。

関連論文リスト

Multi-task Explainable Skin Lesion Classification [54.76511683427566]
少ないラベル付きデータでよく一般化する皮膚病変に対する数発のショットベースアプローチを提案する。提案手法は,アテンションモジュールや分類ネットワークとして機能するセグメンテーションネットワークの融合を含む。
論文参考訳（メタデータ） (2023-10-11T05:49:47Z)
Unsupervised Skin Lesion Segmentation via Structural Entropy Minimization on Multi-Scale Superpixel Graphs [59.19218582436495]
本研究では,構造エントロピーと孤立林外層検出に基づく非教師付き皮膚病変sEgmentationフレームワーク,すなわちSLEDを提案する。皮膚病変は、皮膚内視鏡像から構築した超画素グラフの構造エントロピーを最小化することにより区分される。健康な皮膚の特徴の整合性を特徴とし, マルチスケールのセグメンテーション機構を考案し, マルチスケールのスーパーピクセル特徴を活用して, セグメンテーション精度を向上させる。
論文参考訳（メタデータ） (2023-09-05T02:15:51Z)
Rethinking Semi-Supervised Medical Image Segmentation: A Variance-Reduction Perspective [51.70661197256033]
医用画像セグメンテーションのための階層化グループ理論を用いた半教師付きコントラスト学習フレームワークARCOを提案する。まず、分散還元推定の概念を用いてARCOを構築することを提案し、特定の分散還元技術が画素/ボクセルレベルのセグメンテーションタスクにおいて特に有用であることを示す。 5つの2D/3D医療データセットと3つのセマンティックセグメンテーションデータセットのラベル設定が異なる8つのベンチマークで、我々のアプローチを実験的に検証する。
論文参考訳（メタデータ） (2023-02-03T13:50:25Z)
A Survey on Deep Learning for Skin Lesion Segmentation [32.523358996420846]
皮膚がんは、この一般的な疾患の負担を軽減するために、コンピュータ支援による診断の恩恵を受ける主要な公衆衛生問題である。画像からの皮膚病変のセグメンテーションは、この目標を達成するための重要なステップである。天然物や人工物(毛髪や気泡など)の存在、本質的要因(病変の形状やコントラストなど)、画像取得条件の変化により、皮膚病変のセグメンテーションは難しい課題となる。
論文参考訳（メタデータ） (2022-06-01T09:43:10Z)
SelectAugment: Hierarchical Deterministic Sample Selection for Data Augmentation [72.58308581812149]
そこで我々は,SelectAugmentと呼ばれる効果的な手法を提案し,決定論的かつオンラインに拡張するサンプルを選択する。具体的には、各バッチにおいて、まず増分比率を決定し、次にこの比で各トレーニングサンプルを増分するかを決定する。これにより、サンプルを増量する際のランダム性による負の効果を効果的に軽減し、DAの有効性を向上させることができる。
論文参考訳（メタデータ） (2021-12-06T08:38:38Z)
Learning from Partially Overlapping Labels: Image Segmentation under Annotation Shift [68.6874404805223]
腹部臓器分節の文脈におけるラベルの重複から学ぶためのいくつかの方法を提案する。半教師付きアプローチと適応的クロスエントロピー損失を組み合わせることで、不均一な注釈付きデータをうまく活用できることが判明した。
論文参考訳（メタデータ） (2021-07-13T09:22:24Z)
Cascaded Robust Learning at Imperfect Labels for Chest X-ray Segmentation [61.09321488002978]
不完全アノテーションを用いた胸部X線分割のための新しいカスケードロバスト学習フレームワークを提案する。モデルは3つの独立したネットワークから成り,ピアネットワークから有用な情報を効果的に学習できる。提案手法は,従来の手法と比較して,セグメント化タスクの精度を大幅に向上させることができる。
論文参考訳（メタデータ） (2021-04-05T15:50:16Z)
Lesion Net -- Skin Lesion Segmentation Using Coordinate Convolution and Deep Residual Units [18.908448254745473]
メラノーマの皮膚病変のセグメント化の精度は、トレーニング、不規則な形状、不明瞭な境界、および異なる皮膚色のためのデータが少ないため、かなり困難な作業です。提案手法は皮膚病変分節の精度を向上させるのに役立つ。以上の結果から,提案モデルが既存の皮膚病変の分画法と同等以上の性能を示した。
論文参考訳（メタデータ） (2020-12-28T14:43:04Z)
MultiMix: Sparingly Supervised, Extreme Multitask Learning From Medical Images [13.690075845927606]
本稿では,病気の分類と解剖学的分類を軽視的に学習する新しいマルチタスク学習モデルであるMultiMixを提案する。胸部X線画像からの肺炎の分類と肺の分画に対するマルチタスキングモデルの有効性について検討した。
論文参考訳（メタデータ） (2020-10-28T03:47:29Z)
CS-AF: A Cost-sensitive Multi-classifier Active Fusion Framework for Skin Lesion Classification [9.265557367859637]
畳み込みニューラルネットワーク(CNN)は皮膚病変解析において最先端の性能を達成した。皮膚病変分類のための費用感受性多型化能動核融合フレームワークCS-AFを提案する。
論文参考訳（メタデータ） (2020-04-25T05:48:14Z)
Melanoma Detection using Adversarial Training and Deep Transfer Learning [6.22964000148682]
皮膚病変画像の自動分類のための2段階の枠組みを提案する。第1段階では、条件付き画像合成のタスクにおいて、データ分布のクラス間変動を利用する。第2段階では,皮膚病変分類のための深部畳み込みニューラルネットワークを訓練する。
論文参考訳（メタデータ） (2020-04-14T22:46:20Z)

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。