Fugu-MT 論文翻訳(概要): Weakly Supervised Vessel Segmentation in X-ray Angiograms by Self-Paced Learning from Noisy Labels with Suggestive Annotation

論文の概要: Weakly Supervised Vessel Segmentation in X-ray Angiograms by Self-Paced Learning from Noisy Labels with Suggestive Annotation

arxiv url: http://arxiv.org/abs/2005.13366v1
Date: Wed, 27 May 2020 13:55:33 GMT
ステータス: 処理完了
システム内更新日: 2022-11-28 09:25:46.740308
Title: Weakly Supervised Vessel Segmentation in X-ray Angiograms by Self-Paced Learning from Noisy Labels with Suggestive Annotation
Title（参考訳）: 提案アノテーション付き雑音ラベルからの自己更新学習によるX線アンギオグラムの血管分割の弱化
Authors: Jingyang Zhang, Guotai Wang, Hongzhi Xie, Shuyang Zhang, Ning Huang, Shaoting Zhang, Lixu Gu
Abstract要約: 自動血管拡張から発生するノイズの多い擬似ラベルから学習する弱教師付きトレーニングフレームワークを提案する。ラベルノイズに対してトレーニングプロセスを堅牢化するために、典型的なセルフペースト学習方式が使用される。提案手法は,完全教師付き学習に匹敵する精度を達成できることを示す。
参考スコア（独自算出の注目度）: 12.772031281511023
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The segmentation of coronary arteries in X-ray angiograms by convolutional neural networks (CNNs) is promising yet limited by the requirement of precisely annotating all pixels in a large number of training images, which is extremely labor-intensive especially for complex coronary trees. To alleviate the burden on the annotator, we propose a novel weakly supervised training framework that learns from noisy pseudo labels generated from automatic vessel enhancement, rather than accurate labels obtained by fully manual annotation. A typical self-paced learning scheme is used to make the training process robust against label noise while challenged by the systematic biases in pseudo labels, thus leading to the decreased performance of CNNs at test time. To solve this problem, we propose an annotation-refining self-paced learning framework (AR-SPL) to correct the potential errors using suggestive annotation. An elaborate model-vesselness uncertainty estimation is also proposed to enable the minimal annotation cost for suggestive annotation, based on not only the CNNs in training but also the geometric features of coronary arteries derived directly from raw data. Experiments show that our proposed framework achieves 1) comparable accuracy to fully supervised learning, which also significantly outperforms other weakly supervised learning frameworks; 2) largely reduced annotation cost, i.e., 75.18% of annotation time is saved, and only 3.46% of image regions are required to be annotated; and 3) an efficient intervention process, leading to superior performance with even fewer manual interactions.
Abstract（参考訳）: 畳み込みニューラルネットワーク(CNN)によるX線アンギオグラムにおける冠状動脈のセグメンテーションは、多くの訓練画像にすべてのピクセルを正確にアノテートする必要があるため、特に複雑な冠状樹では非常に労働集約的である。そこで本研究では,完全手動アノテーションにより得られる正確なラベルではなく,自動血管拡張により発生するノイズの多い擬似ラベルから学習する,弱教師付き学習フレームワークを提案する。典型的なセルフペースト学習方式は、擬似ラベルの体系的バイアスに挑戦しながらラベルノイズに対してトレーニングプロセスを堅牢にするためであり、テスト時のCNNの性能低下につながる。この問題を解決するために,提案するアノテーションを用いて潜在的な誤りを修正するためのアノテーション修正型セルフペースト学習フレームワーク(AR-SPL)を提案する。また, トレーニング中のCNNだけでなく, 生データから直接抽出した冠状動脈の幾何学的特徴に基づいて, 提案アノテーションの最小アノテーションコストを最小化するために, 精巧なモデル・血管性不確実性推定法を提案する。実験によると提案するフレームワークは 1) 完全教師付き学習に匹敵する精度で、他の弱教師付き学習フレームワークを著しく上回っている。 2)アノテーションコストの大幅な削減、すなわち、アノテーション時間の75.18%が節約され、画像領域の3.46%のみが注釈付けが必要となる。 3) 効果的な介入プロセスにより,手作業によるインタラクションがさらに少なく,パフォーマンスが向上する。

関連論文リスト

2D Feature Distillation for Weakly- and Semi-Supervised 3D Semantic Segmentation [92.17700318483745]
合成訓練された2Dセマンティックセマンティックセグメンテーションネットワークから高レベル特徴情報を蒸留するアイデアに基づく画像誘導ネットワーク(IGNet)を提案する。 IGNetは、ScribbleKITTI上の弱い教師付きLiDARセマンティックセマンティックセグメンテーションの最先端の結果を達成し、8%のラベル付きポイントしか持たない完全な教師付きトレーニングに対して最大98%のパフォーマンスを誇っている。
論文参考訳（メタデータ） (2023-11-27T07:57:29Z)
One-bit Supervision for Image Classification: Problem, Solution, and Beyond [114.95815360508395]
本稿では,ラベルの少ない新しい学習環境である,画像分類のための1ビット監督について述べる。多段階学習パラダイムを提案し、負ラベル抑圧を半教師付き半教師付き学習アルゴリズムに組み込む。複数のベンチマークにおいて、提案手法の学習効率は、フルビットの半教師付き監視手法よりも優れている。
論文参考訳（メタデータ） (2023-11-26T07:39:00Z)
cRedAnno+: Annotation Exploitation in Self-Explanatory Lung Nodule Diagnosis [8.582182186207671]
cRedAnnoは、アノテーションの要求を大幅に減らして、競争性能を達成する。半教師付き能動学習によるアノテーション活用機構を提案する。提案手法は10倍のアノテーションで同等あるいはそれ以上高い悪性度予測精度を実現する。
論文参考訳（メタデータ） (2022-10-28T12:44:31Z)
Flip Learning: Erase to Segment [65.84901344260277]
弱い教師付きセグメンテーション(WSS)は、時間と面倒な手作業のアノテーションを減らすのに役立ちます。ボックスアノテーションのみを必要とするFlip Learningという,斬新で汎用的なWSSフレームワークを提案する。提案手法は,完全教師付き学習と弱教師付き学習のギャップを狭める大きな可能性を示す。
論文参考訳（メタデータ） (2021-08-02T09:56:10Z)
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)
Scribble-Supervised Semantic Segmentation by Uncertainty Reduction on Neural Representation and Self-Supervision on Neural Eigenspace [21.321005898976253]
Scribble-supervised セマンティックセグメンテーションは、最近、高品質のアノテーションのない有望なパフォーマンスで多くの注目を集めています。この研究は、追加情報やその他の制限なしに直接スクリブルアノテーションによってセマンティックセグメンテーションを達成することを目的とする。本稿では,神経表現におけるエントロピーの最小化とネットワーク埋め込みランダムウォークによる不確実性低減を含む総合的操作を提案する。
論文参考訳（メタデータ） (2021-02-19T12:33:57Z)
Deep Semi-supervised Knowledge Distillation for Overlapping Cervical Cell Instance Segmentation [54.49894381464853]
本稿では, ラベル付きデータとラベルなしデータの両方を, 知識蒸留による精度向上に活用することを提案する。摂動に敏感なサンプルマイニングを用いたマスク誘導型平均教師フレームワークを提案する。実験の結果,ラベル付きデータのみから学習した教師付き手法と比較して,提案手法は性能を著しく向上することがわかった。
論文参考訳（メタデータ） (2020-07-21T13:27:09Z)
Improving Semantic Segmentation via Self-Training [75.07114899941095]
半教師付きアプローチ,特に自己学習パラダイムを用いて,最先端の成果を得ることができることを示す。まず、ラベル付きデータに基づいて教師モデルを訓練し、次にラベルなしデータの大規模なセット上で擬似ラベルを生成する。私たちの堅牢なトレーニングフレームワークは、人名と擬似ラベルを共同で消化し、Cityscapes、CamVid、KITTIデータセット上で最高のパフォーマンスを達成することができます。
論文参考訳（メタデータ） (2020-04-30T17:09:17Z)

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。