論文の概要: Cross-denoising Network against Corrupted Labels in Medical Image Segmentation with Domain Shift

• arxiv url: http://arxiv.org/abs/2006.10990v1
• Date: Fri, 19 Jun 2020 07:35:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2022-11-19 04:31:49.526386
• Title: Cross-denoising Network against Corrupted Labels in Medical Image Segmentation with Domain Shift
• Title（参考訳）: 領域シフトを伴う医用画像分割における破損ラベルに対するクロスデノジングネットワーク
• Authors: Qinming Zhang, Luyan Liu, Kai Ma, Cheng Zhuo, Yefeng Zheng
• Abstract要約: ドメインシフトとラベルの破損に対処するために2つのピアネットワークを用いた新しいクロスデノベーションフレームワークを提案する。 具体的には、各ネットワークはメンターとして機能し、相互に監督され、ピアネットワークが選択した信頼性の高いサンプルから学習し、破損したラベルと戦う。 さらに, 各種ノイズ汚染ラベルの下で, キー位置を捕捉し, 差分をフィルタリングするようネットワークに促すため, 耐雑音損失が提案されている。
• 参考スコア（独自算出の注目度）: 28.940670115918728
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep convolutional neural networks (DCNNs) have contributed many breakthroughs in segmentation tasks, especially in the field of medical imaging. However, \textit{domain shift} and \textit{corrupted annotations}, which are two common problems in medical imaging, dramatically degrade the performance of DCNNs in practice. In this paper, we propose a novel robust cross-denoising framework using two peer networks to address domain shift and corrupted label problems with a peer-review strategy. Specifically, each network performs as a mentor, mutually supervised to learn from reliable samples selected by the peer network to combat with corrupted labels. In addition, a noise-tolerant loss is proposed to encourage the network to capture the key location and filter the discrepancy under various noise-contaminant labels. To further reduce the accumulated error, we introduce a class-imbalanced cross learning using most confident predictions at the class-level. Experimental results on REFUGE and Drishti-GS datasets for optic disc (OD) and optic cup (OC) segmentation demonstrate the superior performance of our proposed approach to the state-of-the-art methods.
• Abstract（参考訳）: ディープ畳み込みニューラルネットワーク(DCNN)は、特に医用画像の分野で、セグメンテーションタスクにおいて多くのブレークスルーをもたらした。 しかし、医用画像における一般的な2つの問題である \textit{ domain shift} と \textit{corrupted annotations} は、実際にDCNNの性能を劇的に低下させる。 本稿では、2つのピアネットワークを用いてドメインシフトとラベルの破損に対処し、ピアレビュー戦略を用いてロバストなクロスデノライズ・フレームワークを提案する。 具体的には、各ネットワークがメンターとして働き、相互に監督され、ピアネットワークが選択した信頼できるサンプルから学び、腐敗したラベルと戦う。 さらに, 各種ノイズ汚染ラベルの下で, キー位置を捕捉し, 誤差をフィルタするために, 耐雑音損失を提案する。 累積誤差をさらに低減するために,クラスレベルで最も確実な予測を用いたクラス不均衡クロスラーニングを導入する。 光学ディスク(OD)とオプティコップ(OC)セグメンテーションのためのREFUGEとDrishti-GSデータセットの実験結果から,提案手法の最先端手法における優れた性能を示した。

関連論文リスト

• Population Graph Cross-Network Node Classification for Autism Detection Across Sample Groups [10.699937593876669]
  クロスネットワークノード分類は、ドメインドリフトを考慮に入れたGNN技術を拡張している。 我々は、クロスネットワークノード分類のための強力で斬新なアプローチOTGCNを提案する。 自閉症スペクトラム障害の分類におけるこのアプローチの有効性を実証する。
  論文  参考訳（メタデータ） (2024-01-10T18:04:12Z)
• Fine-grained Recognition with Learnable Semantic Data Augmentation [68.48892326854494]
  きめ細かい画像認識は、長年続くコンピュータビジョンの課題である。 本稿では,識別領域損失問題を軽減するため,特徴レベルのトレーニングデータを多様化することを提案する。 本手法は,いくつかの人気分類ネットワーク上での一般化性能を著しく向上させる。
  論文  参考訳（メタデータ） (2023-09-01T11:15:50Z)
• Domain-adaptive Message Passing Graph Neural Network [67.35534058138387]
  クロスネットワークノード分類(CNNC)は、豊富なラベルを持つソースネットワークから知識を転送することで、ラベル不足のターゲットネットワーク内のノードを分類することを目的としている。 本稿では,グラフニューラルネットワーク(GNN)と条件付き対向ドメイン適応を統合したドメイン適応型メッセージパッシンググラフニューラルネットワーク(DM-GNN)を提案する。
  論文  参考訳（メタデータ） (2023-08-31T05:26:08Z)
• Cross-supervised Dual Classifiers for Semi-supervised Medical Image Segmentation [10.18427897663732]
  半教師付き医用画像分割は、大規模医用画像解析に有望な解決策を提供する。 本稿では、二重分類器(DC-Net)に基づくクロス教師あり学習フレームワークを提案する。 LAとPancreas-CTデータセットの実験は、DC-Netが半教師付きセグメンテーションの他の最先端手法よりも優れていることを示している。
  論文  参考訳（メタデータ） (2023-05-25T16:23:39Z)
• Adaptive Face Recognition Using Adversarial Information Network [57.29464116557734]
  顔認識モデルは、トレーニングデータがテストデータと異なる場合、しばしば退化する。 本稿では,新たな敵情報ネットワーク(AIN)を提案する。
  論文  参考訳（メタデータ） (2023-05-23T02:14:11Z)
• Unsupervised Denoising of Optical Coherence Tomography Images with Dual_Merged CycleWGAN [3.3909577600092122]
  そこで我々は,網膜CT画像復調のためのDual-Merged Cycle-WGANと呼ばれる新しいサイクル一貫性生成適応ネットを提案する。 本モデルでは,2つのCycle-GANネットワークとデクリミネータとワッセルシュタイン損失を併用して,優れたトレーニング安定性と性能を実現する。
  論文  参考訳（メタデータ） (2022-05-02T07:38:19Z)
• Synergistic Network Learning and Label Correction for Noise-robust Image Classification [28.27739181560233]
  ディープニューラルネットワーク(DNN)は、トレーニングラベルノイズに過度に適合する傾向があるため、実際のモデルパフォーマンスは低下する。 損失選択と雑音補正のアイデアを組み合わせたロバストなラベル補正フレームワークを提案する。 ノイズタイプやレートの異なる合成および実世界のデータセット上で,本手法を実証する。
  論文  参考訳（メタデータ） (2022-02-27T23:06:31Z)
• Cross-Modality Brain Tumor Segmentation via Bidirectional Global-to-Local Unsupervised Domain Adaptation [61.01704175938995]
  本論文では,UDAスキームに基づくBiGL(Bidirectional Global-to-Local)適応フレームワークを提案する。 具体的には、脳腫瘍をセグメント化するために、双方向画像合成およびセグメンテーションモジュールを提案する。 提案手法は, 最先端の非教師なし領域適応法を大きなマージンで上回っている。
  論文  参考訳（メタデータ） (2021-05-17T10:11:45Z)
• Towards Unbiased COVID-19 Lesion Localisation and Segmentation via Weakly Supervised Learning [66.36706284671291]
  本研究では,画像レベルラベルのみに監視されたデータ駆動型フレームワークを提案する。 このフレームワークは、生成する対向ネットワークと病変特異的デコーダの助けを借りて、原画像から潜在的な病変を明示的に分離することができる。
  論文  参考訳（メタデータ） (2021-03-01T06:05:49Z)
• An Uncertainty-Driven GCN Refinement Strategy for Organ Segmentation [53.425900196763756]
  本研究では,不確実性解析とグラフ畳み込みネットワークに基づくセグメンテーション改善手法を提案する。 半教師付きグラフ学習問題を定式化するために、特定の入力ボリュームにおける畳み込みネットワークの不確実性レベルを用いる。 本手法は膵臓で1%,脾臓で2%向上し,最先端のCRF改善法よりも優れていた。
  論文  参考訳（メタデータ） (2020-12-06T18:55:07Z)
• RAR-U-Net: a Residual Encoder to Attention Decoder by Residual Connections Framework for Spine Segmentation under Noisy Labels [9.81466618834274]
  本稿では,ノイズラベルに基づく医用画像分割手法を提案する。 この方法は4つの新しいコントリビューションを取り入れ、ディープラーニングパラダイムの下で機能する。 実験結果は,脊椎CTのベンチマークデータベース上で公開されている。
  論文  参考訳（メタデータ） (2020-09-27T15:32:50Z)

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。