論文の概要: Semi-supervised Task-driven Data Augmentation for Medical Image
Segmentation
- arxiv url: http://arxiv.org/abs/2007.05363v2
- Date: Thu, 19 Nov 2020 17:34:51 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-12 04:17:26.794199
- Title: Semi-supervised Task-driven Data Augmentation for Medical Image
Segmentation
- Title(参考訳): 半教師付きタスク駆動データ拡張による医用画像セグメンテーション
- Authors: Krishna Chaitanya, Neerav Karani, Christian F. Baumgartner, Ertunc
Erdil, Anton Becker, Olivio Donati, Ender Konukoglu
- Abstract要約: 教師付き学習ベースセグメンテーション法は、テスト時によく一般化するために、多くの注釈付きトレーニングデータを必要とする。
医療応用では、専門家から大量の注釈付きサンプルを取得するのに時間がかかり、費用がかかるため、そのようなデータセットのキュレーションは好ましくない。
本稿では,限定ラベル付きデータを用いた学習のためのタスク駆動型データ拡張手法を提案する。
- 参考スコア(独自算出の注目度): 9.499375648561001
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Supervised learning-based segmentation methods typically require a large
number of annotated training data to generalize well at test time. In medical
applications, curating such datasets is not a favourable option because
acquiring a large number of annotated samples from experts is time-consuming
and expensive. Consequently, numerous methods have been proposed in the
literature for learning with limited annotated examples. Unfortunately, the
proposed approaches in the literature have not yet yielded significant gains
over random data augmentation for image segmentation, where random
augmentations themselves do not yield high accuracy. In this work, we propose a
novel task-driven data augmentation method for learning with limited labeled
data where the synthetic data generator, is optimized for the segmentation
task. The generator of the proposed method models intensity and shape
variations using two sets of transformations, as additive intensity
transformations and deformation fields. Both transformations are optimized
using labeled as well as unlabeled examples in a semi-supervised framework. Our
experiments on three medical datasets, namely cardic, prostate and pancreas,
show that the proposed approach significantly outperforms standard augmentation
and semi-supervised approaches for image segmentation in the limited annotation
setting. The code is made publicly available at
https://github.com/krishnabits001/task$\_$driven$\_$data$\_$augmentation.
- Abstract(参考訳): 教師付き学習に基づくセグメンテーション手法は通常、テスト時にうまく一般化するために多くの注釈付きトレーニングデータを必要とする。
医療応用では、専門家から大量の注釈付きサンプルを取得するのに時間がかかり費用がかかるため、そのようなデータセットのキュレーションは好ましくない。
その結果,注記例を限定した学習法が文献に多数提案されている。
残念なことに、この論文における提案されたアプローチは、画像セグメント化のためのランダムなデータ拡張よりも有意な利得を得られていない。
本研究では,合成データ生成器がセグメント化タスクに最適化された限定ラベルデータによる学習のためのタスク駆動データ拡張手法を提案する。
提案手法は, 加法強度変換と変形場として2組の変換を用いて, 強度と形状の変動をモデル化する。
両方の変換は半教師付きフレームワークでラベル付きとラベルなしの例を使って最適化されている。
心的, 前立腺, 膵の3つの医学的データセットに対する実験により, 本手法は, 限られたアノテーション設定における画像分割に対する標準拡張および半教師付きアプローチよりも有意に優れていることが示された。
コードはhttps://github.com/krishnabits001/task$\_$driven$\_$data$\_$augmentationで公開されている。
関連論文リスト
- 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) - Diffusion-based Data Augmentation for Nuclei Image Segmentation [68.28350341833526]
核セグメンテーションのための拡散法を初めて導入する。
このアイデアは、多数のラベル付き画像を合成し、セグメンテーションモデルを訓練することを目的としている。
実験の結果,10%のラベル付き実データセットを合成サンプルで拡張することにより,同等のセグメンテーション結果が得られることがわかった。
論文 参考訳(メタデータ) (2023-10-22T06:16:16Z) - DatasetDM: Synthesizing Data with Perception Annotations Using Diffusion
Models [61.906934570771256]
多様な合成画像や知覚アノテーションを生成できる汎用データセット生成モデルを提案する。
本手法は,事前学習した拡散モデルに基づいて,テキスト誘導画像合成を知覚データ生成に拡張する。
拡散モデルのリッチ潜時コードはデコーダモジュールを用いて正確な認識アノテーションとして効果的に復号できることを示す。
論文 参考訳(メタデータ) (2023-08-11T14:38:11Z) - Improving CT Image Segmentation Accuracy Using StyleGAN Driven Data
Augmentation [42.034896915716374]
本稿では,公開可能な大規模医療データセットをセグメント化するためのStyleGANによるアプローチを提案する。
スタイル転送はトレーニングデータセットを拡張し、新しい解剖学的音声画像を生成するために使用される。
次に、拡張データセットを使用してU-Netセグメンテーションネットワークをトレーニングし、セグメンテーション精度を大幅に向上させる。
論文 参考訳(メタデータ) (2023-02-07T06:34:10Z) - Intra-class Adaptive Augmentation with Neighbor Correction for Deep
Metric Learning [99.14132861655223]
深層学習のためのクラス内適応拡張(IAA)フレームワークを提案する。
クラスごとのクラス内変動を合理的に推定し, 適応型合成試料を生成し, 硬質試料の採掘を支援する。
本手法は,検索性能の最先端手法を3%~6%向上させる。
論文 参考訳(メタデータ) (2022-11-29T14:52:38Z) - Feature transforms for image data augmentation [74.12025519234153]
画像分類において、多くの拡張アプローチは単純な画像操作アルゴリズムを利用する。
本研究では,14種類の拡張アプローチを組み合わせて生成した画像を追加することで,データレベルでのアンサンブルを構築する。
事前トレーニングされたResNet50ネットワークは、各拡張メソッドから派生した画像を含むトレーニングセットに基づいて微調整される。
論文 参考訳(メタデータ) (2022-01-24T14:12:29Z) - 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) - 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) - ClassMix: Segmentation-Based Data Augmentation for Semi-Supervised
Learning [4.205692673448206]
そこで本研究では,未ラベルのサンプルを混合して拡張を生成するClassMixと呼ばれる新しいデータ拡張機構を提案する。
本手法を2つの半教師付きセマンティックセマンティックセマンティクスベンチマークで評価し,その結果を得た。
論文 参考訳(メタデータ) (2020-07-15T18:21:17Z) - A generic ensemble based deep convolutional neural network for
semi-supervised medical image segmentation [7.141405427125369]
深層畳み込みニューラルネットワーク(DCNN)に基づく画像セグメンテーションのための汎用的な半教師付き学習フレームワークを提案する。
本手法は,ラベルなしデータを組み込むことで,完全教師付きモデル学習を超えて大幅に改善することができる。
論文 参考訳(メタデータ) (2020-04-16T23:41:50Z)
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。