論文の概要: Dual-Teacher: Integrating Intra-domain and Inter-domain Teachers for
Annotation-efficient Cardiac Segmentation
- arxiv url: http://arxiv.org/abs/2007.06279v1
- Date: Mon, 13 Jul 2020 10:00:44 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-11 00:07:20.901281
- Title: Dual-Teacher: Integrating Intra-domain and Inter-domain Teachers for
Annotation-efficient Cardiac Segmentation
- Title（参考訳）: Dual-Teacher: アノテーション効率向上のためのドメイン内教師とドメイン間教師の統合
- Authors: Kang Li, Shujun Wang, Lequan Yu, and Pheng-Ann Heng
- Abstract要約: 本稿では,新しい半教師付きドメイン適応手法,すなわちDual-Teacherを提案する。
学生モデルは、2つの教師モデルによってラベル付けされていない対象データとラベル付けされた情報源データの知識を学習する。
提案手法では, ラベルなしデータとモダリティ間データとを並列に利用でき, 性能が向上することを示した。
- 参考スコア（独自算出の注目度）: 65.81546955181781
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Medical image annotations are prohibitively time-consuming and expensive to
obtain. To alleviate annotation scarcity, many approaches have been developed
to efficiently utilize extra information, e.g.,semi-supervised learning further
exploring plentiful unlabeled data, domain adaptation including multi-modality
learning and unsupervised domain adaptation resorting to the prior knowledge
from additional modality. In this paper, we aim to investigate the feasibility
of simultaneously leveraging abundant unlabeled data and well-established
cross-modality data for annotation-efficient medical image segmentation. To
this end, we propose a novel semi-supervised domain adaptation approach, namely
Dual-Teacher, where the student model not only learns from labeled target data
(e.g., CT), but also explores unlabeled target data and labeled source data
(e.g., MR) by two teacher models. Specifically, the student model learns the
knowledge of unlabeled target data from intra-domain teacher by encouraging
prediction consistency, as well as the shape priors embedded in labeled source
data from inter-domain teacher via knowledge distillation. Consequently, the
student model can effectively exploit the information from all three data
resources and comprehensively integrate them to achieve improved performance.
We conduct extensive experiments on MM-WHS 2017 dataset and demonstrate that
our approach is able to concurrently utilize unlabeled data and cross-modality
data with superior performance, outperforming semi-supervised learning and
domain adaptation methods with a large margin.
- Abstract（参考訳）: 医用画像アノテーションは、非常に時間がかかり、入手するのに費用がかかる。
アノテーションの不足を軽減するために、豊富なラベルなしデータ、マルチモダリティ学習を含むドメイン適応、追加モダリティから事前知識に依存する教師なしドメイン適応など、追加情報を有効に活用する多くの手法が開発されている。
本稿では,注釈効率の良い医用画像分割のための,豊富なラベル付きデータと確立されたクロスモダリティデータの同時活用の可能性を検討することを目的とする。
そこで本研究では,2つの教師モデルを用いて,ラベル付き対象データ(CTなど)から学習するだけでなく,ラベル付き対象データとラベル付き情報源データ(MRなど)を探索する,新たな半教師付きドメイン適応手法であるDual-Teacherを提案する。
具体的には、予測一貫性を奨励することで、ドメイン内教師からラベル付き対象データの知識を学習し、知識蒸留によってドメイン間教師からラベル付きソースデータに埋め込まれた形状を学習する。
これにより、3つのデータリソースすべてから情報を効果的に活用し、総合的に統合してパフォーマンスを向上させることができる。
我々はMM-WHS 2017データセットの広範な実験を行い、未ラベルデータとクロスモダリティデータを優れた性能で同時に利用し、半教師あり学習とドメイン適応法を大きなマージンで向上させることができることを示した。
関連論文リスト
- MT-UDA: Towards Unsupervised Cross-modality Medical Image Segmentation
with Limited Source Labels [15.01727721628536]
深い教師なしドメイン適応(UDA)は、確立されたソースドメインアノテーションと豊富なターゲットドメインデータを活用することができる。
UDAメソッドはソースドメインアノテーションが不足している場合、大幅なパフォーマンス低下に悩まされる。
MT-UDAと呼ばれる新しいラベル効率のUDAフレームワークを提案し、限られたソースラベルで訓練された学生モデルは、半教師付き方式で両方のドメインのラベル付きデータから学習する。
論文 参考訳（メタデータ） (2022-03-23T14:51:00Z) - Adversarial Dual-Student with Differentiable Spatial Warping for
Semi-Supervised Semantic Segmentation [70.2166826794421]
本研究では、教師なしデータ拡張を行うために、微分可能な幾何ワープを提案する。
また,平均教師数を改善するために,新しい対角的二重学習フレームワークを提案する。
我々のソリューションは、両方のデータセットで得られるパフォーマンスと最先端の結果を大幅に改善します。
論文 参考訳（メタデータ） (2022-03-05T17:36:17Z) - Uncertainty-Guided Mutual Consistency Learning for Semi-Supervised
Medical Image Segmentation [9.745971699005857]
医用画像セグメンテーションのための新しい不確実性誘導相互整合学習フレームワークを提案する。
タスクレベルの正規化によるタスク内一貫性学習と、タスク間の整合性学習を統合して、幾何学的な形状情報を活用する。
本手法は,ラベルのないデータを活用し,既存の半教師付きセグメンテーション法より優れた性能を実現する。
論文 参考訳（メタデータ） (2021-12-05T08:19:41Z) - Unsupervised Domain Adaptive Learning via Synthetic Data for Person
Re-identification [101.1886788396803]
人物再識別(re-ID)は、ビデオ監視に広く応用されているため、ますます注目を集めている。
残念なことに、主流のディープラーニング手法では、モデルをトレーニングするために大量のラベル付きデータが必要です。
本稿では,コンピュータゲーム内で合成されたre-IDサンプルを自動的に生成するデータコレクタを開発し,同時にアノテートするデータラベラを構築した。
論文 参考訳（メタデータ） (2021-09-12T15:51:41Z) - Semi-supervised Domain Adaptation based on Dual-level Domain Mixing for
Semantic Segmentation [34.790169990156684]
私たちは、少数のラベル付きターゲットデータと大量のラベル付きソースデータが利用可能である半監視ドメイン適応(SSDA)のより実用的な設定に焦点を当てています。
領域レベルとサンプルレベルのドメインギャップを低減する2種類のデータミキシング手法を提案する。
総合的視点と部分的視点から2段階の混合データに基づいて,2つの相補的ドメイン混合教師を得ることができる。
論文 参考訳（メタデータ） (2021-03-08T12:33:17Z) - Dual-Teacher++: Exploiting Intra-domain and Inter-domain Knowledge with
Reliable Transfer for Cardiac Segmentation [69.09432302497116]
最先端の半教師付きドメイン適応フレームワークである Dual-Teacher++ を提案する。
ソースドメイン(MRなど)からのクロスモダリティ優先度を探索するドメイン間教師モデルと、ラベルのないターゲットドメインの知識を調査するドメイン内教師モデルを含む、新しいデュアル教師モデルを設計する。
このようにして、学生モデルは信頼できる二重ドメイン知識を得て、ターゲットドメインデータのパフォーマンスを向上させることができる。
論文 参考訳（メタデータ） (2021-01-07T05:17:38Z) - Source Data-absent Unsupervised Domain Adaptation through Hypothesis
Transfer and Labeling Transfer [137.36099660616975]
Unsupervised Adapt Adaptation (UDA) は、関連性のある異なるラベル付きソースドメインから新しいラベルなしターゲットドメインへの知識の転送を目標としている。
既存のudaメソッドの多くはソースデータへのアクセスを必要としており、プライバシ上の懸念からデータが機密で共有できない場合は適用できない。
本稿では、ソースデータにアクセスする代わりに、トレーニング済みの分類モデルのみを用いて現実的な設定に取り組むことを目的とする。
論文 参考訳（メタデータ） (2020-12-14T07:28:50Z) - Teacher-Student Consistency For Multi-Source Domain Adaptation [28.576613317253035]
マルチソースドメイン適応(MSDA)では、モデルは複数のソースドメインのサンプルに基づいてトレーニングされ、異なるターゲットドメインの推論に使用される。
本稿では,これらの問題を緩和する新手法であるMulti-source Students Teacher (MUST)を提案する。
論文 参考訳（メタデータ） (2020-10-20T06:17:40Z) - ATSO: Asynchronous Teacher-Student Optimization for Semi-Supervised
Medical Image Segmentation [99.90263375737362]
教師-学生最適化の非同期版であるATSOを提案する。
ATSOはラベルのないデータを2つのサブセットに分割し、モデルの微調整に1つのサブセットを交互に使用し、他のサブセットのラベルを更新する。
医用画像のセグメンテーションデータセットを2つ評価し,様々な半教師付き環境において優れた性能を示す。
論文 参考訳（メタデータ） (2020-06-24T04:05:12Z)
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。