論文の概要: A Weakly Supervised Region-Based Active Learning Method for COVID-19
Segmentation in CT Images
- arxiv url: http://arxiv.org/abs/2007.07012v1
- Date: Tue, 7 Jul 2020 16:38:04 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-12 20:26:12.917927
- Title: A Weakly Supervised Region-Based Active Learning Method for COVID-19
Segmentation in CT Images
- Title（参考訳）: CT画像におけるCOVID-19セグメンテーションのための地域別アクティブラーニング法
- Authors: Issam Laradji, Pau Rodriguez, Frederic Branchaud-Charron, Keegan
Lensink, Parmida Atighehchian, William Parker, David Vazquez, and Derek
Nowrouzezahrai
- Abstract要約: CTスキャンのラベル付けには多くの時間と労力が必要で、1スキャンにつき最大150分かかる。
我々は,CTスキャン画像のラベル付けを高速化する,スケーラブルで高速かつ高精度な能動学習システムを導入する。
- 参考スコア（独自算出の注目度）: 17.42747482530237
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: One of the key challenges in the battle against the Coronavirus (COVID-19)
pandemic is to detect and quantify the severity of the disease in a timely
manner. Computed tomographies (CT) of the lungs are effective for assessing the
state of the infection. Unfortunately, labeling CT scans can take a lot of time
and effort, with up to 150 minutes per scan. We address this challenge
introducing a scalable, fast, and accurate active learning system that
accelerates the labeling of CT scan images. Conventionally, active learning
methods require the labelers to annotate whole images with full supervision,
but that can lead to wasted efforts as many of the annotations could be
redundant. Thus, our system presents the annotator with unlabeled regions that
promise high information content and low annotation cost. Further, the system
allows annotators to label regions using point-level supervision, which is much
cheaper to acquire than per-pixel annotations. Our experiments on open-source
COVID-19 datasets show that using an entropy-based method to rank unlabeled
regions yields to significantly better results than random labeling of these
regions. Also, we show that labeling small regions of images is more efficient
than labeling whole images. Finally, we show that with only 7\% of the labeling
effort required to label the whole training set gives us around 90\% of the
performance obtained by training the model on the fully annotated training set.
Code is available at:
\url{https://github.com/IssamLaradji/covid19_active_learning}.
- Abstract（参考訳）: 新型コロナウイルス(COVID-19)パンデミックとの戦いにおける重要な課題の1つは、病気の重症度をタイムリーに検出し、定量化することである。
肺のCTは感染状況を評価するのに有効である。
残念なことに、CTスキャンのラベル付けには時間と労力がかかり、スキャンに最大150分かかる。
本稿では,ctスキャン画像のラベリングを高速化するスケーラブルで高速,高精度なアクティブ学習システムを提案する。
従来、アクティブな学習手法では、ラベラーは画像全体を完全な監督の下で注釈付けする必要があるが、多くのアノテーションが冗長になりうるため、無駄な労力につながる可能性がある。
そこで本システムは,高情報コンテンツと低アノテーションコストを約束する未ラベル領域のアノテータを提示する。
さらに、アノテータがポイントレベルの監視を使用してリージョンをラベル付けできるので、ピクセル単位のアノテーションよりもはるかに安価に取得できる。
オープンソースのCOVID-19データセットを用いた実験では、エントロピー法を用いてラベルのない領域をランク付けすると、これらの領域のランダムなラベル付けよりもはるかに良い結果が得られます。
また,画像の小さな領域のラベル付けは,画像全体のラベル付けよりも効率的であることを示す。
最後に,学習セット全体のラベル付けに要するラベリング労力のわずか7\%で,完全に注釈付きトレーニングセット上でモデルをトレーニングして得られるパフォーマンスの約90\%が得られることを示す。
コードは \url{https://github.com/issamlaradji/covid19_active_learning} で入手できる。
関連論文リスト
- Localized Region Contrast for Enhancing Self-Supervised Learning in
Medical Image Segmentation [27.82940072548603]
本稿では,地域コントラスト(LRC)を統合した新しいコントラスト学習フレームワークを提案する。
提案手法では,Felzenszwalbのアルゴリズムによるスーパーピクセルの同定と,新しいコントラッシブサンプリング損失を用いた局所コントラスト学習を行う。
論文 参考訳（メタデータ） (2023-04-06T22:43:13Z) - Weakly Supervised Learning Significantly Reduces the Number of Labels
Required for Intracranial Hemorrhage Detection on Head CT [7.713240800142863]
マシンラーニングパイプライン、特にディープラーニング(DL)モデルに基づくパイプラインは、大量のラベル付きデータを必要とする。
本研究は,脳CTにおける頭蓋内出血検出の課題に対して,どのようなラベルを収集すべきか,という課題について考察する。
強い監督(ローカルな画像レベルのアノテーションで学ぶこと)と弱い監督(グローバルな検査レベルのラベルだけで学ぶこと)は同等のパフォーマンスを達成する。
論文 参考訳（メタデータ） (2022-11-29T04:42:41Z) - Pseudo-label Guided Cross-video Pixel Contrast for Robotic Surgical
Scene Segmentation with Limited Annotations [72.15956198507281]
シーンセグメンテーションを促進するために,新しい擬似ラベル付きクロスビデオコントラスト学習法であるPGV-CLを提案する。
本研究では,ロボット外科手術データセットEndoVis18と白内障手術データセットCaDISについて検討した。
論文 参考訳（メタデータ） (2022-07-20T05:42:19Z) - Self-Supervised Learning as a Means To Reduce the Need for Labeled Data
in Medical Image Analysis [64.4093648042484]
胸部X線画像のデータセットとバウンディングボックスラベルを用いて,13種類の異常の分類を行った。
ラベル付きデータの平均精度と精度を60%に抑えることで,完全教師付きモデルと同等の性能が得られることを示す。
論文 参考訳（メタデータ） (2022-06-01T09:20:30Z) - Robust Medical Image Classification from Noisy Labeled Data with Global
and Local Representation Guided Co-training [73.60883490436956]
本稿では,ロバストな医用画像分類のためのグローバルおよびローカルな表現学習を用いた新しい協調学習パラダイムを提案する。
ノイズラベルフィルタを用いた自己アンサンブルモデルを用いて、クリーンでノイズの多いサンプルを効率的に選択する。
また,ネットワークを暗黙的に正規化してノイズの多いサンプルを利用するための,グローバルかつ局所的な表現学習手法を設計する。
論文 参考訳（メタデータ） (2022-05-10T07:50:08Z) - Weakly-supervised Generative Adversarial Networks for medical image
classification [1.479639149658596]
Weakly-Supervised Generative Adversarial Networks (WSGAN) と呼ばれる新しい医用画像分類アルゴリズムを提案する。
WSGANは、ラベルのない少数の実画像のみを使用して、偽画像やマスク画像を生成し、トレーニングセットのサンプルサイズを拡大する。
ラベル付きデータやラベルなしデータの少ない使用により,WSGANは比較的高い学習性能が得られることを示す。
論文 参考訳（メタデータ） (2021-11-29T15:38:48Z) - Semi-supervised Contrastive Learning for Label-efficient Medical Image
Segmentation [11.935891325600952]
そこで本研究では,限定的な画素単位のアノテーションを利用して,同じラベルの画素を埋め込み空間に集めるために,教師付き局所的コントラスト損失を提案する。
ラベル付きデータの量が異なるため、我々の手法は、最先端のコントラストベースの手法や他の半教師付き学習技術よりも一貫して優れている。
論文 参考訳（メタデータ） (2021-09-15T16:23:48Z) - Mixed Supervision Learning for Whole Slide Image Classification [88.31842052998319]
超高解像度画像のための混合監視学習フレームワークを提案する。
パッチトレーニングの段階では、このフレームワークは、粗いイメージレベルのラベルを使用して、自己教師付き学習を洗練することができる。
画素レベルの偽陽性と偽陰性を抑制するための包括的な戦略が提案されている。
論文 参考訳（メタデータ） (2021-07-02T09:46:06Z) - Grafit: Learning fine-grained image representations with coarse labels [114.17782143848315]
本稿では,学習ラベルの提供するものよりも細かな表現を学習する問題に対処する。
粗いラベルと下層の細粒度潜在空間を併用することにより、カテゴリレベルの検索手法の精度を大幅に向上させる。
論文 参考訳（メタデータ） (2020-11-25T19:06:26Z) - Multi-label Thoracic Disease Image Classification with Cross-Attention
Networks [65.37531731899837]
胸部X線画像から胸部疾患を自動分類するためのCAN(Cross-Attention Networks)を提案する。
また,クロスエントロピー損失を超える新たな損失関数を設計し,クラス間の不均衡を克服する。
論文 参考訳（メタデータ） (2020-07-21T14:37:00Z) - A Weakly Supervised Consistency-based Learning Method for COVID-19
Segmentation in CT Images [11.778195406694206]
コロナウイルス病2019(COVID-19)は世界中で活発に広がり、現実的な健康危機を引き起こしている。
トモグラフィ(CT)画像中のCOVID-19を自動的に検出するシステムは、病気の重症度を定量化するのに役立つ。
我々は、CT画像上の各感染領域に1ピクセルのポイントアノテーションを要求することで、これらのラベル付けの課題に対処する。
論文 参考訳（メタデータ） (2020-07-04T20:41:17Z)
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。