論文の概要: A Teacher-Student Framework for Semi-supervised Medical Image
Segmentation From Mixed Supervision
- arxiv url: http://arxiv.org/abs/2010.12219v1
- Date: Fri, 23 Oct 2020 07:58:20 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-03 23:10:32.965814
- Title: A Teacher-Student Framework for Semi-supervised Medical Image
Segmentation From Mixed Supervision
- Title（参考訳）: 混合スーパービジョンからの半教師型医用画像セグメンテーションのための教師・学生フレームワーク
- Authors: Liyan Sun, Jianxiong Wu, Xinghao Ding, Yue Huang, Guisheng Wang and
Yizhou Yu
- Abstract要約: そこで我々は,臓器と病変のセグメンテーションのための教師と学生のスタイルに基づくセミ教師付き学習フレームワークを開発した。
我々は,本モデルがバウンディングボックスの品質に対して堅牢であることを示し,フル教師付き学習手法と比較した性能を実現する。
- 参考スコア（独自算出の注目度）: 62.4773770041279
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Standard segmentation of medical images based on full-supervised
convolutional networks demands accurate dense annotations. Such learning
framework is built on laborious manual annotation with restrict demands for
expertise, leading to insufficient high-quality labels. To overcome such
limitation and exploit massive weakly labeled data, we relaxed the rigid
labeling requirement and developed a semi-supervised learning framework based
on a teacher-student fashion for organ and lesion segmentation with partial
dense-labeled supervision and supplementary loose bounding-box supervision
which are easier to acquire. Observing the geometrical relation of an organ and
its inner lesions in most cases, we propose a hierarchical organ-to-lesion
(O2L) attention module in a teacher segmentor to produce pseudo-labels. Then a
student segmentor is trained with combinations of manual-labeled and
pseudo-labeled annotations. We further proposed a localization branch realized
via an aggregation of high-level features in a deep decoder to predict
locations of organ and lesion, which enriches student segmentor with precise
localization information. We validated each design in our model on LiTS
challenge datasets by ablation study and showed its state-of-the-art
performance compared with recent methods. We show our model is robust to the
quality of bounding box and achieves comparable performance compared with
full-supervised learning methods.
- Abstract（参考訳）: 完全教師付き畳み込みネットワークに基づく医用画像の標準セグメンテーションは、正確な密接な注釈を必要とする。
このような学習フレームワークは、専門知識の要求を制限した厳格なマニュアルアノテーションに基づいて構築されており、高品質なラベルが不足している。
このような制限を克服し、膨大なラベル付きデータを活用するため、厳密なラベル付け要求を緩和し、部分的な濃密なラベル付き監督と補足的ゆるみ付きボックスによる臓器と病変の分節を教師が指導する手法に基づく半教師付き学習フレームワークを開発した。
臓器の幾何学的関係と内部病変を多く観察し,教師セグメンタ内の階層型オルガン・ツー・レシオン(O2L)アテンションモジュールを提案し,擬似ラベルを生成する。
そして、マニュアルラベルと擬似ラベルアノテーションの組み合わせで学生セグメンタを訓練する。
さらに,深部デコーダにおける高レベル特徴の集約により,臓器や病変の位置を予測し,正確な局所化情報を持つ学生セグメンタを充実させるローカライズブランチを提案する。
litsチャレンジデータセットのモデルにおける各設計をアブレーション研究によって検証し,最近の手法と比較してその最新性能を示した。
我々は,本モデルがバウンディングボックスの品質に対して堅牢であることを示し,フル教師付き学習手法と比較した性能を実現する。
関連論文リスト
- Intrapartum Ultrasound Image Segmentation of Pubic Symphysis and Fetal Head Using Dual Student-Teacher Framework with CNN-ViT Collaborative Learning [1.5233179662962222]
pubic symphysis and fetal head (PSFH) の分節は、労働の進行をモニターし、潜在的に引き起こされる合併症を特定するための重要なステップである。
従来の半教師付き学習アプローチは、主に畳み込みニューラルネットワーク(CNN)に基づく統合ネットワークモデルを利用する。
CNN と Transformer を組み合わせた新しいフレームワークである Dual-Student and Teacher Combining CNN (DSTCT) を導入する。
論文 参考訳（メタデータ） (2024-09-11T00:57:31Z) - Guidelines for Cerebrovascular Segmentation: Managing Imperfect Annotations in the context of Semi-Supervised Learning [3.231698506153459]
教師付き学習法は、十分な量のラベル付きデータを入力した場合に優れた性能を達成する。
このようなラベルは一般的に、非常に時間がかかり、エラーが発生し、製造コストがかかる。
半教師付き学習アプローチはラベル付きデータとラベルなしデータの両方を活用する。
論文 参考訳（メタデータ） (2024-04-02T09:31:06Z) - Semi- and Weakly-Supervised Learning for Mammogram Mass Segmentation with Limited Annotations [49.33388736227072]
本稿では,マスセグメンテーションのための半弱教師付き学習フレームワークを提案する。
良好な性能を得るために, 限られた強ラベルのサンプルと十分な弱ラベルのサンプルを用いる。
CBIS-DDSMおよびINbreastデータセットを用いた実験により,本手法の有効性が示された。
論文 参考訳（メタデータ） (2024-03-14T12:05:25Z) - Pseudo Label-Guided Data Fusion and Output Consistency for
Semi-Supervised Medical Image Segmentation [9.93871075239635]
より少ないアノテーションで医用画像のセグメンテーションを行うための平均教師ネットワーク上に構築されたPLGDFフレームワークを提案する。
本稿では,ラベル付きデータとラベルなしデータを組み合わせてデータセットを効果的に拡張する,新しい擬似ラベル利用方式を提案する。
本フレームワークは,最先端の6つの半教師あり学習手法と比較して,優れた性能が得られる。
論文 参考訳（メタデータ） (2023-11-17T06:36:43Z) - Federated Semi-supervised Medical Image Classification via Inter-client
Relation Matching [58.26619456972598]
フェデレートラーニング(FL)は、ディープ・ネットワークのトレーニングのために、分散医療機関とのコラボレーションで人気が高まっている。
本報告では,実践的かつ困難なFL問題であるtextitFederated Semi-supervised Learning (FSSL)について検討する。
本稿では, 従来の整合性正規化機構を改良し, クライアント間関係マッチング方式を提案する。
論文 参考訳（メタデータ） (2021-06-16T07:58:00Z) - Self-Ensembling Contrastive Learning for Semi-Supervised Medical Image
Segmentation [6.889911520730388]
限られたラベルを持つ医用画像セグメンテーションにおける半教師あり学習の性能向上を目指す。
我々は、ラベルのない画像に対照的な損失を与えることによって、特徴レベルで潜在表現を直接学習する。
我々はMRIとCTのセグメンテーションデータセットの実験を行い、提案手法が最先端の性能を実現することを示す。
論文 参考訳（メタデータ） (2021-05-27T03:27:58Z) - Every Annotation Counts: Multi-label Deep Supervision for Medical Image
Segmentation [85.0078917060652]
この障壁を克服する半弱教師付きセグメンテーションアルゴリズムを提案する。
このアプローチは,深層指導と生徒・教師モデルの新しい定式化に基づいている。
我々の新しいセグメンテーションのトレーニング体制は、完全にラベル付けされ、バウンディングボックスでマークされた画像、単にグローバルラベル、あるいは全くないイメージを柔軟に活用することで、高価なラベルの要件を94.22%削減することができる。
論文 参考訳（メタデータ） (2021-04-27T14:51:19Z) - Uncertainty guided semi-supervised segmentation of retinal layers in OCT
images [4.046207281399144]
セグメンテーションネットワークを訓練する学生・教師のアプローチに基づく,新しい不確実性誘導半教師学習を提案する。
提案するフレームワークは,様々な画像モダリティにまたがるバイオメディカルイメージセグメンテーションに有効である。
論文 参考訳（メタデータ） (2021-03-02T23:14:25Z) - Few-shot Medical Image Segmentation using a Global Correlation Network
with Discriminative Embedding [60.89561661441736]
医療画像分割のための新しい手法を提案する。
深層畳み込みネットワークを用いた数ショット画像セグメンタを構築します。
深層埋め込みの識別性を高め,同一クラスの特徴領域のクラスタリングを促進する。
論文 参考訳（メタデータ） (2020-12-10T04:01:07Z) - Towards Robust Partially Supervised Multi-Structure Medical Image
Segmentation on Small-Scale Data [123.03252888189546]
データ不足下における部分教師付き学習(PSL)における方法論的ギャップを埋めるために,不確実性下でのビシナルラベル(VLUU)を提案する。
マルチタスク学習とヴィジナルリスク最小化によって動機づけられたVLUUは、ビジナルラベルを生成することによって、部分的に教師付き問題を完全な教師付き問題に変換する。
本研究は,ラベル効率の高い深層学習における新たな研究の方向性を示唆するものである。
論文 参考訳（メタデータ） (2020-11-28T16:31:00Z)
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。