論文の概要: D-LEMA: Deep Learning Ensembles from Multiple Annotations -- Application
to Skin Lesion Segmentation
- arxiv url: http://arxiv.org/abs/2012.07206v2
- Date: Thu, 29 Apr 2021 01:31:40 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-08 14:35:29.725414
- Title: D-LEMA: Deep Learning Ensembles from Multiple Annotations -- Application
to Skin Lesion Segmentation
- Title（参考訳）: D-LEMA: 複数のアノテーションからのディープラーニングアンサンブル-皮膚病変セグメンテーションへの応用
- Authors: Zahra Mirikharaji, Kumar Abhishek, Saeed Izadi, Ghassan Hamarneh
- Abstract要約: 画像に対するアノテーションの意見のコレクションを活用することは、ゴールド基準を推定する興味深い方法です。
深層モデル学習時のアノテーションの不一致に対処する手法を提案する。
- 参考スコア（独自算出の注目度）: 14.266037264648533
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Medical image segmentation annotations suffer from inter- and intra-observer
variations even among experts due to intrinsic differences in human annotators
and ambiguous boundaries. Leveraging a collection of annotators' opinions for
an image is an interesting way of estimating a gold standard. Although training
deep models in a supervised setting with a single annotation per image has been
extensively studied, generalizing their training to work with datasets
containing multiple annotations per image remains a fairly unexplored problem.
In this paper, we propose an approach to handle annotators' disagreements when
training a deep model. To this end, we propose an ensemble of Bayesian fully
convolutional networks (FCNs) for the segmentation task by considering two
major factors in the aggregation of multiple ground truth annotations: (1)
handling contradictory annotations in the training data originating from
inter-annotator disagreements and (2) improving confidence calibration through
the fusion of base models' predictions. We demonstrate the superior performance
of our approach on the ISIC Archive and explore the generalization performance
of our proposed method by cross-dataset evaluation on the PH2 and DermoFit
datasets.
- Abstract（参考訳）: 医用画像分割アノテーションは、人間の注釈とあいまいな境界に固有の違いがあるため、専門家の間でも、サーバ間およびサーバ内の違いに苦しむ。
画像に対する注釈者の意見の収集を活用することは、金の基準を推定する興味深い方法である。
画像毎に1つのアノテーションで教師あり環境での深層モデルのトレーニングは広く研究されているが、画像毎に複数のアノテーションを含むデータセットを扱うためのトレーニングの一般化は、かなり未解決の問題である。
本稿では, 深層モデルのトレーニングにおいて, アノテーションの相違に対処する手法を提案する。
そこで本研究では,(1)アノテーション間不一致から生ずる訓練データにおける矛盾するアノテーションの扱い,(2)ベースモデルの予測の融合による信頼度校正の改善という2つの要因を考慮し,セグメンテーションタスクのためのベイズ完全畳み込みネットワーク(fcns)のアンサンブルを提案する。
我々はISICアーカイブ上でのアプローチの優れた性能を実証し、提案手法の一般化性能をPH2およびDermoFitデータセットのクロスデータセット評価により検証する。
関連論文リスト
- Multi-rater Prompting for Ambiguous Medical Image Segmentation [12.452584289825849]
医用画像が複数の専門家(レーダ)によって独立して注釈付けされる場合、マルチラターアノテーションは一般的に発生する。
本稿では,これら2つの課題を完全に解決するためのマルチラッタープロンプトベースのアプローチを提案する。
論文 参考訳（メタデータ） (2024-04-11T09:13:50Z) - Robust Training of Federated Models with Extremely Label Deficiency [84.00832527512148]
フェデレーション半教師付き学習(FSSL)は、ラベル不足を伴う分散データを用いて機械学習モデルを協調訓練するための強力なパラダイムとして登場した。
我々は,ラベル付きおよびラベルなしデータの異なる視点から洞察を提供することにより相互指導を強化するために,ツインサイトと呼ばれる新しいツインモデルパラダイムを提案する。
4つのベンチマークデータセットに関する包括的な実験は、Twin-sightが様々な実験環境において最先端の手法を著しく上回っていることを示す重要な証拠となる。
論文 参考訳（メタデータ） (2024-02-22T10:19:34Z) - MSE-Nets: Multi-annotated Semi-supervised Ensemble Networks for
Improving Segmentation of Medical Image with Ambiguous Boundaries [21.513613620213754]
限られたマルチアノテートデータから医用画像のセグメンテーションを学習するためのマルチアノテート半教師付きアンサンブルネットワーク(MSE-Nets)を提案する。
本稿では,ネットワークペアワイズ・コンシスタンス・エンハンスメント(NPCE)モジュールとマルチネットワークPseudo Supervised(MNPS)モジュールを導入し,セグメンテーションタスクのためのMSE-Netsを強化する。
ISICデータセットの実験では、マルチアノテーションデータの需要を97.75%削減し、最高の完全に教師されたベースラインとのギャップをJaccardインデックスの4%に短縮した。
論文 参考訳（メタデータ） (2023-11-17T08:14:24Z) - Consistency Regularisation in Varying Contexts and Feature Perturbations
for Semi-Supervised Semantic Segmentation of Histology Images [14.005379068469361]
この課題を軽減するために,一貫性に基づく半教師付き学習(SSL)アプローチを提案する。
SSLモデルは、コンテキストの変更や、限られたトレーニングデータのために一般化が不十分な特徴の摂動にも影響する可能性がある。
相互整合性トレーニングにより、エンコーダの特徴が異なる摂動に不変となり、予測信頼性が向上することを示す。
論文 参考訳（メタデータ） (2023-01-30T18:21:57Z) - Phoneme Segmentation Using Self-Supervised Speech Models [13.956691231452336]
音素セグメンテーションのタスクに伝達学習を適用し、タスクの自己教師型事前学習において学習した表現の有用性を実証する。
我々のモデルは、事前学習で学んだ特徴を操作する戦略的に配置された畳み込みによるトランスフォーマースタイルのエンコーダを拡張している。
論文 参考訳（メタデータ） (2022-11-02T19:57:31Z) - Semantics-Depth-Symbiosis: Deeply Coupled Semi-Supervised Learning of
Semantics and Depth [83.94528876742096]
我々は,意味的セグメンテーションと深さ推定という2つの密なタスクのMTL問題に取り組み,クロスチャネル注意モジュール(CCAM)と呼ばれる新しいアテンションモジュールを提案する。
次に,AffineMixと呼ばれる予測深度を用いた意味分節タスクのための新しいデータ拡張と,ColorAugと呼ばれる予測セマンティクスを用いた単純な深度増分を定式化する。
最後に,提案手法の性能向上をCityscapesデータセットで検証し,深度と意味に基づく半教師付きジョイントモデルにおける最先端結果の実現を支援する。
論文 参考訳（メタデータ） (2022-06-21T17:40:55Z) - Dense Contrastive Visual-Linguistic Pretraining [53.61233531733243]
画像とテキストを共同で表現するマルチモーダル表現学習手法が提案されている。
これらの手法は,大規模マルチモーダル事前学習から高レベルな意味情報を取得することにより,優れた性能を実現する。
そこで本稿では,非バイアスのDense Contrastive Visual-Linguistic Pretrainingを提案する。
論文 参考訳（メタデータ） (2021-09-24T07:20:13Z) - SOSD-Net: Joint Semantic Object Segmentation and Depth Estimation from
Monocular images [94.36401543589523]
これら2つのタスクの幾何学的関係を利用するための意味的対象性の概念を紹介します。
次に, 対象性仮定に基づくセマンティックオブジェクト・深さ推定ネットワーク(SOSD-Net)を提案する。
私たちの知識を最大限に活用するために、SOSD-Netは同時単眼深度推定とセマンティックセグメンテーションのためのジオメトリ制約を利用する最初のネットワークです。
論文 参考訳（メタデータ） (2021-01-19T02:41:03Z) - Gradient-Induced Co-Saliency Detection [81.54194063218216]
Co-SOD(Co-saliency Detection)は、一般的な唾液前景を関連画像のグループに分割することを目的としている。
本稿では,人間の行動にインスパイアされた,勾配誘導型共分散検出法を提案する。
論文 参考訳（メタデータ） (2020-04-28T08:40:55Z) - Deep Semantic Matching with Foreground Detection and Cycle-Consistency [103.22976097225457]
深層ネットワークに基づく弱い教師付きセマンティックマッチングに対処する。
本研究では,背景乱れの影響を抑えるために,前景領域を明示的に推定する。
複数の画像にまたがって予測変換を強制し、幾何的に可視かつ一貫したサイクル一貫性の損失を発生させる。
論文 参考訳（メタデータ） (2020-03-31T22:38:09Z)
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。