論文の概要: Boosting Semi-supervised Image Segmentation with Global and Local Mutual Information Regularization

• arxiv url: http://arxiv.org/abs/2103.04813v1
• Date: Mon, 8 Mar 2021 15:13:25 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-09 15:31:26.352802
• Title: Boosting Semi-supervised Image Segmentation with Global and Local Mutual Information Regularization
• Title（参考訳）: グローバル・ローカル情報正規化による半監督画像分割の促進
• Authors: Jizong Peng and Marco Pedersoli and Christian Desrosiers
• Abstract要約: カテゴリー分布の相互情報(MI)を利用する半教師付きセグメンテーション手法を提案する。 医用画像セグメンテーションのための3つの挑戦的公開データセットについて評価を行った。
• 参考スコア（独自算出の注目度）: 9.994508738317585
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The scarcity of labeled data often impedes the application of deep learning to the segmentation of medical images. Semi-supervised learning seeks to overcome this limitation by leveraging unlabeled examples in the learning process. In this paper, we present a novel semi-supervised segmentation method that leverages mutual information (MI) on categorical distributions to achieve both global representation invariance and local smoothness. In this method, we maximize the MI for intermediate feature embeddings that are taken from both the encoder and decoder of a segmentation network. We first propose a global MI loss constraining the encoder to learn an image representation that is invariant to geometric transformations. Instead of resorting to computationally-expensive techniques for estimating the MI on continuous feature embeddings, we use projection heads to map them to a discrete cluster assignment where MI can be computed efficiently. Our method also includes a local MI loss to promote spatial consistency in the feature maps of the decoder and provide a smoother segmentation. Since mutual information does not require a strict ordering of clusters in two different assignments, we incorporate a final consistency regularization loss on the output which helps align the cluster labels throughout the network. We evaluate the method on three challenging publicly-available datasets for medical image segmentation. Experimental results show our method to outperform recently-proposed approaches for semi-supervised segmentation and provide an accuracy near to full supervision while training with very few annotated images
• Abstract（参考訳）: ラベル付きデータの希少性は、しばしば医療画像のセグメンテーションへのディープラーニングの適用を妨げます。 半教師付き学習は、学習プロセスでラベルなしの例を利用することで、この制限を克服しようとする。 本稿では,大域的表現不変性と局所的滑らか性の両方を達成するために,カテゴリ分布の相互情報(MI)を利用する半教師付きセグメンテーション手法を提案する。 本研究では,セグメント化ネットワークのエンコーダとデコーダの両方から得られる中間特徴埋め込みのMIを最大化する。 まず,エンコーダが幾何学的変換に不変な画像表現を学ぶことを制約する大域的mi損失を提案する。 連続的な特徴埋め込みにおいてMIを推定する計算的拡張手法に頼る代わりに、プロジェクションヘッドを使用して、MIを効率的に計算できる離散クラスタ割り当てにマッピングする。 また、デコーダの特徴図における空間整合性を促進し、よりスムーズなセグメンテーションを実現するローカルMI損失も含みます。 相互情報には2つの異なる割り当てにおけるクラスタの厳密な順序が必要ないため、ネットワーク全体のクラスタラベルを整合させるのに役立つ出力に対する最終的な一貫性の正規化損失が組み込まれている。 医用画像セグメンテーションのための3つの挑戦的公開データセットについて評価を行った。 半教師付きセグメンテーションにおける最近提案されているアプローチを上回ることと,アノテート画像の少ない訓練中に全監督に近い精度を与える実験結果を示す。

関連論文リスト

• SegMatch: A semi-supervised learning method for surgical instrument segmentation [10.223709180135419]
  腹腔鏡およびロボット手術画像に対する高価なアノテーションの必要性を低減するための半教師付き学習法であるSegMatchを提案する。 SegMatchは、一貫性の正規化と擬似ラベリングを組み合わせた、広範な半教師付き分類パイプラインであるFixMatch上に構築されている。 この結果から,学習目的に非競合データを追加することで,完全教師付きアプローチの性能を超越できることが示唆された。
  論文  参考訳（メタデータ） (2023-08-09T21:30:18Z)
• Self-Supervised Correction Learning for Semi-Supervised Biomedical Image Segmentation [84.58210297703714]
  半教師付きバイオメディカルイメージセグメンテーションのための自己教師付き補正学習パラダイムを提案する。 共有エンコーダと2つの独立デコーダを含むデュアルタスクネットワークを設計する。 異なるタスクのための3つの医用画像分割データセットの実験により,本手法の優れた性能が示された。
  論文  参考訳（メタデータ） (2023-01-12T08:19:46Z)
• IDEAL: Improved DEnse locAL Contrastive Learning for Semi-Supervised Medical Image Segmentation [3.6748639131154315]
  我々は,メートル法学習の概念をセグメンテーションタスクに拡張する。 本稿では,高密度画素レベルの特徴量を得るための単純な畳み込みプロジェクションヘッドを提案する。 下流タスクに対して,2ストリーム正規化トレーニングを含む双方向正規化機構を考案した。
  論文  参考訳（メタデータ） (2022-10-26T23:11:02Z)
• PCA: Semi-supervised Segmentation with Patch Confidence Adversarial Training [52.895952593202054]
  医用画像セグメンテーションのためのPatch Confidence Adrial Training (PCA) と呼ばれる半教師付き対向法を提案する。 PCAは各パッチの画素構造とコンテキスト情報を学習し、十分な勾配フィードバックを得る。 本手法は, 医用画像のセグメンテーションにおいて, 最先端の半教師付き手法より優れており, その有効性を示している。
  論文  参考訳（メタデータ） (2022-07-24T07:45:47Z)
• An Embarrassingly Simple Consistency Regularization Method for Semi-Supervised Medical Image Segmentation [0.0]
  医用画像のセグメンテーションタスクでは,ピクセルレベルのアノテーションの不足が問題となっている。 半教師付き医用画像セグメンテーションのための計算ベースミキシングを含む新しい正規化戦略を導入する。
  論文  参考訳（メタデータ） (2022-02-01T16:21:14Z)
• Semi-supervised Domain Adaptive Structure Learning [72.01544419893628]
  半教師付きドメイン適応 (SSDA) は,1) アノテーションの低いデータに過度に適合する手法と,2) ドメイン間の分散シフトの両方を克服しなければならない課題である。 SSLとDAの協調を正規化するための適応型構造学習手法を提案する。
  論文  参考訳（メタデータ） (2021-12-12T06:11:16Z)
• Unsupervised Image Segmentation by Mutual Information Maximization and Adversarial Regularization [7.165364364478119]
  InMARS(Information Maximization and Adrial Regularization)と呼ばれる新しい教師なしセマンティックセマンティックセマンティクス手法を提案する。 シーンを知覚群に解析する人間の知覚に触発され、提案手法はまず、入力画像を意味のある領域(スーパーピクセルとも呼ばれる)に分割する。 次に、相互情報最大化(Multual-Information-Maximization)と、それらの領域を意味論的に意味のあるクラスにクラスタ化するための敵対的トレーニング戦略を利用する。 提案手法は2つの非教師付きセマンティックセグメンテーションデータセット上での最先端性能を実現することを実証した。
  論文  参考訳（メタデータ） (2021-07-01T18:36:27Z)
• Semi-supervised Left Atrium Segmentation with Mutual Consistency Training [60.59108570938163]
  3次元MR画像からの半教師付き左房分割のための新しいMultual Consistency Network(MC-Net)を提案する。 我々のMC-Netは1つのエンコーダと2つのわずかに異なるデコーダから構成されており、2つのデコーダの予測誤差は教師なしの損失として変換される。 我々は,公開左心房(la)データベース上でmc-netを評価し,ラベルなしデータを効果的に活用することで印象的な性能向上を実現する。
  論文  参考訳（メタデータ） (2021-03-04T09:34:32Z)
• Semi-supervised Medical Image Segmentation through Dual-task Consistency [18.18484640332254]
  本稿では,画素単位のセグメンテーションマップと,ターゲットの幾何認識レベルセット表現を共同で予測する,新しいデュアルタスクディープネットワークを提案する。 本手法はラベルなしデータを組み込むことで性能を大幅に向上させることができる。 当フレームワークは,最先端の半教師付き医用画像分割法より優れている。
  論文  参考訳（メタデータ） (2020-09-09T17:49:21Z)
• 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)
• Self-supervised Equivariant Attention Mechanism for Weakly Supervised Semantic Segmentation [93.83369981759996]
  本稿では,自己監督同変注意機構(SEAM)を提案する。 本手法は,完全教師付きセマンティックセグメンテーションにおいて,同値が暗黙の制約であることを示す。 本稿では,ネットワーク学習のための自己スーパービジョンを提供するために,様々な変換画像から予測されたCAMの整合性正則化を提案する。
  論文  参考訳（メタデータ） (2020-04-09T14:57:57Z)

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。