論文の概要: Scalable Semi-supervised Landmark Localization for X-ray Images using Few-shot Deep Adaptive Graph

• arxiv url: http://arxiv.org/abs/2104.14629v1
• Date: Thu, 29 Apr 2021 19:46:18 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-03 13:54:05.118224
• Title: Scalable Semi-supervised Landmark Localization for X-ray Images using Few-shot Deep Adaptive Graph
• Title（参考訳）: Few-shot Deep Adaptive Graph を用いたX線画像のスケーラブル半教師付きランドマーク位置決め
• Authors: Xiao-Yun Zhou, Bolin Lai, Weijian Li, Yirui Wang, Kang Zheng, Fakai Wang, Chihung Lin, Le Lu, Lingyun Huang, Mei Han, Guotong Xie, Jing Xiao, Kuo Chang-Fu, Adam Harrison, Shun Miao
• Abstract要約: 完全に監視されたグラフベースの方法であるDAGに基づいて、少数のショットDAGと呼ばれる半監視された拡張を提案しました。 まず、ラベル付きデータ上でDAGモデルをトレーニングし、教師のSSLメカニズムを使用してラベル付きデータ上で事前トレーニングされたモデルを微調整する。 骨盤,手指,胸部ランドマーク検出タスクについて広範囲に検討を行った。
• 参考スコア（独自算出の注目度）: 19.588348005574165
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Landmark localization plays an important role in medical image analysis. Learning based methods, including CNN and GCN, have demonstrated the state-of-the-art performance. However, most of these methods are fully-supervised and heavily rely on manual labeling of a large training dataset. In this paper, based on a fully-supervised graph-based method, DAG, we proposed a semi-supervised extension of it, termed few-shot DAG, \ie five-shot DAG. It first trains a DAG model on the labeled data and then fine-tunes the pre-trained model on the unlabeled data with a teacher-student SSL mechanism. In addition to the semi-supervised loss, we propose another loss using JS divergence to regulate the consistency of the intermediate feature maps. We extensively evaluated our method on pelvis, hand and chest landmark detection tasks. Our experiment results demonstrate consistent and significant improvements over previous methods.
• Abstract（参考訳）: ランドマークのローカライゼーションは、医療画像解析において重要な役割を果たす。 CNNやGCNといった学習ベースの手法は、最先端のパフォーマンスを実証している。 しかし、これらの手法のほとんどは完全に教師され、大規模なトレーニングデータセットのマニュアルラベル付けに大きく依存している。 本稿では,完全教師付きグラフベースDAGに基づいて,このDAGの半教師付き拡張について提案した。 まず、ラベル付きデータ上でDAGモデルをトレーニングし、教師のSSLメカニズムを使用してラベル付きデータ上で事前トレーニングされたモデルを微調整する。 半教師付き損失に加えて、中間特徴写像の整合性を制御するためにJS分散を用いた別の損失を提案する。 骨盤,手指,胸部ランドマーク検出タスクについて広範囲に検討を行った。 実験の結果,従来の手法よりも一貫した有意な改善が得られた。

関連論文リスト

• Variational Graph Contrastive Learning [1.9950682531209158]
  グラフ表現学習(GRL)は、高次元グラフ構造化データを低次元ベクトルに符号化することを目的とした機械学習の基本課題である。 本研究では,SGEC(Subgraph Gaussian Embedding Contrast)法を提案する。
  論文  参考訳（メタデータ） (2024-11-11T17:23:07Z)
• GeoGuide: Geometric guidance of diffusion models [8.34616719984217]
  GeoGuideは、データ多様体から拡散モデルの軌道距離をトレースするガイダンスモデルである。 FIDスコアと生成された画像の品質の両方に関して、確率論的アプローチ ADM-G を超えている。
  論文  参考訳（メタデータ） (2024-07-17T07:56:27Z)
• GOODAT: Towards Test-time Graph Out-of-Distribution Detection [103.40396427724667]
  グラフニューラルネットワーク(GNN)は、さまざまな領域にわたるグラフデータのモデリングに広く応用されている。 近年の研究では、特定のモデルのトレーニングや、よく訓練されたGNN上でのデータ修正に重点を置いて、OOD検出のグラフを調査している。 本稿では、GNNアーキテクチャのトレーニングデータと修正から独立して動作する、データ中心、教師なし、プラグアンドプレイのソリューションを提案する。
  論文  参考訳（メタデータ） (2024-01-10T08:37:39Z)
• From Cluster Assumption to Graph Convolution: Graph-based Semi-Supervised Learning Revisited [51.24526202984846]
  グラフベースの半教師付き学習(GSSL)は、長い間ホットな研究トピックだった。 グラフ畳み込みネットワーク (GCN) は, 有望な性能を示す主要な技術となっている。
  論文  参考訳（メタデータ） (2023-09-24T10:10:21Z)
• Graph Out-of-Distribution Generalization with Controllable Data Augmentation [51.17476258673232]
  グラフニューラルネットワーク(GNN)は,グラフ特性の分類において異常な性能を示した。 トレーニングとテストデータの選択バイアスが原因で、分散偏差が広まっています。 仮想サンプルの分布偏差を測定するためのOODキャリブレーションを提案する。
  論文  参考訳（メタデータ） (2023-08-16T13:10:27Z)
• Cluster-level pseudo-labelling for source-free cross-domain facial expression recognition [94.56304526014875]
  表情認識のためのSFUDA法を提案する。 本手法は,自己教師付き事前学習を利用して,対象データから優れた特徴表現を学習する。 提案手法の有効性を4つの適応方式で検証し,FERに適用した場合,既存のSFUDA法より一貫して優れていることを示す。
  論文  参考訳（メタデータ） (2022-10-11T08:24:50Z)
• A semi-supervised Teacher-Student framework for surgical tool detection and localization [2.41710192205034]
  外科的ツール検出のパラダイムにおいて,半教師付き学習(SSL)フレームワークを導入する。 提案手法では,教師-学生共同学習を初期化するラベル付きデータを用いたモデルを訓練する。 m2cai16-tool-locations データセットの結果は、異なる教師付きデータ設定に対するアプローチの優位性を示している。
  論文  参考訳（メタデータ） (2022-08-21T17:21:31Z)
• 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)
• Adapting the Mean Teacher for keypoint-based lung registration under geometric domain shifts [75.51482952586773]
  ディープニューラルネットワークは一般的に、ラベル付きトレーニングデータが多く必要であり、トレーニングデータとテストデータの間のドメインシフトに弱い。 本稿では,ラベル付きソースからラベル付きターゲットドメインへのモデルの適用により,画像登録のための幾何学的領域適応手法を提案する。 本手法は,ベースラインモデルの精度を目標データに適合させながら,ベースラインモデルの50%/47%を継続的に改善する。
  論文  参考訳（メタデータ） (2022-07-01T12:16:42Z)
• A self-training framework for glaucoma grading in OCT B-scans [6.382852973055393]
  そこで本研究では,OCT B-Scansを用いた緑内障検診のための自己学習型フレームワークを提案する。 2段階の学習手法は、最初のステップで生成された擬似ラベルを利用して、ターゲットドメイン上のトレーニングデータセットを拡大する。 提案する新しい緑内障特異的バックボーンは,遅延空間の埋め込み特性を改良するために,スキップ接続による残像と注意点のモジュールを導入している。
  論文  参考訳（メタデータ） (2021-11-23T10:33:55Z)
• Combining Deep Learning with Geometric Features for Image based Localization in the Gastrointestinal Tract [8.510792628268824]
  そこで本研究では,Deep Learning法と従来の特徴量に基づく手法を併用して,小さなトレーニングデータを用いたより優れたローカライゼーションを実現する手法を提案する。 本手法は, セグメンテッドトレーニング画像セットにおいて, 最寄りのゾーンに数発の分類を行うために, シームズネットワーク構造を導入することにより, 両世界の長所をフル活用する。 精度は28.94% (Position) と10.97% (Orientation) で改善されている。
  論文  参考訳（メタデータ） (2020-05-11T23:04:00Z)

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。