Fugu-MT 論文翻訳(概要): Hierarchical Consistency Regularized Mean Teacher for Semi-supervised 3D Left Atrium Segmentation

論文の概要: Hierarchical Consistency Regularized Mean Teacher for Semi-supervised 3D Left Atrium Segmentation

arxiv url: http://arxiv.org/abs/2105.10369v1
Date: Fri, 21 May 2021 14:15:45 GMT
ステータス: 処理完了
システム内更新日: 2021-05-25 03:32:09.446656
Title: Hierarchical Consistency Regularized Mean Teacher for Semi-supervised 3D Left Atrium Segmentation
Title（参考訳）: 半教師付き左房分割のための階層的一貫性正規化平均教師
Authors: Shumeng Li, Ziyuan Zhao, Kaixin Xu, Zeng Zeng, Cuntai Guan
Abstract要約: 本稿では,3次元左房分割のための新しい階層的整合性正規化平均教師フレームワークを提案する。各イテレーションにおいて、学生モデルは、マルチスケールの深い監督と階層的な整合性正規化によって同時に最適化される。
参考スコア（独自算出の注目度）: 8.813673613659704
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Deep learning has achieved promising segmentation performance on 3D left atrium MR images. However, annotations for segmentation tasks are expensive, costly and difficult to obtain. In this paper, we introduce a novel hierarchical consistency regularized mean teacher framework for 3D left atrium segmentation. In each iteration, the student model is optimized by multi-scale deep supervision and hierarchical consistency regularization, concurrently. Extensive experiments have shown that our method achieves competitive performance as compared with full annotation, outperforming other stateof-the-art semi-supervised segmentation methods.
Abstract（参考訳）: ディープラーニングは3D左心房MR画像において有望なセグメンテーション性能を達成した。しかし、セグメンテーションタスクのアノテーションは高価でコストがかかり、入手が難しい。本稿では,3次元左房セグメンテーションのための階層的整合性規則化平均教師フレームワークを提案する。各イテレーションにおいて、学生モデルは、マルチスケールの深い監督と階層的な整合性正規化によって同時に最適化される。大規模な実験により,本手法は全アノテーションと比較して競争性能が向上し,最先端の半教師付きセグメンテーション法よりも優れていた。

関連論文リスト

CUS3D :CLIP-based Unsupervised 3D Segmentation via Object-level Denoise [9.12768731317489]
CUS3Dという新しい蒸留学習フレームワークを提案する。オブジェクトレベルのデノシングプロジェクションモジュールは、ノイズのスクリーニングとより正確な3D機能を保証するように設計されています。得られた特徴に基づき、3D特徴とCLIP意味的特徴空間を整合させる多モード蒸留学習モジュールを設計した。
論文参考訳（メタデータ） (2024-09-21T02:17:35Z)
Bayesian Self-Training for Semi-Supervised 3D Segmentation [59.544558398992386]
3Dセグメンテーションはコンピュータビジョンの中核的な問題である。完全に教師されたトレーニングを採用するために、3Dポイントクラウドを密にラベル付けすることは、労働集約的で高価です。半教師付きトレーニングは、ラベル付きデータの小さなセットのみを付与し、より大きなラベル付きデータセットを伴って、より実用的な代替手段を提供する。
論文参考訳（メタデータ） (2024-09-12T14:54:31Z)
Competitive Ensembling Teacher-Student Framework for Semi-Supervised Left Atrium MRI Segmentation [8.338801567668233]
半教師付き学習は、専門家から豊富な注釈を取得する必要性を効果的に軽減するため、医療画像のセグメンテーションが大幅に進歩している。本稿では,3次元MR画像から左心房分節を半教師する簡易で効率的な競争力のある教員養成フレームワークを提案する。
論文参考訳（メタデータ） (2023-10-21T09:23:34Z)
Scribble-based 3D Multiple Abdominal Organ Segmentation via Triple-branch Multi-dilated Network with Pixel- and Class-wise Consistency [20.371144313009122]
そこで本研究では,CTからスクリブル制御された多発性腹部臓器分節に対する2つの整合性制約を有する新しい3Dフレームワークを提案する。より安定した教師なし学習のために、voxel-wiseの不確実性を用いて、ソフトな擬似ラベルを修正し、各デコーダの出力を監督する。公開WORDデータセットの実験により,本手法は既存の5つのスクリブル教師付き手法より優れていることが示された。
論文参考訳（メタデータ） (2023-09-18T12:50:58Z)
Understanding and Constructing Latent Modality Structures in Multi-modal Representation Learning [53.68371566336254]
優れたパフォーマンスの鍵は、完全なモダリティアライメントではなく、有意義な潜在モダリティ構造にある、と我々は主張する。具体的には,1)モダリティ内正規化のための深い特徴分離損失,2)モダリティ間正規化のためのブラウン橋損失,3)モダリティ内正規化およびモダリティ間正規化のための幾何学的整合損失を設計する。
論文参考訳（メタデータ） (2023-03-10T14:38:49Z)
HS3: Learning with Proper Task Complexity in Hierarchically Supervised Semantic Segmentation [81.87943324048756]
本稿では,タスクの複雑さによって意味のある表現を学習するためのセグメンテーションネットワークの中間層を監督するトレーニングスキームである階層的意味論(Hierarchically Supervised Semantic,HS3)を提案する。提案するHS3-Fuseフレームワークはセグメンテーション予測をさらに改善し、2つの大きなセグメンテーションベンチマークであるNYUD-v2とCityscapesで最先端の結果を得る。
論文参考訳（メタデータ） (2021-11-03T16:33:29Z)
Flip Learning: Erase to Segment [65.84901344260277]
弱い教師付きセグメンテーション(WSS)は、時間と面倒な手作業のアノテーションを減らすのに役立ちます。ボックスアノテーションのみを必要とするFlip Learningという,斬新で汎用的なWSSフレームワークを提案する。提案手法は,完全教師付き学習と弱教師付き学習のギャップを狭める大きな可能性を示す。
論文参考訳（メタデータ） (2021-08-02T09:56:10Z)
3D Segmentation Learning from Sparse Annotations and Hierarchical Descriptors [7.161067294394475]
GIDSegはスパースアノテーションからセグメンテーションを同時に学習できる新しいアプローチである。 GIDSegは、動的エッジ畳み込みネットワークを介して、グローバルおよび個別の関係を描いている。逆学習モジュールは、ID記述子の条件制約をさらに強化するためにも設計されている。
論文参考訳（メタデータ） (2021-05-27T00:31:37Z)
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)
Three Ways to Improve Semantic Segmentation with Self-Supervised Depth Estimation [90.87105131054419]
ラベルなし画像列からの自己教師付き単眼深度推定により強化された半教師付きセマンティックセマンティックセマンティックセマンティクスのフレームワークを提案する。提案されたモデルをCityscapesデータセット上で検証する。
論文参考訳（メタデータ） (2020-12-19T21:18:03Z)

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。