論文の概要: Semi-supervised Anatomical Landmark Detection via Shape-regulated Self-training

• arxiv url: http://arxiv.org/abs/2105.13593v1
• Date: Fri, 28 May 2021 05:23:07 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-31 13:38:07.398530
• Title: Semi-supervised Anatomical Landmark Detection via Shape-regulated Self-training
• Title（参考訳）: 形状制御自己学習による半教師付き解剖学的ランドマーク検出
• Authors: Runnan Chen, Yuexin Ma, Lingjie Liu, Nenglun Chen, Zhiming Cui, Guodong Wei, Wenping Wang
• Abstract要約: よく注釈付けされた医療画像は費用がかかり、時には入手も不可能で、目印検出の精度をある程度損なう。 半教師付きランドマーク検出のためのモデルに依存しない形状制御型自己学習フレームワークを提案する。 当社のフレームワークは柔軟で,ほとんどの教師付きメソッドに統合されたプラグイン・アンド・プレイモジュールとして使用することで,パフォーマンスをさらに向上する。
• 参考スコア（独自算出の注目度）: 37.691539309804426
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Well-annotated medical images are costly and sometimes even impossible to acquire, hindering landmark detection accuracy to some extent. Semi-supervised learning alleviates the reliance on large-scale annotated data by exploiting the unlabeled data to understand the population structure of anatomical landmarks. The global shape constraint is the inherent property of anatomical landmarks that provides valuable guidance for more consistent pseudo labelling of the unlabeled data, which is ignored in the previously semi-supervised methods. In this paper, we propose a model-agnostic shape-regulated self-training framework for semi-supervised landmark detection by fully considering the global shape constraint. Specifically, to ensure pseudo labels are reliable and consistent, a PCA-based shape model adjusts pseudo labels and eliminate abnormal ones. A novel Region Attention loss to make the network automatically focus on the structure consistent regions around pseudo labels. Extensive experiments show that our approach outperforms other semi-supervised methods and achieves notable improvement on three medical image datasets. Moreover, our framework is flexible and can be used as a plug-and-play module integrated into most supervised methods to improve performance further.
• Abstract（参考訳）: 十分な注釈付き医療画像はコストがかかり、時には取得が困難であり、ランドマーク検出精度をある程度妨げている。 半教師付き学習は、未ラベルデータを利用して解剖学的ランドマークの人口構造を理解することにより、大規模な注釈データへの依存を軽減する。 グローバル形状制約は解剖学的ランドマークの固有の特性であり、ラベルのないデータのより一貫性のある擬似ラベル付けのための貴重なガイダンスを提供する。 本稿では,全体形状制約を十分に考慮し,半教師付きランドマーク検出のためのモデル非依存型自己学習フレームワークを提案する。 特に、擬似ラベルの信頼性と一貫性を確保するため、pcaベースの形状モデルは擬似ラベルを調整し、異常ラベルを排除する。 ネットワークを疑似ラベルを取り巻く構造的一貫性のある領域に自動的に集中させる新しい領域注意損失。 広汎な実験により,本手法は他の半教師付き手法よりも優れ,3つの医用画像データセットにおいて顕著な改善が得られた。 さらに、このフレームワークは柔軟性があり、ほとんどの教師付きメソッドに統合されたプラグアンドプレイモジュールとして使用することができ、パフォーマンスをさらに向上します。

関連論文リスト

• SAM-Driven Weakly Supervised Nodule Segmentation with Uncertainty-Aware Cross Teaching [13.5553526185399]
  自動結節分割は超音波画像におけるコンピュータ支援診断に不可欠である。 近年、SAMのようなセグメンテーション基礎モデルは、自然画像に顕著な一般化性を示している。 本研究では, セグメンテーション基盤モデルを利用して擬似ラベルを生成する, 弱教師付きフレームワークを考案する。
  論文  参考訳（メタデータ） (2024-07-18T14:27:54Z)
• Deep Omni-supervised Learning for Rib Fracture Detection from Chest Radiology Images [41.62893318123283]
  ディープラーニング(DL)に基づくリブ骨折検出は、死亡を予防し、患者の予後を改善する上で重要な役割を担っている。 DLベースのオブジェクト検出モデルは、大量のバウンディングボックスアノテーションを必要とします。 医用データの注釈付けは時間がかかり専門知識が要求されるため、大量の細かい注釈を得られることは極めて不可能である。 我々は,ORF-Netv2という新しいオブジェクト検出ネットワークを提案する。
  論文  参考訳（メタデータ） (2023-06-23T05:36:03Z)
• All Points Matter: Entropy-Regularized Distribution Alignment for Weakly-supervised 3D Segmentation [67.30502812804271]
  擬似ラベルは、弱い教師付き3Dセグメンテーションタスクに広く使われており、学習に使えるのはスパース・グラウンド・トラス・ラベルのみである。 本稿では,生成した擬似ラベルを正規化し,擬似ラベルとモデル予測とのギャップを効果的に狭めるための新しい学習戦略を提案する。
  論文  参考訳（メタデータ） (2023-05-25T08:19:31Z)
• A Global and Patch-wise Contrastive Loss for Accurate Automated Exudate Detection [12.669734891001667]
  糖尿病網膜症(DR:diabetic retinopathy)は、視覚障害の主要な原因である。 硬口蓋の早期発見は、糖尿病の治療と視力喪失の予防に役立つDRの同定において重要な役割を担っている。 ハード・エクスデュート・セグメンテーションを最適化する新しい教師付きコントラスト学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-02-22T17:39:00Z)
• One-Shot Medical Landmark Localization by Edge-Guided Transform and Noisy Landmark Refinement [59.14062241534754]
  医用ランドマークのワンショット化のための2段階のフレームワークを提案する。 ステージIでは,新たな損失関数の指導の下で,グローバルアライメントと局所変形のエンドツーエンドのカスケードを学習する。 ステージIIでは,信頼性の高い擬似ラベルを選択するための自己整合性や,半教師付き学習のための相互整合性について検討する。
  論文  参考訳（メタデータ） (2022-07-31T15:42:28Z)
• Self-Supervised Predictive Convolutional Attentive Block for Anomaly Detection [97.93062818228015]
  本稿では,再建に基づく機能を,新たな自己監督型予測アーキテクチャビルディングブロックに統合することを提案する。 我々のブロックは、受容領域におけるマスク領域に対する再構成誤差を最小限に抑える損失を備える。 画像やビデオの異常検出のための最先端フレームワークに組み込むことで,ブロックの汎用性を実証する。
  論文  参考訳（メタデータ） (2021-11-17T13:30:31Z)
• All-Around Real Label Supervision: Cyclic Prototype Consistency Learning for Semi-supervised Medical Image Segmentation [41.157552535752224]
  半教師付き学習は、費用がかかる専門家によるアノテーションの取得の重い負担を軽減するため、医用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,ラベル付き-ラベル付き(L2U)フォワードプロセスとラベル付き-ラベル付き(U2L)バックワードプロセスによって構築された,新しいサイクリックプロトタイプ一貫性学習(CPCL)フレームワークを提案する。 我々のフレームワークは、過去のtextit"教師なし"一貫性を新しいtextit"教師なし"一貫性に変える。
  論文  参考訳（メタデータ） (2021-09-28T14:34:06Z)
• Weakly-Supervised Cross-Domain Adaptation for Endoscopic Lesions Segmentation [79.58311369297635]
  異なるデータセットにまたがるトランスファー可能なドメイン不変知識を探索できる,新しい弱い教師付き病巣移動フレームワークを提案する。 wasserstein quantified transferability frameworkは、広い範囲の転送可能なコンテキスト依存性を強調するために開発されている。 新規な自己監督型擬似ラベル生成器は、送信困難かつ転送容易なターゲットサンプルの両方に対して、確実な擬似ピクセルラベルを等しく提供するように設計されている。
  論文  参考訳（メタデータ） (2020-12-08T02:26:03Z)
• A Teacher-Student Framework for Semi-supervised Medical Image Segmentation From Mixed Supervision [62.4773770041279]
  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。
  論文  参考訳（メタデータ） (2020-10-23T07:58:20Z)

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。