論文の概要: MS-KD: Multi-Organ Segmentation with Multiple Binary-Labeled Datasets

• arxiv url: http://arxiv.org/abs/2108.02559v1
• Date: Thu, 5 Aug 2021 12:29:26 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-06 17:36:26.167810
• Title: MS-KD: Multi-Organ Segmentation with Multiple Binary-Labeled Datasets
• Title（参考訳）: MS-KD:複数バイナリラベルデータセットによるマルチオーガンセグメンテーション
• Authors: Shixiang Feng, Yuhang Zhou, Xiaoman Zhang, Ya Zhang, and Yanfeng Wang
• Abstract要約: 本稿では,バイナリラベル付きデータセットの集合を利用したマルチ組織セグメンテーションモデルの学習方法について検討する。 また,MS-KD(Multi-Teacher Single-Student Knowledge Distillation)フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 20.60290563940572
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Annotating multiple organs in 3D medical images is time-consuming and costly. Meanwhile, there exist many single-organ datasets with one specific organ annotated. This paper investigates how to learn a multi-organ segmentation model leveraging a set of binary-labeled datasets. A novel Multi-teacher Single-student Knowledge Distillation (MS-KD) framework is proposed, where the teacher models are pre-trained single-organ segmentation networks, and the student model is a multi-organ segmentation network. Considering that each teacher focuses on different organs, a region-based supervision method, consisting of logits-wise supervision and feature-wise supervision, is proposed. Each teacher supervises the student in two regions, the organ region where the teacher is considered as an expert and the background region where all teachers agree. Extensive experiments on three public single-organ datasets and a multi-organ dataset have demonstrated the effectiveness of the proposed MS-KD framework.
• Abstract（参考訳）: 3D画像に複数の臓器を付加することは、時間と費用がかかる。 一方、特定の臓器に注釈を付けた単一臓器データセットが多数存在する。 本稿では,バイナリラベル付きデータセットの集合を利用したマルチ組織セグメンテーションモデルを学習する方法を検討する。 教師モデルが事前訓練された単一組織セグメンテーションネットワークであり、学生モデルがマルチ組織セグメンテーションネットワークである、新しいマルチ教師シングルスチューデント知識蒸留(MS-KD)フレームワークを提案する。 それぞれの教師が異なる臓器に焦点を当てていることを考慮し,ロジット的監督と機能的監督からなる地域的監督手法を提案する。 各教師は、教師が専門家と見なされるオルガン領域と、すべての教師が同意する背景領域の2つの領域で生徒を監督する。 3つのパブリック・シングル・オーガン・データセットとマルチ・オーガン・データセットに関する広範な実験により、提案されたms-kdフレームワークの有効性が実証された。

関連論文リスト

• Dual-Teacher Ensemble Models with Double-Copy-Paste for 3D Semi-Supervised Medical Image Segmentation [31.460549289419923]
  半教師付き学習(SSL)技術は、3次元医用画像セグメンテーションの高ラベリングコストに対処する。 本稿では,サンプルの特性に基づいて異なるアンサンブル法を選択するSSE(Staged Selective Ensemble)モジュールを提案する。 3次元医用画像分割作業における提案手法の有効性を実験的に検証した。
  論文  参考訳（メタデータ） (2024-10-15T11:23:15Z)
• Alternate Diverse Teaching for Semi-supervised Medical Image Segmentation [62.021828104757745]
  そこで我々は,教師-学生の枠組みにおける多様な教育手法であるAD-MTを提案する。 一人の生徒モデルと2つの訓練不可能な教師モデルがあり、それは定期的に、ランダムに、別の方法で、モーメントを更新する。
  論文  参考訳（メタデータ） (2023-11-29T02:44:54Z)
• 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)
• Knowledge distillation from multi-modal to mono-modal segmentation networks [13.213798509506272]
  学習したマルチモーダルネットワーク(教師)からモノモーダルネットワーク(学生)へ知識を伝達するフレームワークであるKD-Netを提案する。 学生ネットワークは教師から効果的に学習し、セグメンテーションの精度で常にベースラインのモノモーダルネットワークより優れていることを示す。
  論文  参考訳（メタデータ） (2021-06-17T14:46:57Z)
• Generalized Organ Segmentation by Imitating One-shot Reasoning using Anatomical Correlation [55.1248480381153]
  そこで我々は,アノテーション付きオルガンクラスから一般化されたオルガン概念を学習し,その概念を未知のクラスに転送するOrganNetを提案する。 そこで,OrganNetは臓器形態の幅広い変化に効果的に抵抗でき,一発分節タスクで最先端の結果が得られることを示す。
  論文  参考訳（メタデータ） (2021-03-30T13:41:12Z)
• DoDNet: Learning to segment multi-organ and tumors from multiple partially labeled datasets [102.55303521877933]
  本稿では,複数の臓器と腫瘍を部分的にラベル付けしたデータセット上に分割する動的オンデマンドネットワーク(DoDNet)を提案する。 DoDNetは共有エンコーダデコーダアーキテクチャ、タスク符号化モジュール、動的畳み込みフィルタを生成するコントローラ、そして単一だが動的セグメンテーションヘッドで構成されている。
  論文  参考訳（メタデータ） (2020-11-20T04:56:39Z)
• 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)
• 3D Segmentation Networks for Excessive Numbers of Classes: Distinct Bone Segmentation in Upper Bodies [1.2023648183416153]
  本稿では,多ラベル環境下での3次元セグメンテーションネットワークの訓練の複雑さについて論じる。 ネットワークアーキテクチャ、損失関数、データ拡張に必要となる変更を示す。 その結果,CTスキャンから学習した100以上の骨を同時に分割し,その頑健さを実証した。
  論文  参考訳（メタデータ） (2020-10-14T12:54:15Z)
• Multi-organ Segmentation via Co-training Weight-averaged Models from Few-organ Datasets [45.14004510709325]
  そこで本研究では,少数のデータセットから統一的なマルチ組織セグメンテーションネットワークを学習するための平均重み付きモデルを提案する。 ネットワーク間のノイズの多い指導を緩和するため、より信頼性の高いソフトラベルを作成するために、平均的な重み付けモデルを採用する。
  論文  参考訳（メタデータ） (2020-08-17T08:39:16Z)
• Unpaired Multi-modal Segmentation via Knowledge Distillation [77.39798870702174]
  本稿では,不対向画像分割のための新しい学習手法を提案する。 提案手法では,CTおよびMRI間での畳み込みカーネルの共有により,ネットワークパラメータを多用する。 我々は2つの多クラスセグメンテーション問題に対するアプローチを広範囲に検証した。
  論文  参考訳（メタデータ） (2020-01-06T20:03:17Z)

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。