論文の概要: Semi-supervised classification of radiology images with NoTeacher: A
Teacher that is not Mean
- arxiv url: http://arxiv.org/abs/2108.04423v1
- Date: Tue, 10 Aug 2021 03:08:35 GMT
- ステータス: 処理完了
- システム内更新日: 2021-08-11 14:35:12.316131
- Title: Semi-supervised classification of radiology images with NoTeacher: A
Teacher that is not Mean
- Title(参考訳): NoTeacherを用いた放射線画像の半教師による分類--意味不明の教師
- Authors: Balagopal Unnikrishnan, Cuong Nguyen, Shafa Balaram, Chao Li, Chuan
Sheng Foo, Pavitra Krishnaswamy
- Abstract要約: 一貫性に基づく半教師付き学習フレームワークであるNoTeacherを紹介する。
NoTeacherは2つの独立したネットワークを採用しており、教師ネットワークの必要性を排除している。
我々は,NoTeacherが5~15%未満のラベル付予算で,フル教師付きAUROCの90~95%以上を達成していることを示す。
- 参考スコア(独自算出の注目度): 10.880392855729552
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Deep learning models achieve strong performance for radiology image
classification, but their practical application is bottlenecked by the need for
large labeled training datasets. Semi-supervised learning (SSL) approaches
leverage small labeled datasets alongside larger unlabeled datasets and offer
potential for reducing labeling cost. In this work, we introduce NoTeacher, a
novel consistency-based SSL framework which incorporates probabilistic
graphical models. Unlike Mean Teacher which maintains a teacher network updated
via a temporal ensemble, NoTeacher employs two independent networks, thereby
eliminating the need for a teacher network. We demonstrate how NoTeacher can be
customized to handle a range of challenges in radiology image classification.
Specifically, we describe adaptations for scenarios with 2D and 3D inputs, uni
and multi-label classification, and class distribution mismatch between labeled
and unlabeled portions of the training data. In realistic empirical evaluations
on three public benchmark datasets spanning the workhorse modalities of
radiology (X-Ray, CT, MRI), we show that NoTeacher achieves over 90-95% of the
fully supervised AUROC with less than 5-15% labeling budget. Further, NoTeacher
outperforms established SSL methods with minimal hyperparameter tuning, and has
implications as a principled and practical option for semisupervised learning
in radiology applications.
- Abstract(参考訳): 深層学習モデルは放射線画像分類において高い性能を達成するが、大規模なラベル付きトレーニングデータセットの必要性により、その実践的応用はボトルネックとなる。
semi-supervised learning (ssl) アプローチは、小さなラベル付きデータセットと大きなラベル付きデータセットを併用し、ラベル付きコストを削減する可能性を提供する。
本研究では,確率的グラフィカルモデルを組み込んだ新しい一貫性ベースのSSLフレームワークであるNoTeacherを紹介する。
教師ネットワークを時間的アンサンブルで更新する平均教師とは異なり、NoTeacherは2つの独立したネットワークを採用しており、教師ネットワークの必要性を排除している。
放射線画像分類における様々な課題に対処するために,NoTeacherをどのようにカスタマイズできるかを示す。
具体的には、トレーニングデータのラベル付き部分とラベルなし部分の間の2次元および3次元入力、ユニおよびマルチラベル分類、クラス分布ミスマッチのシナリオに対する適応について述べる。
放射線学(X-Ray, CT, MRI)の能動モーダル性にまたがる3つの公開ベンチマークデータセットの現実的評価において,NoTeacherは5~15%の予算で全監督されたAUROCの90~95%以上を達成していることを示す。
さらに、NoTeacherは、最小限のハイパーパラメータチューニングによるSSLメソッドよりも優れており、放射線学応用における半教師あり学習の原則的かつ実践的な選択肢として含んでいる。
関連論文リスト
- 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) - Few-Shot Non-Parametric Learning with Deep Latent Variable Model [50.746273235463754]
遅延変数を用いた圧縮による非パラメトリック学習(NPC-LV)を提案する。
NPC-LVは、ラベルなしデータが多いがラベル付きデータはほとんどないデータセットの学習フレームワークである。
我々は,NPC-LVが低データ構造における画像分類における3つのデータセットの教師あり手法よりも優れていることを示す。
論文 参考訳(メタデータ) (2022-06-23T09:35:03Z) - Masked Unsupervised Self-training for Zero-shot Image Classification [98.23094305347709]
Masked Unsupervised Self-Training (MUST)は、疑似ラベルと生画像という2つの異なる、補完的な監督源を活用する新しいアプローチである。
MUSTはCLIPを大きなマージンで改善し、教師なしと教師なしの分類のパフォーマンスギャップを狭める。
論文 参考訳(メタデータ) (2022-06-07T02:03:06Z) - Self-Supervised Learning as a Means To Reduce the Need for Labeled Data
in Medical Image Analysis [64.4093648042484]
胸部X線画像のデータセットとバウンディングボックスラベルを用いて,13種類の異常の分類を行った。
ラベル付きデータの平均精度と精度を60%に抑えることで,完全教師付きモデルと同等の性能が得られることを示す。
論文 参考訳(メタデータ) (2022-06-01T09:20:30Z) - 3N-GAN: Semi-Supervised Classification of X-Ray Images with a 3-Player
Adversarial Framework [0.0]
医用画像の半教師付き分類を行うために,3N-GAN (3 Network Generative Adversarial Networks) を提案する。
予備的な結果は、様々なアルゴリズムによる分類性能とGAN世代の改善を示している。
論文 参考訳(メタデータ) (2021-09-22T23:18:59Z) - Semi-weakly Supervised Contrastive Representation Learning for Retinal
Fundus Images [0.2538209532048867]
本稿では,半弱化アノテーションを用いた表現学習のための,半弱化教師付きコントラスト学習フレームワークを提案する。
SWCLの移動学習性能を7つの公立網膜眼底データセットで実証的に検証した。
論文 参考訳(メタデータ) (2021-08-04T15:50:09Z) - Multi-Label Generalized Zero Shot Learning for the Classification of
Disease in Chest Radiographs [0.7734726150561088]
胸部X線画像の複数の病変を同時に予測できるゼロショット学習ネットワークを提案する。
ネットワークはエンドツーエンドのトレーニングが可能で、オフライン機能抽出器の独立した事前トレーニングは不要である。
我々のネットワークは、リコール、精度、f1スコア、受信機動作特性曲線の領域において、2つの強いベースラインを上回ります。
論文 参考訳(メタデータ) (2021-07-14T09:04:20Z) - Self-supervised Mean Teacher for Semi-supervised Chest X-ray
Classification [37.79118840129632]
半指導型学習のための自己指導型平均教師を提案します。
自己指導型平均教師養成と半監督型微調整を併用する。
従来のSOTAの半教師付き学習法を大幅マージンで上回っていることを示す。
論文 参考訳(メタデータ) (2021-03-05T12:25:36Z) - Multi-label Thoracic Disease Image Classification with Cross-Attention
Networks [65.37531731899837]
胸部X線画像から胸部疾患を自動分類するためのCAN(Cross-Attention Networks)を提案する。
また,クロスエントロピー損失を超える新たな損失関数を設計し,クラス間の不均衡を克服する。
論文 参考訳(メタデータ) (2020-07-21T14:37:00Z) - ATSO: Asynchronous Teacher-Student Optimization for Semi-Supervised
Medical Image Segmentation [99.90263375737362]
教師-学生最適化の非同期版であるATSOを提案する。
ATSOはラベルのないデータを2つのサブセットに分割し、モデルの微調整に1つのサブセットを交互に使用し、他のサブセットのラベルを更新する。
医用画像のセグメンテーションデータセットを2つ評価し,様々な半教師付き環境において優れた性能を示す。
論文 参考訳(メタデータ) (2020-06-24T04:05:12Z) - Deep Mining External Imperfect Data for Chest X-ray Disease Screening [57.40329813850719]
我々は、外部のCXRデータセットを組み込むことで、不完全なトレーニングデータにつながると論じ、課題を提起する。
本研究は,多ラベル病分類問題を重み付き独立二分課題として分類する。
我々のフレームワークは、ドメインとラベルの相違を同時にモデル化し、対処し、優れた知識マイニング能力を実現する。
論文 参考訳(メタデータ) (2020-06-06T06:48:40Z)
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。