論文の概要: Enforcing Mutual Consistency of Hard Regions for Semi-supervised Medical Image Segmentation

• arxiv url: http://arxiv.org/abs/2109.09960v1
• Date: Tue, 21 Sep 2021 04:47:42 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-22 14:37:13.698476
• Title: Enforcing Mutual Consistency of Hard Regions for Semi-supervised Medical Image Segmentation
• Title（参考訳）: 半教師型医用画像分割のための硬質領域の相互整合性強化
• Authors: Yicheng Wu, Zongyuan Ge, Donghao Zhang, Minfeng Xu, Lei Zhang, Yong Xia and Jianfei Cai
• Abstract要約: 半教師型医用画像セグメンテーションにおいて,ラベルのないハード領域を活用するための新しい相互整合性ネットワーク(MC-Net+)を提案する。 MC-Net+モデルは、限られたアノテーションで訓練された深いモデルは、非常に不確実で容易に分類された予測を出力する傾向があるという観察に動機づけられている。 MC-Net+のセグメンテーション結果と、最先端の5つの半教師付きアプローチを3つの公開医療データセットで比較した。
• 参考スコア（独自算出の注目度）: 68.9233942579956
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: In this paper, we proposed a novel mutual consistency network (MC-Net+) to effectively exploit the unlabeled hard regions for semi-supervised medical image segmentation. The MC-Net+ model is motivated by the observation that deep models trained with limited annotations are prone to output highly uncertain and easily mis-classified predictions in the ambiguous regions (e.g. adhesive edges or thin branches) for the image segmentation task. Leveraging these region-level challenging samples can make the semi-supervised segmentation model training more effective. Therefore, our proposed MC-Net+ model consists of two new designs. First, the model contains one shared encoder and multiple sightly different decoders (i.e. using different up-sampling strategies). The statistical discrepancy of multiple decoders' outputs is computed to denote the model's uncertainty, which indicates the unlabeled hard regions. Second, a new mutual consistency constraint is enforced between one decoder's probability output and other decoders' soft pseudo labels. In this way, we minimize the model's uncertainty during training and force the model to generate invariant and low-entropy results in such challenging areas of unlabeled data, in order to learn a generalized feature representation. We compared the segmentation results of the MC-Net+ with five state-of-the-art semi-supervised approaches on three public medical datasets. Extension experiments with two common semi-supervised settings demonstrate the superior performance of our model over other existing methods, which sets a new state of the art for semi-supervised medical image segmentation.
• Abstract（参考訳）: 本稿では,半教師型医用画像分割において,ラベルのないハード領域を効果的に活用するための新しい相互整合ネットワーク(MC-Net+)を提案する。 MC-Net+モデルは、限られたアノテーションで訓練された深層モデルは、画像セグメンテーションタスクのための曖昧な領域(例えば粘着エッジや細い枝)で非常に不確実で容易に分類された予測を出力する傾向にあるという観察によって動機づけられている。 これらの領域レベルの挑戦的なサンプルを活用することで、半教師付きセグメンテーションモデルのトレーニングをより効果的にすることができる。 したがって、提案するmc-net+モデルは2つの新しい設計から成り立っている。 まず、モデルは1つの共有エンコーダと複数の視覚的に異なるデコーダを含む(つまり、異なるアップサンプリング戦略を使用する)。 複数のデコーダの出力の統計的差は、ラベルのないハード領域を示すモデルの不確実性を表すために計算される。 第二に、あるデコーダの確率出力と他のデコーダのソフト擬似ラベルとの間に新たな相互一貫性制約が課される。 このように、一般化された特徴表現を学習するために、トレーニング中のモデルの不確かさを最小限に抑え、不変かつ低エントロピーな結果が得られるようにモデルを強制する。 MC-Net+のセグメンテーション結果と最先端の5つの半教師ありアプローチを3つの公開医療データセットで比較した。 2つの共通の半教師付き設定による拡張実験は、他の既存の方法よりも優れた性能を示し、半教師付き医用画像セグメンテーションの新しい状態を設定する。

関連論文リスト

• PMT: Progressive Mean Teacher via Exploring Temporal Consistency for Semi-Supervised Medical Image Segmentation [51.509573838103854]
  医用画像セグメンテーションのための半教師付き学習フレームワークであるプログレッシブ平均教師(PMT)を提案する。 我々のPMTは、トレーニングプロセスにおいて、堅牢で多様な特徴を学習することで、高忠実な擬似ラベルを生成する。 CT と MRI の異なる2つのデータセットに対する実験結果から,本手法が最先端の医用画像分割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） (2024-09-08T15:02:25Z)
• Cross-model Mutual Learning for Exemplar-based Medical Image Segmentation [25.874281336821685]
  Exemplar-based Medical Image(CMEMS)のためのクロスモデル相互学習フレームワーク 外来医用画像のためのクロスモデル相互学習フレームワーク(CMEMS)について紹介する。
  論文  参考訳（メタデータ） (2024-04-18T00:18:07Z)
• Semi-supervised Medical Image Segmentation Method Based on Cross-pseudo Labeling Leveraging Strong and Weak Data Augmentation Strategies [2.8246591681333024]
  本稿では,Fixmatch の概念を革新的に取り入れた半教師付きモデル DFCPS を提案する。 整合性学習と自己学習を統合したクロス擬似スーパービジョンが導入された。 我々のモデルは、ラベルなしデータの比率が異なる4つの区分全てにおいて、常に優れた性能を示す。
  論文  参考訳（メタデータ） (2024-02-17T13:07:44Z)
• Dual-scale Enhanced and Cross-generative Consistency Learning for Semi-supervised Medical Image Segmentation [49.57907601086494]
  医用画像のセグメンテーションはコンピュータ支援診断において重要な役割を担っている。 半教師型医用画像(DEC-Seg)のための新しいDual-scale Enhanced and Cross-generative consistency learning frameworkを提案する。
  論文  参考訳（メタデータ） (2023-12-26T12:56:31Z)
• Rethinking Semi-Supervised Medical Image Segmentation: A Variance-Reduction Perspective [51.70661197256033]
  医用画像セグメンテーションのための階層化グループ理論を用いた半教師付きコントラスト学習フレームワークARCOを提案する。 まず、分散還元推定の概念を用いてARCOを構築することを提案し、特定の分散還元技術が画素/ボクセルレベルのセグメンテーションタスクにおいて特に有用であることを示す。 5つの2D/3D医療データセットと3つのセマンティックセグメンテーションデータセットのラベル設定が異なる8つのベンチマークで、我々のアプローチを実験的に検証する。
  論文  参考訳（メタデータ） (2023-02-03T13:50:25Z)
• Exploring Smoothness and Class-Separation for Semi-supervised Medical Image Segmentation [39.068698033394064]
  本稿では,半教師付き医用画像分割作業のためのSS-Netを提案する。 ピクセルレベルの滑らかさは、逆方向の摂動の下でモデルに不変な結果を生成するように強制する。 クラス間の分離の制約は、個々のクラスの特徴が対応する高品質のプロトタイプにアプローチすべきである。
  論文  参考訳（メタデータ） (2022-03-02T08:38:09Z)
• 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)
• Pairwise Relation Learning for Semi-supervised Gland Segmentation [90.45303394358493]
  病理組織像における腺分節に対するPRS2モデルを提案する。 このモデルはセグメンテーションネットワーク(S-Net)とペア関係ネットワーク(PR-Net)から構成される。 我々は,GlaSデータセットの最近の5つの手法とCRAGデータセットの最近の3つの手法を比較した。
  論文  参考訳（メタデータ） (2020-08-06T15:02:38Z)

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。