論文の概要: All-Around Real Label Supervision: Cyclic Prototype Consistency Learning
for Semi-supervised Medical Image Segmentation
- arxiv url: http://arxiv.org/abs/2109.13930v1
- Date: Tue, 28 Sep 2021 14:34:06 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-30 14:42:51.418914
- Title: All-Around Real Label Supervision: Cyclic Prototype Consistency Learning
for Semi-supervised Medical Image Segmentation
- Title（参考訳）: 全周リアルラベルスーパービジョン:半教師付き医用画像セグメンテーションのための周期的プロトタイプ一貫性学習
- Authors: Zhe Xu, Yixin Wang, Donghuan Lu, Lequan Yu, Jiangpeng Yan, Jie Luo,
Kai Ma, Yefeng Zheng and Raymond Kai-yu Tong
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 41.157552535752224
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Semi-supervised learning has substantially advanced medical image
segmentation since it alleviates the heavy burden of acquiring the costly
expert-examined annotations. Especially, the consistency-based approaches have
attracted more attention for their superior performance, wherein the real
labels are only utilized to supervise their paired images via supervised loss
while the unlabeled images are exploited by enforcing the perturbation-based
\textit{"unsupervised"} consistency without explicit guidance from those real
labels. However, intuitively, the expert-examined real labels contain more
reliable supervision signals. Observing this, we ask an unexplored but
interesting question: can we exploit the unlabeled data via explicit real label
supervision for semi-supervised training? To this end, we discard the previous
perturbation-based consistency but absorb the essence of non-parametric
prototype learning. Based on the prototypical network, we then propose a novel
cyclic prototype consistency learning (CPCL) framework, which is constructed by
a labeled-to-unlabeled (L2U) prototypical forward process and an
unlabeled-to-labeled (U2L) backward process. Such two processes synergistically
enhance the segmentation network by encouraging more discriminative and compact
features. In this way, our framework turns previous \textit{"unsupervised"}
consistency into new \textit{"supervised"} consistency, obtaining the
\textit{"all-around real label supervision"} property of our method. Extensive
experiments on brain tumor segmentation from MRI and kidney segmentation from
CT images show that our CPCL can effectively exploit the unlabeled data and
outperform other state-of-the-art semi-supervised medical image segmentation
methods.
- Abstract（参考訳）: 半教師付き学習は、コストのかかる専門家によるアノテーション取得の重荷を軽減するため、医療画像分割が大幅に進歩している。
特に、一貫性に基づくアプローチは、その優れたパフォーマンスに対してより注目を集めており、実際のラベルは、教師付き損失によるペア画像の監視にのみ使用される一方で、ラベルなしのイメージは、それらの実際のラベルからの明示的なガイダンスなしで摂動に基づく「textit{"unsupervised"」一貫性を強制することによって活用される。
しかし直感的には、専門家が検査した実ラベルはより信頼できる監督信号を含んでいる。
半教師付きトレーニングのために、明示的な実ラベル監督を通じてラベル付けされていないデータを利用できますか?
この目的のために、我々は以前の摂動に基づく一貫性を廃止するが、非パラメトリックなプロトタイプ学習の本質を吸収する。
原型ネットワークに基づいて,ラベル付きラベル付きラベルなし(L2U)前処理とラベル付きラベルなし(U2L)後処理によって構築された,新しい循環型プロトタイプ一貫性学習(CPCL)フレームワークを提案する。
このような2つのプロセスは、より識別的でコンパクトな特徴を奨励することで、セグメンテーションネットワークを相乗的に強化する。
このように、我々のフレームワークは以前の \textit{"unsupervised"} 一貫性を新しい \textit{"supervised"} 一貫性に変換し、メソッドの \textit{"all-around real label supervisor"} プロパティを取得する。
MRIによる脳腫瘍の分節化とCT画像からの腎臓の分節化に関する大規模な実験により、CPCLはラベルのないデータを効果的に活用し、他の最先端の半監督的医用画像分節法より優れていることが示された。
関連論文リスト
- SP${ }^3$ : Superpixel-propagated pseudo-label learning for weakly semi-supervised medical image segmentation [10.127428696255848]
弱半教師付きセグメンテーションにおいて,超Pixel-Propagated Pseudo-label Learning法を提案する。
本手法は,WSSS設定下での腫瘍と臓器のセグメンテーションデータセットの最先端性能を実現する。
論文 参考訳（メタデータ） (2024-11-18T15:14:36Z) - Dual-Decoder Consistency via Pseudo-Labels Guided Data Augmentation for
Semi-Supervised Medical Image Segmentation [13.707121013895929]
本稿では, Pseudo-Labels Guided Data Augmentation を用いた新しい半教師付き学習手法である Dual-Decoder Consistency を提案する。
我々は、同じエンコーダを維持しながら、生徒と教師のネットワークに異なるデコーダを使用します。
ラベルのないデータから学習するために、教師ネットワークによって生成された擬似ラベルを作成し、擬似ラベルでトレーニングデータを増強する。
論文 参考訳（メタデータ） (2023-08-31T09:13:34Z) - COSST: Multi-organ Segmentation with Partially Labeled Datasets Using
Comprehensive Supervisions and Self-training [15.639976408273784]
ディープラーニングモデルは、マルチ組織セグメンテーションにおいて顕著な成功を収めてきたが、典型的には、興味のあるすべての器官に注釈を付けた大規模なデータセットを必要とする。
利用可能な部分ラベル付きデータセットの統一モデルを学習して、そのシナジスティックなポテンシャルを活用する方法については、調査が不可欠である。
COSSTと呼ばれる新しい2段階のフレームワークを提案し、このフレームワークは包括的監視信号と自己学習を効果的に効率的に統合する。
論文 参考訳（メタデータ） (2023-04-27T08:55:34Z) - Inherent Consistent Learning for Accurate Semi-supervised Medical Image
Segmentation [30.06702813637713]
頑健なセマンティックなカテゴリー表現を学習するための新しい一貫性のある一貫性学習法を提案する。
提案手法は,特に注釈付きデータの数が極端に限られている場合,最先端の手法よりも優れる。
論文 参考訳（メタデータ） (2023-03-24T17:38:03Z) - Exploring Structured Semantic Prior for Multi Label Recognition with
Incomplete Labels [60.675714333081466]
不完全なラベルを持つマルチラベル認識(MLR)は非常に難しい。
最近の研究は、視覚言語モデルであるCLIPにおける画像とラベルの対応を探り、不十分なアノテーションを補うことを目指している。
我々は,MLRにおけるラベル管理の欠如を,構造化されたセマンティクスを導出することにより,不完全なラベルで修復することを提唱する。
論文 参考訳（メタデータ） (2023-03-23T12:39:20Z) - Self-Ensembling Contrastive Learning for Semi-Supervised Medical Image
Segmentation [6.889911520730388]
限られたラベルを持つ医用画像セグメンテーションにおける半教師あり学習の性能向上を目指す。
我々は、ラベルのない画像に対照的な損失を与えることによって、特徴レベルで潜在表現を直接学習する。
我々はMRIとCTのセグメンテーションデータセットの実験を行い、提案手法が最先端の性能を実現することを示す。
論文 参考訳（メタデータ） (2021-05-27T03:27:58Z) - Every Annotation Counts: Multi-label Deep Supervision for Medical Image
Segmentation [85.0078917060652]
この障壁を克服する半弱教師付きセグメンテーションアルゴリズムを提案する。
このアプローチは,深層指導と生徒・教師モデルの新しい定式化に基づいている。
我々の新しいセグメンテーションのトレーニング体制は、完全にラベル付けされ、バウンディングボックスでマークされた画像、単にグローバルラベル、あるいは全くないイメージを柔軟に活用することで、高価なラベルの要件を94.22%削減することができる。
論文 参考訳（メタデータ） (2021-04-27T14:51:19Z) - A Closer Look at Self-training for Zero-Label Semantic Segmentation [53.4488444382874]
トレーニング中に見られないクラスをセグメント化できることは、ディープラーニングにおいて重要な技術的課題です。
事前のゼロラベルセマンティクスセグメンテーションは、ビジュアル・セマンティクスの埋め込みや生成モデルを学ぶことによってこのタスクにアプローチする。
本研究では,同一画像の異なる増分から生じる擬似ラベルの交点を取り出し,ノイズの多い擬似ラベルをフィルタリングする整合性正規化器を提案する。
論文 参考訳（メタデータ） (2021-04-21T14:34:33Z) - Semantic Segmentation with Generative Models: Semi-Supervised Learning
and Strong Out-of-Domain Generalization [112.68171734288237]
本論文では,画像とラベルの再生モデルを用いた識別画素レベルのタスクのための新しいフレームワークを提案する。
我々は,共同画像ラベルの分布を捕捉し,未ラベル画像の大規模な集合を用いて効率的に訓練する生成的対向ネットワークを学習する。
ドメイン内性能をいくつかのベースラインと比較し,ドメイン外一般化を極端に示す最初の例である。
論文 参考訳（メタデータ） (2021-04-12T21:41:25Z) - 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。