論文の概要: Inconsistency-aware Uncertainty Estimation for Semi-supervised Medical
Image Segmentation
- arxiv url: http://arxiv.org/abs/2110.08762v1
- Date: Sun, 17 Oct 2021 08:49:33 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-19 16:30:58.790675
- Title: Inconsistency-aware Uncertainty Estimation for Semi-supervised Medical
Image Segmentation
- Title(参考訳): 半教師付き医用画像分割における不確実性推定
- Authors: Yinghuan Shi, Jian Zhang, Tong Ling, Jiwen Lu, Yefeng Zheng, Qian Yu,
Lei Qi, Yang Gao
- Abstract要約: 我々は、不確実性推定と個別の自己学習戦略に基づいて、新しい半教師付きセグメンテーションモデル、すなわち保守的ラディカルネットワーク(CoraNet)を提案する。
現在の技術と比較すると、ColaNetは優れたパフォーマンスを示しています。
- 参考スコア(独自算出の注目度): 92.9634065964963
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In semi-supervised medical image segmentation, most previous works draw on
the common assumption that higher entropy means higher uncertainty. In this
paper, we investigate a novel method of estimating uncertainty. We observe
that, when assigned different misclassification costs in a certain degree, if
the segmentation result of a pixel becomes inconsistent, this pixel shows a
relative uncertainty in its segmentation. Therefore, we present a new
semi-supervised segmentation model, namely, conservative-radical network
(CoraNet in short) based on our uncertainty estimation and separate
self-training strategy. In particular, our CoraNet model consists of three
major components: a conservative-radical module (CRM), a certain region
segmentation network (C-SN), and an uncertain region segmentation network
(UC-SN) that could be alternatively trained in an end-to-end manner. We have
extensively evaluated our method on various segmentation tasks with publicly
available benchmark datasets, including CT pancreas, MR endocardium, and MR
multi-structures segmentation on the ACDC dataset. Compared with the current
state of the art, our CoraNet has demonstrated superior performance. In
addition, we have also analyzed its connection with and difference from
conventional methods of uncertainty estimation in semi-supervised medical image
segmentation.
- Abstract(参考訳): 半教師付き医療画像のセグメンテーションにおいて、ほとんどの以前の研究はエントロピーがより高い不確実性を意味するという一般的な仮定に基づいている。
本稿では,不確かさを推定する新しい手法について検討する。
異なる分類コストを一定範囲で割り当てると、ピクセルのセグメンテーション結果が一貫性に欠けると、このピクセルはそのセグメンテーションにおける相対的不確実性を示す。
そこで我々は,不確実性推定と個別の自己学習戦略に基づいて,新たな半教師付きセグメンテーションモデル,すなわち保守的ラジカルネットワーク(略してCoraNet)を提案する。
特に,我々のCoraNetモデルは,保守的ラジカルモジュール(CRM),特定の領域分割ネットワーク(C-SN),不確実な領域分割ネットワーク(UC-SN)の3つの主要コンポーネントから構成される。
acdcデータセット上のct pancreas,mr endocardium,mr multi-structures segmentationなどのベンチマークデータセットを用いて,様々なセグメンテーションタスクの手法を広範囲に評価した。
現在の技術と比較すると、ColaNetは優れたパフォーマンスを示しています。
また,半監督医用画像セグメント化における従来の不確実性推定手法との関連性や差異も分析した。
関連論文リスト
- Lung Nodule Segmentation and Uncertain Region Prediction with an
Uncertainty-Aware Attention Mechanism [30.298653876400003]
放射線医は様々な訓練と臨床経験を持ち、肺結節の分節に変化をもたらす。
従来の手法では、学習対象として単一のアノテーションを選択したり、複数のアノテーションからなる潜在空間を学習しようとするのが一般的である。
本稿では,複数アノテーション間の一致や不一致を利用してセグメンテーションを改善する不確実性意識機構(UAAM)を提案する。
論文 参考訳(メタデータ) (2023-03-15T07:31:55Z) - 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) - Efficient Bayesian Uncertainty Estimation for nnU-Net [3.8186085899889943]
医用画像セグメンテーションにおけるnnU-Net不確実性を推定する新しい手法を提案する。
我々は,マルチモーダル後部モデルにより,元のnnU-Netよりもセグメンテーション性能を向上する。
提案手法は,領域分割精度と品質管理の両面から,医用画像分割のためのnnU-Netをさらに強化する。
論文 参考訳(メタデータ) (2022-12-12T23:12:19Z) - Reliable Joint Segmentation of Retinal Edema Lesions in OCT Images [55.83984261827332]
本稿では,信頼性の高いマルチスケールウェーブレットエンハンストランスネットワークを提案する。
本研究では,ウェーブレット型特徴抽出器ネットワークとマルチスケール変圧器モジュールを統合したセグメンテーションバックボーンを開発した。
提案手法は,他の最先端セグメンテーション手法と比較して信頼性の高いセグメンテーション精度を実現する。
論文 参考訳(メタデータ) (2022-12-01T07:32:56Z) - PCA: Semi-supervised Segmentation with Patch Confidence Adversarial
Training [52.895952593202054]
医用画像セグメンテーションのためのPatch Confidence Adrial Training (PCA) と呼ばれる半教師付き対向法を提案する。
PCAは各パッチの画素構造とコンテキスト情報を学習し、十分な勾配フィードバックを得る。
本手法は, 医用画像のセグメンテーションにおいて, 最先端の半教師付き手法より優れており, その有効性を示している。
論文 参考訳(メタデータ) (2022-07-24T07:45:47Z) - CRISP - Reliable Uncertainty Estimation for Medical Image Segmentation [6.197149831796131]
本研究では,不確実性予測のためのCRISPをContRastive Imageとして提案する。
CRISPはその中核として、有効なセグメンテーションの分布を符号化するジョイント潜在空間を学習するためのコントラスト的手法を実装している。
この共同潜伏空間を用いて予測を数千の潜伏ベクトルと比較し、解剖学的に一貫した不確実性写像を提供する。
論文 参考訳(メタデータ) (2022-06-15T16:56:58Z) - Trustworthy Medical Segmentation with Uncertainty Estimation [0.7829352305480285]
本稿では,セグメンテーションニューラルネットワークにおける不確実性定量化のための新しいベイズディープラーニングフレームワークを提案する。
我々は磁気共鳴イメージングとCTによる医用画像分割データについて検討した。
複数のベンチマークデータセットに対する実験により,提案するフレームワークは,最先端セグメンテーションモデルと比較して,ノイズや敵攻撃に対してより堅牢であることが示された。
論文 参考訳(メタデータ) (2021-11-10T22:46:05Z) - Enforcing Mutual Consistency of Hard Regions for Semi-supervised Medical
Image Segmentation [68.9233942579956]
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。
論文 参考訳(メタデータ) (2021-09-21T04:47:42Z) - Estimating Uncertainty in Neural Networks for Cardiac MRI Segmentation:
A Benchmark Study [1.6222504666823843]
畳み込みニューラルネットワーク(cnns)は、心臓磁気共鳴画像の自動セグメンテーションにおいて有望である。
セグメンテーションの不確実性を定量化し、どのセグメンテーションが問題となるかを知ることが重要である。
論文 参考訳(メタデータ) (2020-12-31T17:46:52Z) - An Uncertainty-Driven GCN Refinement Strategy for Organ Segmentation [53.425900196763756]
本研究では,不確実性解析とグラフ畳み込みネットワークに基づくセグメンテーション改善手法を提案する。
半教師付きグラフ学習問題を定式化するために、特定の入力ボリュームにおける畳み込みネットワークの不確実性レベルを用いる。
本手法は膵臓で1%,脾臓で2%向上し,最先端のCRF改善法よりも優れていた。
論文 参考訳(メタデータ) (2020-12-06T18:55:07Z)
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。