Fugu-MT 論文翻訳(概要): MisMatch: Learning to Change Predictive Confidences with Attention for Consistency-Based, Semi-Supervised Medical Image Segmentation

論文の概要: MisMatch: Learning to Change Predictive Confidences with Attention for Consistency-Based, Semi-Supervised Medical Image Segmentation

arxiv url: http://arxiv.org/abs/2110.12179v1
Date: Sat, 23 Oct 2021 09:22:41 GMT
ステータス: 処理完了
システム内更新日: 2021-10-26 13:40:29.090532
Title: MisMatch: Learning to Change Predictive Confidences with Attention for Consistency-Based, Semi-Supervised Medical Image Segmentation
Title（参考訳）: MisMatch: 整合性に基づく半監督型医用画像セグメンテーションに注意して予測的信念を変えることを学ぶ
Authors: Mou-Cheng Xu, Yu-Kun Zhou, Chen Jin, Stefano B. Blumberg, Frederick J. Wilson, Marius De Groot, Neil P. Oxtoby, Daniel C. Alexander and Joseph Jacob
Abstract要約: ラベルの欠如は、画像分類とセグメンテーションのためのディープラーニングベースの手法の基本的な制約の1つである。一貫性に基づく半教師付きセグメンテーション手法であるMisMatchを提案する。 MisMatchは、信頼性が向上し、信頼性が低下したペアの予測を自動で生成する。
参考スコア（独自算出の注目度）: 5.827470467668514
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: The lack of labels is one of the fundamental constraints in deep learning based methods for image classification and segmentation, especially in applications such as medical imaging. Semi-supervised learning (SSL) is a promising method to address the challenge of labels carcity. The state-of-the-art SSL methods utilise consistency regularisation to learn unlabelled predictions which are invariant to perturbations on the prediction confidence. However, such SSL approaches rely on hand-crafted augmentation techniques which could be sub-optimal. In this paper, we propose MisMatch, a novel consistency based semi-supervised segmentation method. MisMatch automatically learns to produce paired predictions with increasedand decreased confidences. MisMatch consists of an encoder and two decoders. One decoder learns positive attention for regions of interest (RoI) on unlabelled data thereby generating higher confidence predictions of RoI. The other decoder learns negative attention for RoI on the same unlabelled data thereby generating lower confidence predictions. We then apply a consistency regularisation between the paired predictions of the decoders. For evaluation, we first perform extensive cross-validation on a CT-based pulmonary vessel segmentation task and show that MisMatch statistically outperforms state-of-the-art semi-supervised methods when only 6.25% of the total labels are used. Furthermore MisMatch performance using 6.25% ofthe total labels is comparable to state-of-the-art methodsthat utilise all available labels. In a second experiment, MisMatch outperforms state-of-the-art methods on an MRI-based brain tumour segmentation task.
Abstract（参考訳）: ラベルの欠如は、画像分類とセグメンテーションのための深層学習に基づく方法、特に医用イメージングのような応用における基本的な制約の1つである。 semi-supervised learning (ssl) はラベルcarcityの課題に対処するための有望な方法である。最先端のSSLメソッドでは、一貫性の正則化を利用して、予測信頼性の摂動に不変な非競合予測を学習する。しかし、このようなSSLアプローチは、サブ最適かもしれない手作りの拡張技術に依存している。本稿では,新しい一貫性に基づく半教師付きセグメンテーション手法であるミスマッチを提案する。 MisMatchは、自信を増減してペアの予測を自動生成する。 MisMatchはエンコーダと2つのデコーダで構成される。ある復号器は、不正なデータに基づいて関心領域(RoI)の正の注意を学習し、RoIの高い信頼度予測を生成する。他方の復号器は、同じ不正なデータに基づいてRoIの負の注意を学習し、低い信頼度予測を生成する。次に、デコーダのペア付き予測間で整合正則化を適用する。評価のために,まずCTを用いた肺血管分割作業においてクロスバリデーションを行い,全ラベルの6.25%しか使用していない場合,MisMatchは統計的に最先端の半教師法より優れていることを示す。さらに、全ラベルの6.25%を使用したミスマッチのパフォーマンスは、利用可能なすべてのラベルを使用する最先端のメソッドに匹敵する。第2の実験では、MisMatchはMRIベースの脳腫瘍セグメンテーションタスクにおいて最先端の手法より優れている。

関連論文リスト

SemSim: Revisiting Weak-to-Strong Consistency from a Semantic Similarity Perspective for Semi-supervised Medical Image Segmentation [18.223854197580145]
医用画像分割のための半教師付き学習(SSL)は難しいが、非常に実践的な課題である。セムシム(SemSim)という名前のFixMatchに基づく新しいフレームワークを提案する。 SemSimは3つの公開セグメンテーションベンチマークで最先端の手法よりも一貫した改善をもたらすことを示す。
論文参考訳（メタデータ） (2024-10-17T12:31:37Z)
JointMatch: A Unified Approach for Diverse and Collaborative Pseudo-Labeling to Semi-Supervised Text Classification [65.268245109828]
半教師付きテキスト分類(SSTC)は、ラベルのないデータを活用する能力によって注目を集めている。擬似ラベルに基づく既存のアプローチは、擬似ラベルバイアスと誤り蓄積の問題に悩まされる。我々は、最近の半教師付き学習からアイデアを統一することでこれらの課題に対処する、SSTCの総合的なアプローチであるJointMatchを提案する。
論文参考訳（メタデータ） (2023-10-23T05:43:35Z)
Semi-supervised Pathological Image Segmentation via Cross Distillation of Multiple Attentions [19.236045479697797]
我々は,CDMA(Cross Distillation of Multiple Attentions)に基づく新しい半教師付き学習(SSL)手法を提案する。提案したCDMAは,公開DigestPathデータセット上の8つの最先端SSL手法と比較した。
論文参考訳（メタデータ） (2023-05-30T08:23:07Z)
Self-training with dual uncertainty for semi-supervised medical image segmentation [9.538419502275975]
従来の自己学習手法は、反復学習のための擬似ラベルを生成することによって、ラベル付きデータ不足の問題を部分的に解決することができる。サンプルレベルと画素レベルの不確実性を加えて,自己学習フレームワークに基づくトレーニングプロセスの安定化を図る。提案手法は,同じ設定下で両方のデータセットのセグメンテーション性能を向上する。
論文参考訳（メタデータ） (2023-04-10T07:57:24Z)
NP-Match: Towards a New Probabilistic Model for Semi-Supervised Learning [86.60013228560452]
半教師付き学習(SSL)は近年広く研究されており、ラベルのないデータを活用する効果的な方法である。本研究では,ニューラルネットワーク(NP)を半教師付き画像分類タスクに調整し,NP-Matchと呼ばれる新しい手法を提案する。 NP-Matchは、予測を行う際のデータポイントを暗黙的に比較し、その結果、ラベル付けされていない各データポイントの予測がラベル付きデータポイントに影響される。
論文参考訳（メタデータ） (2023-01-31T11:44:45Z)
Dense FixMatch: a simple semi-supervised learning method for pixel-wise prediction tasks [68.36996813591425]
Dense FixMatchは,高密度かつ構造化された予測タスクのオンライン半教師付き学習のための簡易な手法である。我々は、擬似ラベルにマッチング操作を追加することにより、画像分類を超えた半教師付き学習問題にFixMatchの適用を可能にする。 Dense FixMatchは、ラベル付きデータのみを使用して教師付き学習と比較すると、結果を著しく改善し、ラベル付きサンプルの1/4でそのパフォーマンスに近づいた。
論文参考訳（メタデータ） (2022-10-18T15:02:51Z)
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)
Learning Morphological Feature Perturbations for Calibrated Semi-Supervised Segmentation [5.082221236136389]
一貫性駆動型半教師付きセグメンテーションフレームワークMisMatchを提案する。 MisMatchは、特徴摂動を学ぶために不変な予測を生成する。 2つのセグメンテーションタスクにおいて、最先端の半教師付き手法より優れている。
論文参考訳（メタデータ） (2022-03-19T00:10:18Z)
POPCORN: Progressive Pseudo-labeling with Consistency Regularization and Neighboring [3.4253416336476246]
半教師付き学習(SSL)では、ラベルのないデータを使用して、画像の不足と、未確認領域へのメソッドの一般化の欠如を補う。画像分割のための整合正則化と擬似ラベル化を組み合わせた新しい手法POPCORNを提案する。
論文参考訳（メタデータ） (2021-09-13T23:36:36Z)
Un-Mix: Rethinking Image Mixtures for Unsupervised Visual Representation Learning [108.999497144296]
近年の先進的な教師なし学習手法では,同じ画像から2つの「ビュー」を学習表現として比較するために,サイムズ様の枠組みを用いている。この研究は、教師なし学習においてラベル空間上の距離の概念を巻き込み、正対と負対のソフトな類似度をモデルに認識させることを目的としている。その概念的単純さにもかかわらず、この解 -- 教師なし画像混合(Un-Mix)により、変換された入力と対応する新しいラベル空間からより微妙でより堅牢で一般化された表現を学習できることを実証的に示す。
論文参考訳（メタデータ） (2020-03-11T17:59:04Z)
FixMatch: Simplifying Semi-Supervised Learning with Consistency and Confidence [93.91751021370638]
半教師付き学習(SSL)は、ラベルのないデータを活用してモデルの性能を向上させる効果的な手段を提供する。本稿では、整合正則化と擬似ラベル付けという2つの共通SSL手法の単純な組み合わせのパワーを実証する。筆者らのアルゴリズムであるFixMatchは、まず、弱拡張未ラベル画像上のモデルの予測を用いて擬似ラベルを生成する。
論文参考訳（メタデータ） (2020-01-21T18:32:27Z)

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。