Fugu-MT 論文翻訳(概要): MisMatch: Calibrated Segmentation via Consistency on Differential Morphological Feature Perturbations with Limited Labels

論文の概要: MisMatch: Calibrated Segmentation via Consistency on Differential Morphological Feature Perturbations with Limited Labels

arxiv url: http://arxiv.org/abs/2110.12179v3
Date: Tue, 2 May 2023 11:46:47 GMT
ステータス: 処理完了
システム内更新日: 2023-05-03 18:33:16.350500
Title: MisMatch: Calibrated Segmentation via Consistency on Differential Morphological Feature Perturbations with Limited Labels
Title（参考訳）: ミスマッチ:限定ラベルを用いた微分形態的特徴摂動の一貫性による校正セグメンテーション
Authors: Mou-Cheng Xu and Yukun Zhou and Chen Jin and Marius De Groot and Neil P. Oxtoby and Daniel C. Alexander and Joseph Jacob
Abstract要約: 半教師付き学習は、医用画像におけるラベル不足の問題に対処する上で有望なパラダイムである。 MisMatchは、ペアの予測間の一貫性に基づいた半教師付きセグメンテーションフレームワークである。
参考スコア（独自算出の注目度）: 5.500466607182699
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: Semi-supervised learning (SSL) is a promising machine learning paradigm to address the issue of label scarcity in medical imaging. SSL methods were originally developed in image classification. The state-of-the-art SSL methods in image classification utilise consistency regularisation to learn unlabelled predictions which are invariant to input level perturbations. However, image level perturbations violate the cluster assumption in the setting of segmentation. Moreover, existing image level perturbations are hand-crafted which could be sub-optimal. Therefore, it is a not trivial to straightforwardly adapt existing SSL image classification methods in segmentation. In this paper, we propose MisMatch, a semi-supervised segmentation framework based on the consistency between paired predictions which are derived from two differently learnt morphological feature perturbations. MisMatch consists of an encoder and two decoders. One decoder learns positive attention for foreground on unlabelled data thereby generating dilated features of foreground. The other decoder learns negative attention for foreground on the same unlabelled data thereby generating eroded features of foreground. We first develop a 2D U-net based MisMatch framework and 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. In a second experiment, we show that U-net based MisMatch outperforms state-of-the-art methods on an MRI-based brain tumour segmentation task. In a third experiment, we show that a 3D MisMatch outperforms a previous method using input level augmentations, on a left atrium segmentation task. Lastly, we find that the performance improvement of MisMatch over the baseline might originate from its better calibration.
Abstract（参考訳）: 半教師付き学習(SSL)は、医療画像におけるラベル不足の問題に対処するための、有望な機械学習パラダイムである。 SSL方式はもともと画像分類で開発された。画像分類における最先端SSL手法は、整合性正規化を利用して、入力レベルの摂動に不変な非競合予測を学習する。しかし、画像レベルの摂動はセグメンテーションの設定におけるクラスタの仮定に反する。さらに、既存の画像レベルの摂動は、サブ最適である可能性がある手作りである。したがって,既存のSSL画像分類手法を簡単にセグメンテーションに適用することは容易ではない。本稿では,2つの異なる形態的特徴の摂動から導出される対予測間の一貫性に基づく半教師付きセグメンテーションフレームワークであるミスマッチを提案する。 MisMatchはエンコーダと2つのデコーダで構成される。 1つのデコーダは、未ラベルデータのフォアグラウンドに対する肯定的な注意を学習し、フォアグラウンドの特徴を生成する。他方のデコーダは、同じラベルのないデータに対して前景に対する負の注意を学習し、前景の侵食特徴を生成する。まず2D U-net ベースの MisMatch フレームワークを開発し,CT ベースの肺血管分割作業において広範囲な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 が統計的に最先端の半教師付き手法より優れていることを示す。第2の実験では、MRIベースの脳腫瘍分割タスクにおいて、U-netベースのMisMatchが最先端の手法より優れていることを示す。第3の実験では、3D MisMatch が左心房区分けタスクにおいて入力レベル拡張を用いた前の手法より優れていることを示す。最後に、ベースラインに対するMisMatchの性能改善は、キャリブレーションの改善から生じる可能性がある。

関連論文リスト

AstMatch: Adversarial Self-training Consistency Framework for Semi-Supervised Medical Image Segmentation [19.80612796391153]
半教師付き学習(SSL)は,医用画像のセグメンテーションにおいて有意な可能性を示唆している。本研究では,対戦型自己学習一貫性フレームワーク(AstMatch)を提案する。提案されたAstMatchは、3つの公開データセット上の最先端SSLメソッドで広く評価されている。
論文参考訳（メタデータ） (2024-06-28T04:38:12Z)
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。