論文の概要: BT-Unet: A self-supervised learning framework for biomedical image
segmentation using Barlow Twins with U-Net models
- arxiv url: http://arxiv.org/abs/2112.03916v1
- Date: Tue, 7 Dec 2021 17:14:15 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-10 03:56:59.030995
- Title: BT-Unet: A self-supervised learning framework for biomedical image
segmentation using Barlow Twins with U-Net models
- Title（参考訳）: BT-Unet:Barlow TwinsとU-Netモデルを用いたバイオメディカルイメージセグメンテーションのための自己教師型学習フレームワーク
- Authors: Narinder Singh Punn and Sonali Agarwal
- Abstract要約: BT-Unet は Barlow Twins アプローチを用いて,冗長性低減による U-Net モデルのエンコーダの事前トレーニングを行う。
このような状況下で,BT-Unet フレームワークは U-Net モデルの性能を著しく向上させることが観察された。
- 参考スコア（独自算出の注目度）: 0.6091702876917281
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Deep learning has brought the most profound contribution towards biomedical
image segmentation to automate the process of delineation in medical imaging.
To accomplish such task, the models are required to be trained using huge
amount of annotated or labelled data that highlights the region of interest
with a binary mask. However, efficient generation of the annotations for such
huge data requires expert biomedical analysts and extensive manual effort. It
is a tedious and expensive task, while also being vulnerable to human error. To
address this problem, a self-supervised learning framework, BT-Unet is proposed
that uses the Barlow Twins approach to pre-train the encoder of a U-Net model
via redundancy reduction in an unsupervised manner to learn data
representation. Later, complete network is fine-tuned to perform actual
segmentation. The BT-Unet framework can be trained with a limited number of
annotated samples while having high number of unannotated samples, which is
mostly the case in real-world problems. This framework is validated over
multiple U-Net models over diverse datasets by generating scenarios of a
limited number of labelled samples using standard evaluation metrics. With
exhaustive experiment trials, it is observed that the BT-Unet framework
enhances the performance of the U-Net models with significant margin under such
circumstances.
- Abstract（参考訳）: 深層学習は、医用画像のデライン化を自動化するために、バイオメディカルイメージセグメンテーションに最も深い貢献をもたらした。
このようなタスクを達成するには、バイナリマスクで関心のある領域を強調する大量の注釈付きまたはラベル付きデータを使用して、モデルをトレーニングする必要がある。
しかし、このような膨大なデータに対するアノテーションの効率的な生成には、専門家のバイオメディカルアナリストと広範な手作業が必要である。
面倒で高価な作業だが、人間のエラーにも弱い。
この問題を解決するために、BT-Unetという自己教師付き学習フレームワークが提案され、Barlow Twinsアプローチを用いて、教師なしの方法でデータ表現を学習する冗長化を通じてU-Netモデルのエンコーダを事前訓練する。
その後、完全なネットワークが微調整され、実際のセグメンテーションが実行される。
BT-Unetフレームワークは、限られた数のアノテートサンプルでトレーニングできると同時に、多数のアンノテートサンプルを持つことができる。
このフレームワークは、標準評価メトリクスを使用して限られた数のラベル付きサンプルのシナリオを生成することで、さまざまなデータセット上の複数のu-netモデル上で検証される。
総括実験により,BT-UnetフレームワークがU-Netモデルの性能を向上させることが確認された。
関連論文リスト
- Few-shot Online Anomaly Detection and Segmentation [29.693357653538474]
本稿では,難易度の高いオンライン異常検出・セグメンテーション(FOADS)の課題に対処することに焦点を当てる。
FOADSフレームワークでは、モデルを数ショットの通常のデータセットでトレーニングし、その後、正常サンプルと異常サンプルの両方を含む未ラベルのストリーミングデータを活用することで、その能力の検査と改善を行う。
限られたトレーニングサンプルを用いた性能向上のために,ImageNetで事前学習したCNNから抽出したマルチスケール特徴埋め込みを用いて,ロバストな表現を得る。
論文 参考訳（メタデータ） (2024-03-27T02:24:00Z) - Masked LoGoNet: Fast and Accurate 3D Image Analysis for Medical Domain [48.440691680864745]
我々はLoGoNetと呼ばれる新しいニューラルネットワークアーキテクチャを導入する。
LoGoNetは、LKA(Large Kernel Attention)とデュアルエンコーディング戦略を利用して、U字型アーキテクチャに新しい特徴抽出器を統合する。
大規模ラベル付きデータセットの欠如を補うために,3次元画像に適した新しいSSL方式を提案する。
論文 参考訳（メタデータ） (2024-02-09T05:06:58Z) - Anomaly Detection on Attributed Networks via Contrastive Self-Supervised
Learning [50.24174211654775]
本論文では,アトリビュートネットワーク上の異常検出のためのコントラスト型自己監視学習フレームワークを提案する。
このフレームワークは、新しいタイプのコントラストインスタンスペアをサンプリングすることで、ネットワークデータからのローカル情報を完全に活用します。
高次元特性と局所構造から情報埋め込みを学習するグラフニューラルネットワークに基づくコントラスト学習モデルを提案する。
論文 参考訳（メタデータ） (2021-02-27T03:17:20Z) - TrackMPNN: A Message Passing Graph Neural Architecture for Multi-Object
Tracking [8.791710193028903]
本研究は,グラフに基づくデータ構造を用いて問題をモデル化する多目的追跡(MOT)への多くの従来のアプローチに従う。
複数のタイムステップにまたがるデータ関連問題を表す動的無方向性グラフに基づくフレームワークを作成する。
また、メモリ効率が高く、リアルタイムなオンラインアルゴリズムを作成するために対処する必要がある計算問題に対するソリューションと提案も提供します。
論文 参考訳（メタデータ） (2021-01-11T21:52:25Z) - Self-Supervision based Task-Specific Image Collection Summarization [3.115375810642661]
本稿では,意味情報と自己スーパービジョンを用いたタスク固有画像コーパス要約手法を提案する。
特徴生成ネットワークとして,分類に基づくWasserstein generation adversarial Network (WGAN) を用いる。
モデルは、セマンティック埋め込み空間におけるK平均クラスタリングを用いて、推論時に要約を生成する。
論文 参考訳（メタデータ） (2020-12-19T10:58:04Z) - Graph-Based Neural Network Models with Multiple Self-Supervised
Auxiliary Tasks [79.28094304325116]
グラフ畳み込みネットワークは、構造化されたデータポイント間の関係をキャプチャするための最も有望なアプローチである。
マルチタスク方式でグラフベースニューラルネットワークモデルを学習するための3つの新しい自己教師付き補助タスクを提案する。
論文 参考訳（メタデータ） (2020-11-14T11:09:51Z) - Semi-supervised deep learning based on label propagation in a 2D
embedded space [117.9296191012968]
提案されたソリューションは、少数の教師なしイメージから多数の教師なしイメージにラベルを伝達し、ディープニューラルネットワークモデルをトレーニングする。
本稿では、より正確なラベル付きサンプルを反復してセットから深層ニューラルネットワーク(VGG-16)をトレーニングするループを提案する。
ラベル付きセットがイテレーションに沿って改善されるにつれて、ニューラルネットワークの機能が改善される。
論文 参考訳（メタデータ） (2020-08-02T20:08:54Z) - Learning to Count in the Crowd from Limited Labeled Data [109.2954525909007]
我々は,限られた数のラベル付きサンプルから参加者を数えることを学ぶことで,アノテーションの努力を減らすことに重点を置いている。
具体的には,未ラベルデータに対する擬似地下真理推定を含むガウス過程に基づく反復学習機構を提案する。
論文 参考訳（メタデータ） (2020-07-07T04:17:01Z) - A generic ensemble based deep convolutional neural network for
semi-supervised medical image segmentation [7.141405427125369]
深層畳み込みニューラルネットワーク(DCNN)に基づく画像セグメンテーションのための汎用的な半教師付き学習フレームワークを提案する。
本手法は,ラベルなしデータを組み込むことで,完全教師付きモデル学習を超えて大幅に改善することができる。
論文 参考訳（メタデータ） (2020-04-16T23:41:50Z) - Diversity inducing Information Bottleneck in Model Ensembles [73.80615604822435]
本稿では,予測の多様性を奨励することで,ニューラルネットワークの効果的なアンサンブルを生成する問題をターゲットにする。
そこで本研究では,潜伏変数の学習における逆損失の多様性を明示的に最適化し,マルチモーダルデータのモデリングに必要な出力予測の多様性を得る。
最も競争力のあるベースラインと比較して、データ分布の変化の下で、分類精度が大幅に向上した。
論文 参考訳（メタデータ） (2020-03-10T03:10:41Z)
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。