論文の概要: Teacher-Student Architecture for Mixed Supervised Lung Tumor Segmentation

• arxiv url: http://arxiv.org/abs/2112.11541v1
• Date: Tue, 21 Dec 2021 22:02:34 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-24 00:58:55.596665
• Title: Teacher-Student Architecture for Mixed Supervised Lung Tumor Segmentation
• Title（参考訳）: 混合肺腫瘍分節における教師・学生の構図
• Authors: Vemund Fredriksen, Svein Ole M. Svele, Andr\'e Pedersen, Thomas Lang{\o}, Gabriel Kiss, Frank Lindseth
• Abstract要約: 本稿では,CT画像を用いた肺腫瘍の領域分割を自動で行う教師-学生デザインの訓練について検討する。 意味的ラベル付きデータと大量の境界ボックス注釈データのみを用いて,教師-学生設計による競争性能を向上した。
• 参考スコア（独自算出の注目度）: 0.4159343412286401
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Purpose: Automating tasks such as lung tumor localization and segmentation in radiological images can free valuable time for radiologists and other clinical personnel. Convolutional neural networks may be suited for such tasks, but require substantial amounts of labeled data to train. Obtaining labeled data is a challenge, especially in the medical domain. Methods: This paper investigates the use of a teacher-student design to utilize datasets with different types of supervision to train an automatic model performing pulmonary tumor segmentation on computed tomography images. The framework consists of two models: the student that performs end-to-end automatic tumor segmentation and the teacher that supplies the student additional pseudo-annotated data during training. Results: Using only a small proportion of semantically labeled data and a large number of bounding box annotated data, we achieved competitive performance using a teacher-student design. Models trained on larger amounts of semantic annotations did not perform better than those trained on teacher-annotated data. Conclusions: Our results demonstrate the potential of utilizing teacher-student designs to reduce the annotation load, as less supervised annotation schemes may be performed, without any real degradation in segmentation accuracy.
• Abstract（参考訳）: 目的: 放射線画像における肺腫瘍の局在化やセグメンテーションなどのタスクの自動化は, 放射線医や他の臨床関係者にとって, 有意義な時間を無料で提供できる。 畳み込みニューラルネットワークはそのようなタスクに適しているが、トレーニングには大量のラベル付きデータを必要とする。 ラベル付きデータの取得は特に医療分野では難しい。 方法: 本論文は, 教師・学生による, 異なるタイプの指導用データセットを用いて, 肺腫瘍のセグメンテーションを行うための自動モデルを構築した。 フレームワークは、エンドツーエンドの自動腫瘍セグメンテーションを行う学生と、トレーニング中に追加の擬似アノテーションデータを提供する教師の2つのモデルで構成されている。 結果: 意味的ラベル付きデータのごく一部と多数の有界ボックス注釈データを用いた結果, 教師-学生設計による競争性能が得られた。 大量のセマンティックアノテーションで訓練されたモデルは、教師が注釈付けしたデータで訓練したモデルよりは良くなかった。 結論: この結果から, 教師が指導する指導要領が, セグメンテーションの精度を損なうことなく, 教師によるアノテーションの負荷を低減できる可能性が示唆された。

関連論文リスト

• Guidelines for Cerebrovascular Segmentation: Managing Imperfect Annotations in the context of Semi-Supervised Learning [3.231698506153459]
  教師付き学習法は、十分な量のラベル付きデータを入力した場合に優れた性能を達成する。 このようなラベルは一般的に、非常に時間がかかり、エラーが発生し、製造コストがかかる。 半教師付き学習アプローチはラベル付きデータとラベルなしデータの両方を活用する。
  論文  参考訳（メタデータ） (2024-04-02T09:31:06Z)
• Tackling the Incomplete Annotation Issue in Universal Lesion Detection Task By Exploratory Training [10.627977735890191]
  複数の臓器の病変を医用画像上で検出することを目的としているため、ユニバーサル病変検出は臨床実践に非常に有用である。 ディープラーニング手法は有望な結果を示しているが、トレーニングには大量の注釈付きデータを必要とする。 そこで,教師の予測と不完全なアノテーションを組み合わせることで,学生の学習を指導する教師学生検出モデルを提案する。
  論文  参考訳（メタデータ） (2023-09-23T08:44:07Z)
• Automated Labeling of German Chest X-Ray Radiology Reports using Deep Learning [50.591267188664666]
  本稿では,ルールベースのドイツ語CheXpertモデルによってラベル付けされたレポートに基づいて,ディープラーニングに基づくCheXpertラベル予測モデルを提案する。 その結果,3つのタスクすべてにおいて,ルールベースモデルを大幅に上回ったアプローチの有効性が示された。
  論文  参考訳（メタデータ） (2023-06-09T16:08:35Z)
• Clinically Acceptable Segmentation of Organs at Risk in Cervical Cancer Radiation Treatment from Clinically Available Annotations [0.0]
  子宮頸癌放射線治療におけるOAR(Organs at Risk)の自動セグメンテーションのためのディープラーニングモデルを学習するためのアプローチを提案する。 我々は、データの不均一性、ラベルノイズ、アノテーションの欠如を最小限に抑えるために、自動データのクリーニングにシンプルな手法を採用している。 そこで本研究では,教師が指導するシステム,アノテーション命令,不確実性誘導学習を利用して,アノテーションの欠如の有無を学習する半教師付き学習手法を開発した。
  論文  参考訳（メタデータ） (2023-02-21T13:24:40Z)
• Learning Generic Lung Ultrasound Biomarkers for Decoupling Feature Extraction from Downstream Tasks [0.032270246323516584]
  本稿では,視覚的バイオマーカー分類の補助的タスクを導入することで,下流肺の超音波タスクから特徴学習を分離することを提案する。 バイオマーカーラベルを推定するためのトレーニングモデルを用いて,超音波映像から情報,簡潔,解釈可能な特徴空間を学習できることを実証した。
  論文  参考訳（メタデータ） (2022-06-16T18:15:14Z)
• Self-Supervised Learning as a Means To Reduce the Need for Labeled Data in Medical Image Analysis [64.4093648042484]
  胸部X線画像のデータセットとバウンディングボックスラベルを用いて,13種類の異常の分類を行った。 ラベル付きデータの平均精度と精度を60%に抑えることで,完全教師付きモデルと同等の性能が得られることを示す。
  論文  参考訳（メタデータ） (2022-06-01T09:20:30Z)
• 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)
• Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype Prediction [55.94378672172967]
  本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。 新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。 我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
  論文  参考訳（メタデータ） (2020-09-02T02:50:30Z)
• Dual-Teacher: Integrating Intra-domain and Inter-domain Teachers for Annotation-efficient Cardiac Segmentation [65.81546955181781]
  本稿では,新しい半教師付きドメイン適応手法,すなわちDual-Teacherを提案する。 学生モデルは、2つの教師モデルによってラベル付けされていない対象データとラベル付けされた情報源データの知識を学習する。 提案手法では, ラベルなしデータとモダリティ間データとを並列に利用でき, 性能が向上することを示した。
  論文  参考訳（メタデータ） (2020-07-13T10:00:44Z)
• Suggestive Annotation of Brain Tumour Images with Gradient-guided Sampling [14.092503407739422]
  本稿では,脳腫瘍画像に対する効率的なアノテーションフレームワークを提案する。 実験によると、BraTS 2019データセットから、わずか19%の注釈付き患者スキャンでセグメンテーションモデルをトレーニングすることは、腫瘍セグメンテーションタスク全体のデータセット上でモデルをトレーニングするのと同等のパフォーマンスを達成することができる。
  論文  参考訳（メタデータ） (2020-06-26T13:39:49Z)
• Self-Training with Improved Regularization for Sample-Efficient Chest X-Ray Classification [80.00316465793702]
  挑戦的なシナリオで堅牢なモデリングを可能にするディープラーニングフレームワークを提案する。 その結果,85%のラベル付きデータを用いて,大規模データ設定で学習した分類器の性能に適合する予測モデルを構築することができた。
  論文  参考訳（メタデータ） (2020-05-03T02:36:00Z)

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。