論文の概要: Semi-supervised Medical Image Segmentation via Geometry-aware Consistency Training

• arxiv url: http://arxiv.org/abs/2202.06104v2
• Date: Fri, 10 May 2024 06:04:38 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-13 20:56:05.889787
• Title: Semi-supervised Medical Image Segmentation via Geometry-aware Consistency Training
• Title（参考訳）: 幾何認識整合性トレーニングによる半教師付き医用画像分割
• Authors: Zihang Liu, Chunhui Zhao,
• Abstract要約: 本稿では,医用画像セグメンテーションのための新しい幾何学的半教師付き学習フレームワークを提案する。 我々のフレームワークは、最先端の6つの半教師付きセグメンテーション法より優れている。
• 参考スコア（独自算出の注目度）: 26.128597729527208
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The performance of supervised deep learning methods for medical image segmentation is often limited by the scarcity of labeled data. As a promising research direction, semi-supervised learning addresses this dilemma by leveraging unlabeled data information to assist the learning process. In this paper, a novel geometry-aware semi-supervised learning framework is proposed for medical image segmentation, which is a consistency-based method. Considering that the hard-to-segment regions are mainly located around the object boundary, we introduce an auxiliary prediction task to learn the global geometric information. Based on the geometric constraint, the ambiguous boundary regions are emphasized through an exponentially weighted strategy for the model training to better exploit both labeled and unlabeled data. In addition, a dual-view network is designed to perform segmentation from different perspectives and reduce the prediction uncertainty. The proposed method is evaluated on the public left atrium benchmark dataset and improves fully supervised method by 8.7% in Dice with 10% labeled images, while 4.3% with 20% labeled images. Meanwhile, our framework outperforms six state-of-the-art semi-supervised segmentation methods.
• Abstract（参考訳）: 医用画像セグメンテーションのための教師付き深層学習法の性能はラベル付きデータの不足によって制限されることが多い。 有望な研究方向として、半教師付き学習は、未ラベルのデータ情報を活用して学習プロセスを支援することで、このジレンマに対処する。 本稿では,整合性に基づく医用画像セグメンテーションのための新しい幾何学的半教師付き学習フレームワークを提案する。 本研究では, 対象境界付近に, 分割困難な領域が存在することを考慮し, グローバルな幾何学的情報を学習するための補助的予測タスクを導入する。 幾何的制約に基づいて、曖昧な境界領域は、ラベル付きデータとラベルなしデータの両方をよりうまく活用するために、指数関数的に重み付けされたモデルトレーニング戦略によって強調される。 さらに、異なる視点からのセグメンテーションを行い、予測の不確実性を低減するために、デュアルビューネットワークが設計されている。 提案手法は, パブリック左心房ベンチマークデータセットを用いて評価し, 10%のラベル付き画像では8.7%, 20%のラベル付き画像では4.3%, 完全教師付き手法では8.7%改善した。 一方、我々のフレームワークは6つの最先端の半教師付きセグメンテーション法より優れている。

関連論文リスト

• Semi-Supervised Semantic Segmentation Based on Pseudo-Labels: A Survey [49.47197748663787]
  本総説は, 半教師付きセマンティックセグメンテーション分野における擬似ラベル手法に関する最新の研究成果について, 包括的かつ組織的に概観することを目的としている。 さらに,医用およびリモートセンシング画像のセグメンテーションにおける擬似ラベル技術の適用について検討する。
  論文  参考訳（メタデータ） (2024-03-04T10:18:38Z)
• Self-Supervised Correction Learning for Semi-Supervised Biomedical Image Segmentation [84.58210297703714]
  半教師付き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付き補正学習パラダイムを提案する。 共有エンコーダと2つの独立デコーダを含むデュアルタスクネットワークを設計する。 異なるタスクのための3つの医用画像分割データセットの実験により,本手法の優れた性能が示された。
  論文  参考訳（メタデータ） (2023-01-12T08:19:46Z)
• 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)
• Nuclei Segmentation with Point Annotations from Pathology Images via Self-Supervised Learning and Co-Training [44.13451004973818]
  核分割のための弱い教師付き学習法を提案する。 粗いピクセルレベルのラベルは、ボロノイ図に基づく点アノテーションから導かれる。 病理画像の核分割に適した自己教師付き視覚表現学習法を提案する。
  論文  参考訳（メタデータ） (2022-02-16T17:08:44Z)
• Boosting Semi-supervised Image Segmentation with Global and Local Mutual Information Regularization [9.994508738317585]
  カテゴリー分布の相互情報(MI)を利用する半教師付きセグメンテーション手法を提案する。 医用画像セグメンテーションのための3つの挑戦的公開データセットについて評価を行った。
  論文  参考訳（メタデータ） (2021-03-08T15:13:25Z)
• Dual-Task Mutual Learning for Semi-Supervised Medical Image Segmentation [12.940103904327655]
  半監督医療画像分割のための新しいデュアルタスク相互学習フレームワークを提案する。 我々のフレームワークは、2つのタスクに基づく2つの個別セグメンテーションネットワークの統合として定式化できる。 対象のセグメンテーション確率マップと符号付き距離マップを共同で学習することで,幾何学的形状制約を強制し,より信頼性の高い情報を得ることができる。
  論文  参考訳（メタデータ） (2021-03-08T12:38:23Z)
• Three Ways to Improve Semantic Segmentation with Self-Supervised Depth Estimation [90.87105131054419]
  ラベルなし画像列からの自己教師付き単眼深度推定により強化された半教師付きセマンティックセマンティックセマンティックセマンティクスのフレームワークを提案する。 提案されたモデルをCityscapesデータセット上で検証する。
  論文  参考訳（メタデータ） (2020-12-19T21:18:03Z)
• Contrastive Rendering for Ultrasound Image Segmentation [59.23915581079123]
  米国の画像にシャープな境界がないことは、セグメンテーションに固有の課題である。 我々は,US画像における境界推定を改善するための,新しい,効果的なフレームワークを提案する。 提案手法は最先端の手法より優れており,臨床応用の可能性も高い。
  論文  参考訳（メタデータ） (2020-10-10T07:14:03Z)
• Shape-aware Semi-supervised 3D Semantic Segmentation for Medical Images [24.216869988183092]
  本稿では,豊富なラベルのないデータを活用し,セグメント化出力に幾何学的形状制約を課す,形状認識型半教師付きセグメンテーション戦略を提案する。 物体表面のセマンティックセグメンテーションと符号付き距離マップDMを共同で予測するマルチタスクディープネットワークを開発した。 実験の結果,提案手法は形状推定を改良し,最先端の手法よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2020-07-21T11:44:52Z)
• Weakly Supervised Deep Nuclei Segmentation Using Partial Points Annotation in Histopathology Images [51.893494939675314]
  本稿では,部分点アノテーションに基づく弱教師付きセグメンテーションフレームワークを提案する。 本手法は, 完全教師付き手法や最先端手法と比較して, 競争性能を向上できることを示す。
  論文  参考訳（メタデータ） (2020-07-10T15:41:29Z)

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。