論文の概要: Scheduling Techniques for Liver Segmentation: ReduceLRonPlateau Vs OneCycleLR

• arxiv url: http://arxiv.org/abs/2202.06373v1
• Date: Sun, 13 Feb 2022 17:52:49 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-15 15:33:13.893108
• Title: Scheduling Techniques for Liver Segmentation: ReduceLRonPlateau Vs OneCycleLR
• Title（参考訳）: 肝セグメンテーションのためのスケジューリング手法:ReduceeLRonPlateau Vs OneCycleLR
• Authors: Ayman Al-Kababji and Faycal Bensaali and Sarada Prasad Dakua
• Abstract要約: Task 8 Hepatic Vessel (MSDC-T8)と呼ばれるデータセットがテストと検証に使用されている。 その結果、ReduceeLRonPlateauは、OneCycleLRと比較して、検証セットにおける同様の、あるいはそれ以上の損失スコアを維持しながら、より早く収束することがわかった。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Machine learning and computer vision techniques have influenced many fields including the biomedical one. The aim of this paper is to investigate the important concept of schedulers in manipulating the learning rate (LR), for the liver segmentation task, throughout the training process, focusing on the newly devised OneCycleLR against the ReduceLRonPlateau. A dataset, published in 2018 and produced by the Medical Segmentation Decathlon Challenge organizers, called Task 8 Hepatic Vessel (MSDC-T8) has been used for testing and validation. The reported results that have the same number of maximum epochs (75), and are the average of 5-fold cross-validation, indicate that ReduceLRonPlateau converges faster while maintaining a similar or even better loss score on the validation set when compared to OneCycleLR. The epoch at which the peak LR occurs perhaps should be made early for the OneCycleLR such that the super-convergence feature can be observed. Moreover, the overall results outperform the state-of-the-art results from the researchers who published the liver masks for this dataset. To conclude, both schedulers are suitable for medical segmentation challenges, especially the MSDC-T8 dataset, and can be used confidently in rapidly converging the validation loss with a minimal number of epochs.
• Abstract（参考訳）: 機械学習とコンピュータビジョン技術は、生物医学を含む多くの分野に影響を与えた。 本研究の目的は,リゾルデLRonPlateauに対して新たに考案されたOneCycleLRに着目し,肝セグメンテーションタスクにおける学習率(LR)を操作するためのスケジューラの重要概念を検討することである。 2018年に公開され、Task 8 Hepatic Vessel (MSDC-T8)と呼ばれるMedical Segmentation Decathlon Challenge主催者が作成したデータセットがテストと検証に使用されている。 また, 最大エポック数(75), 平均5倍のクロスバリデーション値を有する報告結果から, 1CycleLRと比較すると, 同様の, より優れた損失スコアを維持しつつ, より高速に収束することが示唆された。 ピークLRが発生するエポックは、超収束特性を観測できるように、OneCycleLRの早期に行われるべきである。 さらに、その結果は、このデータセットの肝臓マスクを公開した研究者による最先端の結果よりも優れています。 結論として、どちらのスケジューラも医学的なセグメンテーション課題、特にmsdc-t8データセットに適しており、最小限のエポック数で検証損失を迅速に収束させるのに自信を持って使用できる。

関連論文リスト

• SMILE-UHURA Challenge -- Small Vessel Segmentation at Mesoscopic Scale from Ultra-High Resolution 7T Magnetic Resonance Angiograms [60.35639972035727]
  公開されている注釈付きデータセットの欠如は、堅牢で機械学習駆動のセグメンテーションアルゴリズムの開発を妨げている。 SMILE-UHURAチャレンジは、7T MRIで取得したTime-of-Flightアンジオグラフィーの注釈付きデータセットを提供することで、公開されている注釈付きデータセットのギャップに対処する。 Diceスコアは、それぞれのデータセットで0.838 $pm$0.066と0.716 $pm$ 0.125まで到達し、平均パフォーマンスは0.804 $pm$ 0.15までになった。
  論文  参考訳（メタデータ） (2024-11-14T17:06:00Z)
• Exploring Weakly Supervised Semantic Segmentation Ensembles for Medical Imaging Systems [11.693197342734152]
  画像中の医療条件の信頼性の高い分類と検出のための枠組みを提案する。 我々のフレームワークは、まず低しきい値CAMを用いてターゲットオブジェクトを高い確実性でカバーする。 我々は,BRATSでは最大8%,DECATHLONデータセットでは6%の改善ダイススコアを実証した。
  論文  参考訳（メタデータ） (2023-03-14T13:31:05Z)
• SSL^2: Self-Supervised Learning meets Semi-Supervised Learning: Multiple Sclerosis Segmentation in 7T-MRI from large-scale 3T-MRI [10.28453502633171]
  マルチモーダルなMS病変分類のためのトレーニングフレームワークであるSSL2(self-supervised-semi-supervised)を提案する。 我々は、大規模な公開3Tデータセットからの知識を活用して、小さな7Tターゲットデータセットの制限に対処するために、自己教師付き学習を採用する。 自己教師型および半教師型トレーニング戦略の有効性を, 社内7T MRIデータセットで評価した。
  論文  参考訳（メタデータ） (2023-03-09T04:20:16Z)
• Learning to diagnose cirrhosis from radiological and histological labels with joint self and weakly-supervised pretraining strategies [62.840338941861134]
  そこで本稿では, 放射線学者が注釈付けした大規模データセットからの転写学習を活用して, 小さい付加データセットで利用できる組織学的スコアを予測することを提案する。 我々は,肝硬変の予測を改善するために,異なる事前訓練法,すなわち弱い指導法と自己指導法を比較した。 この方法は、METAVIRスコアのベースライン分類を上回り、AUCが0.84、バランスの取れた精度が0.75に達する。
  論文  参考訳（メタデータ） (2023-02-16T17:06:23Z)
• Rethinking Semi-Supervised Medical Image Segmentation: A Variance-Reduction Perspective [51.70661197256033]
  医用画像セグメンテーションのための階層化グループ理論を用いた半教師付きコントラスト学習フレームワークARCOを提案する。 まず、分散還元推定の概念を用いてARCOを構築することを提案し、特定の分散還元技術が画素/ボクセルレベルのセグメンテーションタスクにおいて特に有用であることを示す。 5つの2D/3D医療データセットと3つのセマンティックセグメンテーションデータセットのラベル設定が異なる8つのベンチマークで、我々のアプローチを実験的に検証する。
  論文  参考訳（メタデータ） (2023-02-03T13:50:25Z)
• Liver Segmentation using Turbolift Learning for CT and Cone-beam C-arm Perfusion Imaging [0.4073222202612759]
  C-arm cone-beam Computed Tomography (CBCT) を用いて肝のダイナミック灌流イメージングを改善するために時間分離法(TST)が発見された。 CT 灌流データから抽出した事前知識を用いて TST を適用するには,CT スキャンから肝臓を正確に区分けする必要がある。 本研究は,マルチスケールアテンションUNetの修正版を異なる肝セグメンテーションタスクでトレーニングするTurbolift Learningを提案する。
  論文  参考訳（メタデータ） (2022-07-20T19:38:50Z)
• Joint Liver and Hepatic Lesion Segmentation in MRI using a Hybrid CNN with Transformer Layers [2.055026516354464]
  SWTR-Unetと呼ばれるハイブリッドネットワークは、事前訓練されたResNet、トランスフォーマーブロック、共通のUnetスタイルのデコーダパスで構成されている。 Diceスコアが平均98-2%,MRIデータセットで81-28%,CTデータセットで97-2%,79-25%であったことから,提案したSWTR-Unetは肝病変と肝病変のセグメンテーションの正確なアプローチであることが判明した。
  論文  参考訳（メタデータ） (2022-01-26T14:52:23Z)
• The CLEAR Benchmark: Continual LEArning on Real-World Imagery [77.98377088698984]
  連続学習(CL)は、生涯AIにとって重要な課題であると考えられている。 本稿では,視覚概念の自然な時間進化を伴う最初の連続画像分類ベンチマークであるCLEARを紹介する。 単純な教師なし事前学習のステップで、最先端のCLアルゴリズムがすでに強化されていることが分かりました。
  論文  参考訳（メタデータ） (2022-01-17T09:09:09Z)
• Uncertainty-Aware Temporal Self-Learning (UATS): Semi-Supervised Learning for Segmentation of Prostate Zones and Beyond [4.4289175002010595]
  CNNベースのコンセプトは、前立腺の自動分割と、その粗い部分分割を移行ゾーン(TZ)と周辺ゾーン(PZ)に導入しています。 tz, pz, 遠位前立腺尿道(dpu)および前線維筋ストロマ(afs)の細粒化を標的とした場合, 課題はより困難になる そこで本研究では,半教師付き学習手法である不確実性認識時間学習を応用し,コストと時間を要する手話の真理ラベリングを克服する。
  論文  参考訳（メタデータ） (2021-04-08T15:31:57Z)
• Towards Robust Partially Supervised Multi-Structure Medical Image Segmentation on Small-Scale Data [123.03252888189546]
  データ不足下における部分教師付き学習(PSL)における方法論的ギャップを埋めるために,不確実性下でのビシナルラベル(VLUU)を提案する。 マルチタスク学習とヴィジナルリスク最小化によって動機づけられたVLUUは、ビジナルラベルを生成することによって、部分的に教師付き問題を完全な教師付き問題に変換する。 本研究は,ラベル効率の高い深層学習における新たな研究の方向性を示唆するものである。
  論文  参考訳（メタデータ） (2020-11-28T16:31:00Z)
• Multi-label Thoracic Disease Image Classification with Cross-Attention Networks [65.37531731899837]
  胸部X線画像から胸部疾患を自動分類するためのCAN(Cross-Attention Networks)を提案する。 また,クロスエントロピー損失を超える新たな損失関数を設計し,クラス間の不均衡を克服する。
  論文  参考訳（メタデータ） (2020-07-21T14:37:00Z)

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。