論文の概要: Scribble-Supervised Medical Image Segmentation via Dual-Branch Network
and Dynamically Mixed Pseudo Labels Supervision
- arxiv url: http://arxiv.org/abs/2203.02106v1
- Date: Fri, 4 Mar 2022 02:50:30 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-07 23:18:23.382066
- Title: Scribble-Supervised Medical Image Segmentation via Dual-Branch Network
and Dynamically Mixed Pseudo Labels Supervision
- Title（参考訳）: デュアルブランチネットワークと動的混合擬似ラベルによるscribble-supervised medical image segmentation
- Authors: Xiangde Luo, Minhao Hu, Wenjun Liao, Shuwei Zhai, Tao Song, Guotai
Wang, Shaoting Zhang
- Abstract要約: 単純で効率的なスクリブル教師付き画像分割法を提案し,それを心臓MRIセグメント化に適用する。
このスクリブル・インスペクションと補助擬似ラベル・インスペクションを組み合わせることで、デュアルブランチ・ネットワークは、スクリブル・アノテーションからエンドツーエンドまで効率的に学習することができる。
- 参考スコア（独自算出の注目度）: 15.414578073908906
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Medical image segmentation plays an irreplaceable role in computer-assisted
diagnosis, treatment planning, and following-up. Collecting and annotating a
large-scale dataset is crucial to training a powerful segmentation model, but
producing high-quality segmentation masks is an expensive and time-consuming
procedure. Recently, weakly-supervised learning that uses sparse annotations
(points, scribbles, bounding boxes) for network training has achieved
encouraging performance and shown the potential for annotation cost reduction.
However, due to the limited supervision signal of sparse annotations, it is
still challenging to employ them for networks training directly. In this work,
we propose a simple yet efficient scribble-supervised image segmentation method
and apply it to cardiac MRI segmentation. Specifically, we employ a dual-branch
network with one encoder and two slightly different decoders for image
segmentation and dynamically mix the two decoders' predictions to generate
pseudo labels for auxiliary supervision. By combining the scribble supervision
and auxiliary pseudo labels supervision, the dual-branch network can
efficiently learn from scribble annotations end-to-end. Experiments on the
public ACDC dataset show that our method performs better than current
scribble-supervised segmentation methods and also outperforms several
semi-supervised segmentation methods.
- Abstract（参考訳）: 医用画像のセグメンテーションは、コンピュータ支援診断、治療計画、フォローアップにおいて、相応の役割を果たす。
大規模なデータセットの収集と注釈付けは強力なセグメンテーションモデルのトレーニングには不可欠だが、高品質なセグメンテーションマスクの生成は高価で時間を要する作業だ。
近年,ネットワークトレーニングにスパースアノテーション(ポイント,スクリブル,バウンディングボックス)を用いた弱い教師付き学習が促進され,アノテーションコスト削減の可能性が示された。
しかし,分散アノテーションの監督信号が限られているため,直接ネットワークトレーニングに使用することは依然として困難である。
本研究では,単純かつ効率的なscribble-supervised image segmentation法を提案し,それを心臓mriセグメンテーションに適用する。
具体的には、1つのエンコーダと2つのわずかに異なるデコーダを備えたデュアルブランチネットワークを用いて画像分割を行い、2つのデコーダの予測を動的に混合し、補助的な監督のために擬似ラベルを生成する。
このスクリブル監視と補助擬似ラベル監視を組み合わせることにより、両ブランチネットワークは、スクリブルアノテーションをエンドツーエンドから効率的に学習することができる。
ACDCデータセットを用いた実験により,本手法は現在のスクリブル制御セグメンテーション法よりも優れた性能を示し,半教師付きセグメンテーション法よりも優れた性能を示した。
関連論文リスト
- Scribble-based 3D Multiple Abdominal Organ Segmentation via
Triple-branch Multi-dilated Network with Pixel- and Class-wise Consistency [20.371144313009122]
そこで本研究では,CTからスクリブル制御された多発性腹部臓器分節に対する2つの整合性制約を有する新しい3Dフレームワークを提案する。
より安定した教師なし学習のために、voxel-wiseの不確実性を用いて、ソフトな擬似ラベルを修正し、各デコーダの出力を監督する。
公開WORDデータセットの実験により,本手法は既存の5つのスクリブル教師付き手法より優れていることが示された。
論文 参考訳（メタデータ） (2023-09-18T12:50:58Z) - Learning Semantic Segmentation with Query Points Supervision on Aerial Images [57.09251327650334]
セマンティックセグメンテーションアルゴリズムを学習するための弱教師付き学習アルゴリズムを提案する。
提案手法は正確なセマンティックセグメンテーションを行い,手作業のアノテーションに要するコストと時間を大幅に削減することで効率を向上する。
論文 参考訳（メタデータ） (2023-09-11T14:32:04Z) - Unsupervised Segmentation of Fetal Brain MRI using Deep Learning
Cascaded Registration [2.494736313545503]
従来の深層学習に基づく自動セグメンテーションは、グランドトラストラベルによる広範なトレーニングデータを必要とする。
ラベル付きデータに頼らずに複数の組織を正確にセグメンテーションするマルチアトラスセグメンテーションに基づく新しい手法を提案する。
提案手法では,3次元画像登録のためのカスケード深層学習ネットワークを用いて,移動画像への小さなインクリメンタルな変形を計算し,それを固定画像と正確に整合させる。
論文 参考訳（メタデータ） (2023-07-07T13:17:12Z) - Cross-supervised Dual Classifiers for Semi-supervised Medical Image
Segmentation [10.18427897663732]
半教師付き医用画像分割は、大規模医用画像解析に有望な解決策を提供する。
本稿では、二重分類器(DC-Net)に基づくクロス教師あり学習フレームワークを提案する。
LAとPancreas-CTデータセットの実験は、DC-Netが半教師付きセグメンテーションの他の最先端手法よりも優れていることを示している。
論文 参考訳（メタデータ） (2023-05-25T16:23:39Z) - 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) - Unsupervised Dense Nuclei Detection and Segmentation with Prior
Self-activation Map For Histology Images [5.3882963853819845]
事前自己アクティベーションモジュール(PSM)を用いた自己教師型学習手法を提案する。
PSMは入力画像から自己活性化マップを生成し、ラベル付けコストを回避し、下流タスク用の擬似マスクを生成する。
他の完全教師付き・弱教師付き手法と比較して,本手法は手動アノテーションを使わずに競争性能を達成できる。
論文 参考訳（メタデータ） (2022-10-14T14:34:26Z) - Leveraging Auxiliary Tasks with Affinity Learning for Weakly Supervised
Semantic Segmentation [88.49669148290306]
そこで我々はAuxSegNetと呼ばれる弱教師付きマルチタスク・フレームワークを提案し,サリエンシ検出とマルチラベル画像分類を補助タスクとして活用する。
同様の構造的セマンティクスに着想を得て,サリエンシとセグメンテーションの表現から,クロスタスクなグローバル画素レベルの親和性マップを学習することを提案する。
学習されたクロスタスク親和性は、両方のタスクに対して改善された擬似ラベルを提供するために、唾液度予測を洗練し、CAMマップを伝播するために使用することができる。
論文 参考訳（メタデータ） (2021-07-25T11:39:58Z) - Every Annotation Counts: Multi-label Deep Supervision for Medical Image
Segmentation [85.0078917060652]
この障壁を克服する半弱教師付きセグメンテーションアルゴリズムを提案する。
このアプローチは,深層指導と生徒・教師モデルの新しい定式化に基づいている。
我々の新しいセグメンテーションのトレーニング体制は、完全にラベル付けされ、バウンディングボックスでマークされた画像、単にグローバルラベル、あるいは全くないイメージを柔軟に活用することで、高価なラベルの要件を94.22%削減することができる。
論文 参考訳（メタデータ） (2021-04-27T14:51:19Z) - Cascaded Robust Learning at Imperfect Labels for Chest X-ray
Segmentation [61.09321488002978]
不完全アノテーションを用いた胸部X線分割のための新しいカスケードロバスト学習フレームワークを提案する。
モデルは3つの独立したネットワークから成り,ピアネットワークから有用な情報を効果的に学習できる。
提案手法は,従来の手法と比較して,セグメント化タスクの精度を大幅に向上させることができる。
論文 参考訳（メタデータ） (2021-04-05T15:50:16Z) - Semi-supervised Left Atrium Segmentation with Mutual Consistency
Training [60.59108570938163]
3次元MR画像からの半教師付き左房分割のための新しいMultual Consistency Network(MC-Net)を提案する。
我々のMC-Netは1つのエンコーダと2つのわずかに異なるデコーダから構成されており、2つのデコーダの予測誤差は教師なしの損失として変換される。
我々は,公開左心房(la)データベース上でmc-netを評価し,ラベルなしデータを効果的に活用することで印象的な性能向上を実現する。
論文 参考訳（メタデータ） (2021-03-04T09:34:32Z)
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。