論文の概要: BoostMIS: Boosting Medical Image Semi-supervised Learning with Adaptive
Pseudo Labeling and Informative Active Annotation
- arxiv url: http://arxiv.org/abs/2203.02533v1
- Date: Fri, 4 Mar 2022 19:19:41 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-08 14:41:07.098003
- Title: BoostMIS: Boosting Medical Image Semi-supervised Learning with Adaptive
Pseudo Labeling and Informative Active Annotation
- Title（参考訳）: boostmis:adaptive pseudo labelingとinformative active annotationによる医用画像半教師付き学習の促進
- Authors: Wenqiao Zhang, Lei Zhu, James Hallinan, Andrew Makmur, Shengyu Zhang,
Qingpeng Cai, Beng Chin Ooi
- Abstract要約: 本稿では,BoostMISという新しい半教師付き学習(SSL)フレームワークを提案する。
適応的な擬似ラベリングと情報的アクティブアノテーションを組み合わせて、医療画像SSLモデルの可能性を解き放つ。
- 参考スコア（独自算出の注目度）: 39.9910035951912
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this paper, we propose a novel semi-supervised learning (SSL) framework
named BoostMIS that combines adaptive pseudo labeling and informative active
annotation to unleash the potential of medical image SSL models: (1) BoostMIS
can adaptively leverage the cluster assumption and consistency regularization
of the unlabeled data according to the current learning status. This strategy
can adaptively generate one-hot ``hard'' labels converted from task model
predictions for better task model training. (2) For the unselected unlabeled
images with low confidence, we introduce an Active learning (AL) algorithm to
find the informative samples as the annotation candidates by exploiting virtual
adversarial perturbation and model's density-aware entropy. These informative
candidates are subsequently fed into the next training cycle for better SSL
label propagation. Notably, the adaptive pseudo-labeling and informative active
annotation form a learning closed-loop that are mutually collaborative to boost
medical image SSL. To verify the effectiveness of the proposed method, we
collected a metastatic epidural spinal cord compression (MESCC) dataset that
aims to optimize MESCC diagnosis and classification for improved specialist
referral and treatment. We conducted an extensive experimental study of
BoostMIS on MESCC and another public dataset COVIDx. The experimental results
verify our framework's effectiveness and generalisability for different medical
image datasets with a significant improvement over various state-of-the-art
methods.
- Abstract（参考訳）: 本稿では,医療画像sslモデルの可能性を解き放つために,適応型擬似ラベリングと情報型アクティブアノテーションを組み合わせた,boostmisと呼ばれる新しい半教師付き学習(ssl)フレームワークを提案する。
この戦略は、タスクモデルのトレーニングを改善するためにタスクモデルの予測から変換された1ホットの ``hard'' ラベルを適応的に生成することができる。
2) 信頼度が低い未ラベル画像に対して,仮想対向摂動とモデルの密度認識エントロピーを利用して,情報的サンプルをアノテーション候補として検出する能動学習(AL)アルゴリズムを導入する。
これらの情報的候補はその後、SSLラベルの伝搬を改善するための次のトレーニングサイクルに投入される。
特に、適応的な擬似ラベルと情報的アクティブアノテーションは、医療画像SSLを促進するために相互に協調する学習クローズドループを形成する。
提案手法の有効性を検証するため,MESCC診断と分類の最適化を目的とした転移性硬膜外脊髄圧迫(MESCC)データセットの収集を行った。
我々は MESCC と他の公開データセット COVIDx に対する BoostMIS の広範な実験を行った。
実験により, 異なる医用画像データセットに対するフレームワークの有効性と汎用性を検証し, 各種最先端手法に対して有意な改善が得られた。
関連論文リスト
- Cross Prompting Consistency with Segment Anything Model for Semi-supervised Medical Image Segmentation [44.54301473673582]
半教師付き学習(SSL)は,医用画像のセグメンテーションにおいて顕著な進歩を遂げている。
SAM(Segment Anything Model)のような視覚基盤モデルの最近の発展は、顕著な適応性を示している。
半教師型医用画像分割のためのセグメンテーションモデル(CPC-SAM)を用いたクロスプロンプト整合性手法を提案する。
論文 参考訳（メタデータ） (2024-07-07T15:43:20Z) - OPTiML: Dense Semantic Invariance Using Optimal Transport for Self-Supervised Medical Image Representation [6.4136876268620115]
自己教師付き学習(SSL)は、アノテーションなしで学習できることから、医用画像解析の有望な技術として登場した。
本稿では, 最適トランスポート(OT)を用いたSSLフレームワークOPTiMLを導入し, 密接なセマンティック不変性と細粒度の詳細を捉える。
実験の結果,OPTiMLはすべての評価課題において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） (2024-04-18T02:59:48Z) - Semi-Supervised Class-Agnostic Motion Prediction with Pseudo Label
Regeneration and BEVMix [59.55173022987071]
クラス非依存動作予測のための半教師あり学習の可能性について検討する。
我々のフレームワークは一貫性に基づく自己学習パラダイムを採用しており、ラベルのないデータからモデルを学習することができる。
本手法は,弱さと完全教師付き手法に匹敵する性能を示す。
論文 参考訳（メタデータ） (2023-12-13T09:32:50Z) - Which Augmentation Should I Use? An Empirical Investigation of Augmentations for Self-Supervised Phonocardiogram Representation Learning [5.438725298163702]
Contrastive Self-Supervised Learning (SSL)はラベル付きデータの不足に対する潜在的な解決策を提供する。
1次元心電図(PCG)分類におけるコントラスト学習の最適化を提案する。
トレーニング分布によっては、完全教師付きモデルの有効性が最大32%低下し、SSLモデルは最大10%低下し、場合によっては改善される。
論文 参考訳（メタデータ） (2023-12-01T11:06:00Z) - Improving Multiple Sclerosis Lesion Segmentation Across Clinical Sites:
A Federated Learning Approach with Noise-Resilient Training [75.40980802817349]
深層学習モデルは、自動的にMS病変を分節する約束を示しているが、正確な注釈付きデータの不足は、この分野の進歩を妨げている。
我々は,MS病変の不均衡分布とファジィ境界を考慮したDecoupled Hard Label Correction(DHLC)戦略を導入する。
また,集約型中央モデルを利用したCELC(Centrally Enhanced Label Correction)戦略も導入した。
論文 参考訳（メタデータ） (2023-08-31T00:36:10Z) - 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) - Semi-supervised Medical Image Classification with Relation-driven
Self-ensembling Model [71.80319052891817]
医用画像分類のための関係駆動型半教師付きフレームワークを提案する。
これは、摂動下で与えられた入力の予測一貫性を促進することでラベルのないデータを利用する。
本手法は,シングルラベルおよびマルチラベル画像分類のシナリオにおいて,最先端の半教師付き学習手法よりも優れる。
論文 参考訳（メタデータ） (2020-05-15T06:57:54Z) - Rectified Meta-Learning from Noisy Labels for Robust Image-based Plant
Disease Diagnosis [64.82680813427054]
植物病は食料安全保障と作物生産に対する主要な脅威の1つである。
1つの一般的なアプローチは、葉画像分類タスクとしてこの問題を変換し、強力な畳み込みニューラルネットワーク(CNN)によって対処できる。
本稿では,正規化メタ学習モジュールを共通CNNパラダイムに組み込んだ新しいフレームワークを提案する。
論文 参考訳（メタデータ） (2020-03-17T09:51:30Z)
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。