論文の概要: Label-efficient Hybrid-supervised Learning for Medical Image Segmentation

• arxiv url: http://arxiv.org/abs/2203.05956v1
• Date: Thu, 10 Mar 2022 08:09:21 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-14 23:08:33.564478
• Title: Label-efficient Hybrid-supervised Learning for Medical Image Segmentation
• Title（参考訳）: 医用画像セグメンテーションのためのラベル効率のハイブリッド教師あり学習
• Authors: Junwen Pan and Qi Bi and Yanzhan Yang and Pengfei Zhu and Cheng Bian
• Abstract要約: 医用画像セグメンテーションのためのラベル効率のよいハイブリッド管理フレームワークを提案する。 弱アノテーションのインスタンスを個別に考慮し、強アノテーションのインスタンスの方向によって導かれる重み勾配を学習する。 10%の強いラベルしか持たず、提案フレームワークは弱いラベルを効率的に活用し、100%強いラベルを監督するシナリオに対して競争性能を達成することができる。
• 参考スコア（独自算出の注目度）: 29.339784677909304
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Due to the lack of expertise for medical image annotation, the investigation of label-efficient methodology for medical image segmentation becomes a heated topic. Recent progresses focus on the efficient utilization of weak annotations together with few strongly-annotated labels so as to achieve comparable segmentation performance in many unprofessional scenarios. However, these approaches only concentrate on the supervision inconsistency between strongly- and weakly-annotated instances but ignore the instance inconsistency inside the weakly-annotated instances, which inevitably leads to performance degradation. To address this problem, we propose a novel label-efficient hybrid-supervised framework, which considers each weakly-annotated instance individually and learns its weight guided by the gradient direction of the strongly-annotated instances, so that the high-quality prior in the strongly-annotated instances is better exploited and the weakly-annotated instances are depicted more precisely. Specially, our designed dynamic instance indicator (DII) realizes the above objectives, and is adapted to our dynamic co-regularization (DCR) framework further to alleviate the erroneous accumulation from distortions of weak annotations. Extensive experiments on two hybrid-supervised medical segmentation datasets demonstrate that with only 10% strong labels, the proposed framework can leverage the weak labels efficiently and achieve competitive performance against the 100% strong-label supervised scenario.
• Abstract（参考訳）: 医用画像アノテーションの専門知識の欠如により,医用画像分割のためのラベル効率の高い手法の検討が注目される。 最近の進歩は、多くの非専門的なシナリオで同等のセグメンテーション性能を達成するために、弱いアノテーションと強い注釈付きラベルの効率的な利用に焦点を当てている。 しかしながら、これらのアプローチは、強いアノテーションと弱いアノテーションのインスタンス間の管理上の不整合のみに集中するが、弱いアノテーションのインスタンス内のインスタンスの不整合は無視する。 この問題を解決するために,各弱アノテーションインスタンスを個別に検討し,強アノテーションインスタンスの勾配方向で案内される重みを学習し,強アノテーションインスタンスに先行する高品質をより活用し,弱アノテーションインスタンスをより正確に表現する,ラベル効率のよいハイブリッド監視フレームワークを提案する。 特に、設計した動的インスタンスインジケータ(DII)は、上記の目的を実現し、弱いアノテーションの歪みからの誤蓄積を軽減するために、動的共規則化(DCR)フレームワークに適応する。 2つのハイブリッド型医用セグメンテーションデータセットの広範な実験により、10%の強いラベルしか持たず、提案フレームワークは弱いラベルを効率的に活用し、100%強いラベルを監督するシナリオに対して競争性能を達成することができることを示した。

関連論文リスト

• Weakly-Supervised Cross-Domain Segmentation of Electron Microscopy with Sparse Point Annotation [1.124958340749622]
  カウント,検出,セグメンテーションタスク間の相関を利用したマルチタスク学習フレームワークを提案する。 ラベル拡張のためのクロスポジションカット・アンド・ペーストを開発し,エントロピーに基づく擬似ラベル選択を行う。 提案手法は, UDA法を著しく上回り, 教師付き手法と同等の性能を発揮する。
  論文  参考訳（メタデータ） (2024-03-31T12:22:23Z)
• Weakly Semi-supervised Tool Detection in Minimally Invasive Surgery Videos [11.61305113932032]
  外科的ツール検出は、最小侵襲の手術ビデオの分析と評価に不可欠である。 インスタンスレベルのラベルを持つ大規模なイメージデータセットは、アノテーションの負担のために制限されることが多い。 本研究では,非常にコストのかかるアノテーションの重み付けと検出性能のバランスをとることを提案する。
  論文  参考訳（メタデータ） (2024-01-05T13:05:02Z)
• Robust Feature Learning Against Noisy Labels [0.2082426271304908]
  ミスラベルされたサンプルはモデルの一般化を著しく低下させることができる。 ノイズラベルによる監督の負の影響を最小限に抑えるために、プログレッシブな自己ブートストラッピングが導入される。 実験結果から,本手法は強騒音ラベル下でモデルロバスト性を効果的かつ効果的に向上できることが示唆された。
  論文  参考訳（メタデータ） (2023-07-10T02:55:35Z)
• SoftMatch: Addressing the Quantity-Quality Trade-off in Semi-supervised Learning [101.86916775218403]
  本稿では, サンプル重み付けを統一した定式化により, 一般的な擬似ラベル法を再検討する。 トレーニング中の擬似ラベルの量と質を両立させることでトレードオフを克服するSoftMatchを提案する。 実験では、画像、テキスト、不均衡な分類など、さまざまなベンチマークで大幅に改善されている。
  論文  参考訳（メタデータ） (2023-01-26T03:53:25Z)
• One Class One Click: Quasi Scene-level Weakly Supervised Point Cloud Semantic Segmentation with Active Learning [29.493759008637532]
  One Class One Click (OCOC)は、ポイントレベルのアノテーションとシーンレベルのアノテーションをカプセル化した、低コストで情報的な準シーンレベルのラベルである。 グローバル・ローカル・パースペクティブからの弱い監督を伴って、希少なラベルを活用するために、活発な弱監督フレームワークが提案されている。 F1スコアの平均値において、実際のシーンレベルの弱い監督手法を最大25%上回っている。
  論文  参考訳（メタデータ） (2022-11-23T01:23:26Z)
• Semi-supervised Semantic Segmentation with Directional Context-aware Consistency [66.49995436833667]
  我々は、ラベル付きデータの小さなセットに、全くラベル付けされていない画像のより大きなコレクションを提供する半教師付きセグメンテーション問題に焦点をあてる。 好ましいハイレベル表現は、自己認識を失わずにコンテキスト情報をキャプチャするべきである。 我々は,DCロス(Directional Contrastive Loss)を画素対ピクセルの整合性を達成するために提示する。
  論文  参考訳（メタデータ） (2021-06-27T03:42:40Z)
• WSSOD: A New Pipeline for Weakly- and Semi-Supervised Object Detection [75.80075054706079]
  弱機能および半教師付きオブジェクト検出フレームワーク(WSSOD)を提案する。 エージェント検出器は、まず関節データセット上でトレーニングされ、弱注釈画像上で擬似境界ボックスを予測するために使用される。 提案フレームワークはPASCAL-VOC と MSCOCO のベンチマークで顕著な性能を示し,完全教師付き環境で得られたものと同等の性能を達成している。
  論文  参考訳（メタデータ） (2021-05-21T11:58:50Z)
• Exploiting Sample Uncertainty for Domain Adaptive Person Re-Identification [137.9939571408506]
  各サンプルに割り当てられた擬似ラベルの信頼性を推定・活用し,ノイズラベルの影響を緩和する。 不確実性に基づく最適化は大幅な改善をもたらし、ベンチマークデータセットにおける最先端のパフォーマンスを達成します。
  論文  参考訳（メタデータ） (2020-12-16T04:09:04Z)
• Weakly-Supervised Cross-Domain Adaptation for Endoscopic Lesions Segmentation [79.58311369297635]
  異なるデータセットにまたがるトランスファー可能なドメイン不変知識を探索できる,新しい弱い教師付き病巣移動フレームワークを提案する。 wasserstein quantified transferability frameworkは、広い範囲の転送可能なコンテキスト依存性を強調するために開発されている。 新規な自己監督型擬似ラベル生成器は、送信困難かつ転送容易なターゲットサンプルの両方に対して、確実な擬似ピクセルラベルを等しく提供するように設計されている。
  論文  参考訳（メタデータ） (2020-12-08T02:26:03Z)
• MatchGAN: A Self-Supervised Semi-Supervised Conditional Generative Adversarial Network [51.84251358009803]
  本稿では,条件付き生成逆数ネットワーク(GAN)に対する,半教師付き環境下での自己教師型学習手法を提案する。 利用可能な数少ないラベル付きサンプルのラベル空間から無作為なラベルをサンプリングして拡張を行う。 本手法は,ベースラインのトレーニングに使用したラベル付きサンプルの20%に過ぎません。
  論文  参考訳（メタデータ） (2020-06-11T17:14:55Z)

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。