論文の概要: Learning Morphological Feature Perturbations for Calibrated
Semi-Supervised Segmentation
- arxiv url: http://arxiv.org/abs/2203.10196v1
- Date: Sat, 19 Mar 2022 00:10:18 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-22 14:13:09.986518
- Title: Learning Morphological Feature Perturbations for Calibrated
Semi-Supervised Segmentation
- Title(参考訳): 校正半監督セグメンテーションのための形態的特徴摂動の学習
- Authors: Mou-Cheng Xu, Yu-Kun Zhou, Chen Jin, Stefano B Blumberg, Frederick J
Wilson, Marius deGroot, Daniel C. Alexander, Neil P. Oxtoby and Joseph Jacob
- Abstract要約: 一貫性駆動型半教師付きセグメンテーションフレームワークMisMatchを提案する。
MisMatchは、特徴摂動を学ぶために不変な予測を生成する。
2つのセグメンテーションタスクにおいて、最先端の半教師付き手法より優れている。
- 参考スコア(独自算出の注目度): 5.082221236136389
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: We propose MisMatch, a novel consistency-driven semi-supervised segmentation
framework which produces predictions that are invariant to learnt feature
perturbations. MisMatch consists of an encoder and a two-head decoders. One
decoder learns positive attention to the foreground regions of interest (RoI)
on unlabelled images thereby generating dilated features. The other decoder
learns negative attention to the foreground on the same unlabelled images
thereby generating eroded features. We then apply a consistency regularisation
on the paired predictions. MisMatch outperforms state-of-the-art
semi-supervised methods on a CT-based pulmonary vessel segmentation task and a
MRI-based brain tumour segmentation task. In addition, we show that the
effectiveness of MisMatch comes from better model calibration than its
supervised learning counterpart.
- Abstract(参考訳): 特徴摂動を学習するために不変な予測を生成する新しい一貫性駆動型半教師付きセグメンテーションフレームワークMisMatchを提案する。
MisMatchはエンコーダと2ヘッドデコーダで構成される。
1つのデコーダは、未ラベル画像のフォアグラウンド領域(RoI)に正の注意を払い、拡張された特徴を生成する。
他方のデコーダは、同じ未ラベル画像のフォアグラウンドに対して負の注意を学習し、浸食特徴を生成する。
次にペア化された予測に一貫性の規則化を適用する。
MisMatchは、CTベースの肺血管セグメンテーションタスクとMRIベースの脳腫瘍セグメンテーションタスクにおいて、最先端の半監督手法より優れている。
さらに,MisMatchの有効性は,教師付き学習方法よりもモデル校正が優れていることを示す。
関連論文リスト
- Dual-scale Enhanced and Cross-generative Consistency Learning for Semi-supervised Medical Image Segmentation [49.57907601086494]
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において重要な役割を担っている。
半教師型医用画像(DEC-Seg)のための新しいDual-scale Enhanced and Cross-generative consistency learning frameworkを提案する。
論文 参考訳(メタデータ) (2023-12-26T12:56:31Z) - SegMatch: A semi-supervised learning method for surgical instrument
segmentation [10.223709180135419]
腹腔鏡およびロボット手術画像に対する高価なアノテーションの必要性を低減するための半教師付き学習法であるSegMatchを提案する。
SegMatchは、一貫性の正規化と擬似ラベリングを組み合わせた、広範な半教師付き分類パイプラインであるFixMatch上に構築されている。
この結果から,学習目的に非競合データを追加することで,完全教師付きアプローチの性能を超越できることが示唆された。
論文 参考訳(メタデータ) (2023-08-09T21:30:18Z) - 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) - DU-Net based Unsupervised Contrastive Learning for Cancer Segmentation
in Histology Images [14.90768557126822]
このフレームワークは、セグメンテーションのための独特の視覚的表現を抽出する効果的なコントラスト学習スキームを含んでいる。
実験では、セグメンテーションにおける競争性能が、一般的な教師ネットワークよりも優れていることを示した。
論文 参考訳(メタデータ) (2022-06-17T14:04:31Z) - Mixed-UNet: Refined Class Activation Mapping for Weakly-Supervised
Semantic Segmentation with Multi-scale Inference [28.409679398886304]
我々は、デコードフェーズに2つの並列分岐を持つMixed-UNetという新しいモデルを開発する。
地域病院や公開データセットから収集したデータセットに対して,いくつかの一般的なディープラーニングに基づくセグメンテーションアプローチに対して,設計したMixed-UNetを評価した。
論文 参考訳(メタデータ) (2022-05-06T08:37:02Z) - Min-Max Similarity: A Contrastive Learning Based Semi-Supervised
Learning Network for Surgical Tools Segmentation [0.0]
コントラスト学習に基づく半教師付きセグメンテーションネットワークを提案する。
従来の最先端技術とは対照的に、両視点トレーニングの対照的な学習形式を導入する。
提案手法は、最先端の半教師付きおよび完全教師付きセグメンテーションアルゴリズムを一貫して上回る。
論文 参考訳(メタデータ) (2022-03-29T01:40:26Z) - MisMatch: Calibrated Segmentation via Consistency on Differential
Morphological Feature Perturbations with Limited Labels [5.500466607182699]
半教師付き学習は、医用画像におけるラベル不足の問題に対処する上で有望なパラダイムである。
MisMatchは、ペアの予測間の一貫性に基づいた半教師付きセグメンテーションフレームワークである。
論文 参考訳(メタデータ) (2021-10-23T09:22:41Z) - Enforcing Mutual Consistency of Hard Regions for Semi-supervised Medical
Image Segmentation [68.9233942579956]
半教師型医用画像セグメンテーションにおいて,ラベルのないハード領域を活用するための新しい相互整合性ネットワーク(MC-Net+)を提案する。
MC-Net+モデルは、限られたアノテーションで訓練された深いモデルは、非常に不確実で容易に分類された予測を出力する傾向があるという観察に動機づけられている。
MC-Net+のセグメンテーション結果と、最先端の5つの半教師付きアプローチを3つの公開医療データセットで比較した。
論文 参考訳(メタデータ) (2021-09-21T04:47:42Z) - 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) - Generalizing Face Forgery Detection with High-frequency Features [63.33397573649408]
現在のCNNベースの検出器は、メソッド固有の色テクスチャに過度に適合するため、一般化に失敗する傾向にある。
フェースフォージェリ検出に高周波雑音を用いることを提案する。
1つは、複数のスケールで高周波ノイズを抽出するマルチスケールの高周波特徴抽出モジュールである。
2つ目は、低レベルRGB特徴抽出器を導く残差誘導空間注意モジュールで、新しい視点からフォージェリートレースにもっと集中する。
論文 参考訳(メタデータ) (2021-03-23T08:19:21Z) - Improved Slice-wise Tumour Detection in Brain MRIs by Computing
Dissimilarities between Latent Representations [68.8204255655161]
磁気共鳴画像(MRI)の異常検出は教師なし手法で行うことができる。
本研究では,変分オートエンコーダの潜伏空間における相似関数の計算に基づいて,腫瘍検出のためのスライスワイズ半教師法を提案する。
本研究では,高解像度画像上でのモデルをトレーニングし,再現の質を向上させることにより,異なるベースラインに匹敵する結果が得られることを示す。
論文 参考訳(メタデータ) (2020-07-24T14:02:09Z)
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。