論文の概要: Translation Consistent Semi-supervised Segmentation for 3D Medical
Images
- arxiv url: http://arxiv.org/abs/2203.14523v1
- Date: Mon, 28 Mar 2022 06:31:39 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-29 13:06:30.026786
- Title: Translation Consistent Semi-supervised Segmentation for 3D Medical
Images
- Title(参考訳): 3次元医用画像に対する翻訳整合半教師付きセグメンテーション
- Authors: Yuyuan Liu, Yu Tian, Chong Wang, Yuanhong Chen, Fengbei Liu, Vasileios
Belagiannis, Gustavo Carneiro
- Abstract要約: 3次元医用画像分割法は成功したが, 大量のボクセルレベルのデータへの依存は不利である。
半教師付き学習(SSL)は、大きなラベル付きデータセットと小さなラベル付きデータセットでモデルをトレーニングすることで、この問題を解決する。
本稿では,一貫性学習型SSL手法であるTranslation Consistent Co-training (TraCoCo)を紹介する。
- 参考スコア(独自算出の注目度): 25.575275962514898
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: 3D medical image segmentation methods have been successful, but their
dependence on large amounts of voxel-level annotated data is a disadvantage
that needs to be addressed given the high cost to obtain such annotation.
Semi-supervised learning (SSL) solve this issue by training models with a large
unlabelled and a small labelled dataset. The most successful SSL approaches are
based on consistency learning that minimises the distance between model
responses obtained from perturbed views of the unlabelled data. These
perturbations usually keep the spatial input context between views fairly
consistent, which may cause the model to learn segmentation patterns from the
spatial input contexts instead of the segmented objects. In this paper, we
introduce the Translation Consistent Co-training (TraCoCo) which is a
consistency learning SSL method that perturbs the input data views by varying
their spatial input context, allowing the model to learn segmentation patterns
from visual objects. Furthermore, we propose the replacement of the commonly
used mean squared error (MSE) semi-supervised loss by a new Cross-model
confident Binary Cross entropy (CBC) loss, which improves training convergence
and keeps the robustness to co-training pseudo-labelling mistakes. We also
extend CutMix augmentation to 3D SSL to further improve generalisation. Our
TraCoCo shows state-of-the-art results for the Left Atrium (LA) and Brain Tumor
Segmentation (BRaTS19) datasets with different backbones. Our code is available
at https://github.com/yyliu01/TraCoCo.
- Abstract(参考訳): 3次元医用画像分割法は成功したが、大量のボクセルレベルのアノテートデータに依存しているため、そのようなアノテーションを得るのに高いコストがかかるため、対処する必要がある。
半教師付き学習(SSL)は、大きなラベル付きデータセットと小さなラベル付きデータセットでモデルをトレーニングすることで、この問題を解決する。
最も成功したSSLアプローチは、乱れのないデータの摂動ビューから得られたモデル応答間の距離を最小化する一貫性学習に基づいている。
これらの摂動は通常、ビュー間の空間的な入力コンテキストを一定に保つため、モデルがセグメント化されたオブジェクトの代わりに空間的な入力コンテキストからセグメント化パターンを学習する可能性がある。
本稿では、空間的な入力コンテキストを変化させることで、入力データビューを摂動する一貫性学習SSL手法であるTranslation Consistent Co-training(TraCoCo)を紹介し、視覚オブジェクトからセグメンテーションパターンを学習できるようにする。
さらに, 一般用平均二乗誤差 (MSE) の半教師付き損失を, 新しいクロスモデル自信を持つバイナリクロスエントロピー (CBC) 損失に置き換えることを提案する。
また、一般化をさらに改善するために、CutMixの拡張を3D SSLに拡張します。
我々のTrCoCoは、異なるバックボーンを持つ左房(LA)と脳腫瘍分離(BRaTS19)データセットの最先端の結果を示しています。
私たちのコードはhttps://github.com/yyliu01/TraCoCoで利用可能です。
関連論文リスト
- Leveraging CORAL-Correlation Consistency Network for Semi-Supervised Left Atrium MRI Segmentation [14.296441810235223]
半教師付き学習(SSL)は、ラベル付き画像とラベルなし画像の両方から学習するために広く使われている。
現在のSSLベースのセグメンテーションメソッドの多くは、ラベル付きデータとラベルなしデータの類似した特徴を識別するためにピクセル値を直接使用する。
我々は,グローバルな構造形状と左房の局所的詳細を捉えるために,CORAL(Correlation-Aligned)-Correlation Consistency Network (CORN)を導入した。
論文 参考訳(メタデータ) (2024-10-21T11:46:28Z) - Towards Modality-agnostic Label-efficient Segmentation with Entropy-Regularized Distribution Alignment [62.73503467108322]
この話題は、3次元の点雲のセグメンテーションで広く研究されている。
近年まで、擬似ラベルは、限られた地道ラベルによる訓練を容易にするために広く用いられてきた。
既存の擬似ラベリングアプローチは、重複しないデータのノイズやバリエーションに悩まされる可能性がある。
本研究では,学習用擬似ラベルを正規化し,擬似ラベルとモデル予測とのギャップを効果的に狭める学習戦略を提案する。
論文 参考訳(メタデータ) (2024-08-29T13:31:15Z) - A Closer Look at Benchmarking Self-Supervised Pre-training with Image Classification [51.35500308126506]
自己教師付き学習(SSL)は、データ自体が監視を提供する機械学習アプローチであり、外部ラベルの必要性を排除している。
SSLの分類に基づく評価プロトコルがどのように相関し、異なるデータセットのダウンストリーム性能を予測するかを検討する。
論文 参考訳(メタデータ) (2024-07-16T23:17:36Z) - Class-Imbalanced Semi-Supervised Learning for Large-Scale Point Cloud
Semantic Segmentation via Decoupling Optimization [64.36097398869774]
半教師付き学習(SSL)は大規模3Dシーン理解のための活発な研究課題である。
既存のSSLベースのメソッドは、クラス不均衡とポイントクラウドデータのロングテール分布による厳しいトレーニングバイアスに悩まされている。
本稿では,特徴表現学習と分類器を別の最適化方法で切り離してバイアス決定境界を効果的にシフトする,新しいデカップリング最適化フレームワークを提案する。
論文 参考訳(メタデータ) (2024-01-13T04:16:40Z) - Towards Generic Semi-Supervised Framework for Volumetric Medical Image
Segmentation [19.09640071505051]
UDAやSemiDGといった設定を扱う汎用SSLフレームワークを開発した。
提案するフレームワークを,SSL,クラス不均衡SSL,UDA,セミDGの4つのベンチマークデータセット上で評価した。
その結果,4つの設定にまたがる最先端の手法と比較して,顕著な改善が見られた。
論文 参考訳(メタデータ) (2023-10-17T14:58:18Z) - 3D Adversarial Augmentations for Robust Out-of-Domain Predictions [115.74319739738571]
ドメイン外データへの一般化の改善に注力する。
対象を逆向きに変形させるベクトルの集合を学習する。
本研究では,学習したサンプル非依存ベクトルをモデルトレーニング時に利用可能なオブジェクトに適用することにより,対数拡大を行う。
論文 参考訳(メタデータ) (2023-08-29T17:58:55Z) - Consistency Regularisation in Varying Contexts and Feature Perturbations
for Semi-Supervised Semantic Segmentation of Histology Images [14.005379068469361]
この課題を軽減するために,一貫性に基づく半教師付き学習(SSL)アプローチを提案する。
SSLモデルは、コンテキストの変更や、限られたトレーニングデータのために一般化が不十分な特徴の摂動にも影響する可能性がある。
相互整合性トレーニングにより、エンコーダの特徴が異なる摂動に不変となり、予測信頼性が向上することを示す。
論文 参考訳(メタデータ) (2023-01-30T18:21:57Z) - Keep Your Friends Close & Enemies Farther: Debiasing Contrastive
Learning with Spatial Priors in 3D Radiology Images [11.251405818285331]
本研究では,抽出した対応を利用して表現学習のためのより効果的な正負のサンプルを選択する3Dコントラストフレームワーク(Spade)を提案する。
最近の最先端のアプローチと比較して、Spadeは3つの下流セグメンテーションタスクにおいて顕著な改善を示している。
論文 参考訳(メタデータ) (2022-11-16T03:36:06Z) - 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) - PGL: Prior-Guided Local Self-supervised Learning for 3D Medical Image
Segmentation [87.50205728818601]
本稿では,潜在特徴空間における局所的一貫性を学習するPGL(PresideedGuided Local)自己教師モデルを提案する。
我々のPGLモデルは、局所領域の特異な表現を学習し、したがって構造情報を保持できる。
論文 参考訳(メタデータ) (2020-11-25T11:03:11Z) - Information Bottleneck Constrained Latent Bidirectional Embedding for
Zero-Shot Learning [59.58381904522967]
本稿では,密な視覚-意味的結合制約を持つ埋め込み型生成モデルを提案する。
視覚空間と意味空間の両方の埋め込みパラメトリック分布を校正する統合潜在空間を学習する。
本手法は, 画像のラベルを生成することにより, トランスダクティブZSL設定に容易に拡張できる。
論文 参考訳(メタデータ) (2020-09-16T03:54:12Z)
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。