論文の概要: Calibrating Label Distribution for Class-Imbalanced Barely-Supervised
Knee Segmentation
- arxiv url: http://arxiv.org/abs/2205.03644v1
- Date: Sat, 7 May 2022 12:53:06 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-10 15:54:42.776528
- Title: Calibrating Label Distribution for Class-Imbalanced Barely-Supervised
Knee Segmentation
- Title(参考訳): 階級不均衡型ベーリースーパービジョン膝節切片のキャリブレーションラベル分布
- Authors: Yiqun Lin, Huifeng Yao, Zezhong Li, Guoyan Zheng, Xiaomeng Li
- Abstract要約: 半教師付き学習(SSL)は、ラベル付きデータの不十分なトレーニングに非常に望ましい。
うるさいラベルとバランスの取れないラベルを伴い, 膝のセグメンテーションをほとんど指導しない新しい枠組みを提案する。
我々の手法は最先端のSSLメソッドよりも優れています。
- 参考スコア(独自算出の注目度): 11.21648118505577
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Segmentation of 3D knee MR images is important for the assessment of
osteoarthritis. Like other medical data, the volume-wise labeling of knee MR
images is expertise-demanded and time-consuming; hence semi-supervised learning
(SSL), particularly barely-supervised learning, is highly desirable for
training with insufficient labeled data. We observed that the class imbalance
problem is severe in the knee MR images as the cartilages only occupy 6% of
foreground volumes, and the situation becomes worse without sufficient labeled
data. To address the above problem, we present a novel framework for
barely-supervised knee segmentation with noisy and imbalanced labels. Our
framework leverages label distribution to encourage the network to put more
effort into learning cartilage parts. Specifically, we utilize 1.) label
quantity distribution for modifying the objective loss function to a
class-aware weighted form and 2.) label position distribution for constructing
a cropping probability mask to crop more sub-volumes in cartilage areas from
both labeled and unlabeled inputs. In addition, we design dual
uncertainty-aware sampling supervision to enhance the supervision of
low-confident categories for efficient unsupervised learning. Experiments show
that our proposed framework brings significant improvements by incorporating
the unlabeled data and alleviating the problem of class imbalance. More
importantly, our method outperforms the state-of-the-art SSL methods,
demonstrating the potential of our framework for the more challenging SSL
setting.
- Abstract(参考訳): 3次元膝関節mr画像の分割は変形性関節症の診断に重要である。
他の医療データと同様に、膝関節MRI画像のボリュームワイド表示は専門知識が要求され、時間を要するため、半教師付き学習(SSL)、特にほとんど教師なし学習は、ラベル付きデータの不十分なトレーニングに非常に望ましい。
膝関節MRI像では, 軟骨が前景体積の6%しか占めていないため, クラス不均衡の問題は深刻であり, 十分なラベル付きデータがないと状況は悪化する。
以上の問題に対処するため,ノイズとバランスの取れないラベルを伴い,膝のセグメンテーションをほとんど制御できない新しい枠組みを提案する。
われわれのフレームワークはラベル分布を利用して、ネットワークが軟骨部分の学習にもっと努力するよう促している。
具体的には
1)客観損失関数をクラス認識重み付け形式に変更するためのラベル量分布と
2 ラベル付き及びラベル付き入力の両方から軟骨領域のサブボリュームを生産するクロッピング確率マスクを構築するためのラベル位置分布。
さらに,2つの不確実性を考慮したサンプリング監視を設計し,非教師なしの効率的な学習のための低信頼カテゴリの監視を強化する。
実験の結果,提案フレームワークはラベルのないデータを組み込んで,クラス不均衡の問題を軽減することにより,大幅な改善をもたらすことがわかった。
さらに重要なことに、我々のメソッドは最先端のSSLメソッドよりも優れており、より難しいSSL設定のためのフレームワークの可能性を示しています。
関連論文リスト
- Active Label Refinement for Robust Training of Imbalanced Medical Image Classification Tasks in the Presence of High Label Noise [10.232537737211098]
雑音ラベル(LNL)とアクティブラーニングを組み合わせた2段階のアプローチを提案する。
提案手法は,少数クラスからのクリーンなサンプルをノイズの多いサンプルとして誤識別しないことで,クラス不均衡を扱う従来の手法よりも優れていることを示す。
論文 参考訳(メタデータ) (2024-07-08T14:16:05Z) - 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) - Class-Specific Distribution Alignment for Semi-Supervised Medical Image
Classification [14.343079589464994]
CSDA(Class-Specific Distribution Alignment)は、自己学習に基づく半教師付き学習フレームワークである。
本手法は, 半教師付き皮膚疾患, 胸部疾患, 内視鏡的画像分類作業において, 競争力を発揮することを示す。
論文 参考訳(メタデータ) (2023-07-29T13:38:19Z) - DHC: Dual-debiased Heterogeneous Co-training Framework for
Class-imbalanced Semi-supervised Medical Image Segmentation [19.033066343869862]
半教師付き3次元医用画像セグメンテーションのためのDHC(Dual-debiased Heterogeneous Co-training)フレームワークを提案する。
具体的には,DistDW(Dis Distribution-aware Debiased Weighting)とDiffDW(DiffDW)の2つの損失重み付け戦略を提案する。
提案フレームワークは,クラス不均衡問題を緩和するために擬似ラベルを用いることで,大幅な改善を実現する。
論文 参考訳(メタデータ) (2023-07-22T02:16:05Z) - Incorporating Semi-Supervised and Positive-Unlabeled Learning for
Boosting Full Reference Image Quality Assessment [73.61888777504377]
フル参照(FR)画像品質評価(IQA)は、その知覚的差異をプリズム品質基準で測定することにより、歪み画像の視覚的品質を評価する。
ラベルなしデータは、画像劣化または復元プロセスから容易に収集することができ、ラベルなしのトレーニングデータを利用してFR-IQA性能を高めることを奨励する。
本稿では, 半教師付き, 正の未ラベル学習(PU)を用いて, ラベルなしデータを活用し, オフレーヤの悪影響を軽減することを提案する。
論文 参考訳(メタデータ) (2022-04-19T09:10:06Z) - Semi-supervised learning for medical image classification using
imbalanced training data [11.87832944550453]
本稿では,摂動型SSL方式における整合性損失の代替として,適応的Blended Consistency Loss (ABCL)を提案する。
ABCLは、クラス周波数に応じて、目標とする一貫性損失のクラス分布を適応的に混合してデータスキューに対処する。
ABCLを用いた実験により,2つの不均衡な医用画像分類データセットにおける非重み付き平均リコールの改善が示された。
論文 参考訳(メタデータ) (2021-08-20T01:06:42Z) - 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) - A Teacher-Student Framework for Semi-supervised Medical Image
Segmentation From Mixed Supervision [62.4773770041279]
そこで我々は,臓器と病変のセグメンテーションのための教師と学生のスタイルに基づくセミ教師付き学習フレームワークを開発した。
我々は,本モデルがバウンディングボックスの品質に対して堅牢であることを示し,フル教師付き学習手法と比較した性能を実現する。
論文 参考訳(メタデータ) (2020-10-23T07:58:20Z) - Multi-label Thoracic Disease Image Classification with Cross-Attention
Networks [65.37531731899837]
胸部X線画像から胸部疾患を自動分類するためのCAN(Cross-Attention Networks)を提案する。
また,クロスエントロピー損失を超える新たな損失関数を設計し,クラス間の不均衡を克服する。
論文 参考訳(メタデータ) (2020-07-21T14:37:00Z) - ATSO: Asynchronous Teacher-Student Optimization for Semi-Supervised
Medical Image Segmentation [99.90263375737362]
教師-学生最適化の非同期版であるATSOを提案する。
ATSOはラベルのないデータを2つのサブセットに分割し、モデルの微調整に1つのサブセットを交互に使用し、他のサブセットのラベルを更新する。
医用画像のセグメンテーションデータセットを2つ評価し,様々な半教師付き環境において優れた性能を示す。
論文 参考訳(メタデータ) (2020-06-24T04:05:12Z) - A Self-ensembling Framework for Semi-supervised Knee Cartilage Defects
Assessment with Dual-Consistency [40.67137486295487]
本研究は, 重症度分類と病変局所化を含む, 膝軟骨欠損評価のための新しいアプローチを提案する。
自己理解フレームワークは、学生ネットワークと、同じ構造を持つ教師ネットワークとから構成される。
実験により, 膝軟骨欠損の分類と局所化の双方において, 提案手法は自己認識性能を著しく向上させることができることが示された。
論文 参考訳(メタデータ) (2020-05-19T04:47:25Z)
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。