論文の概要: Voxel-wise Adversarial Semi-supervised Learning for Medical Image
Segmentation
- arxiv url: http://arxiv.org/abs/2205.06987v1
- Date: Sat, 14 May 2022 06:57:19 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-17 15:43:10.499454
- Title: Voxel-wise Adversarial Semi-supervised Learning for Medical Image
Segmentation
- Title(参考訳): 医用画像分割のためのVoxel-wise Adversarial Semi-supervised Learning
- Authors: Chae Eun Lee and Hyelim Park and Yeong-Gil Shin and Minyoung Chung
- Abstract要約: 医用画像セグメンテーションのための新しい対向学習に基づく半教師付きセグメンテーション手法を提案する。
本手法では,複数の階層から局所的特徴とグローバルな特徴を埋め込んで,複数のクラス間のコンテキスト関係を学習する。
左心房(シングルクラス)とマルチオーガニックデータセット(マルチクラス)のイメージセグメンテーションにおける、最先端の半教師あり学習手法よりも優れています。
- 参考スコア(独自算出の注目度): 4.489713477369384
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Semi-supervised learning for medical image segmentation is an important area
of research for alleviating the huge cost associated with the construction of
reliable large-scale annotations in the medical domain. Recent semi-supervised
approaches have demonstrated promising results by employing consistency
regularization, pseudo-labeling techniques, and adversarial learning. These
methods primarily attempt to learn the distribution of labeled and unlabeled
data by enforcing consistency in the predictions or embedding context. However,
previous approaches have focused only on local discrepancy minimization or
context relations across single classes. In this paper, we introduce a novel
adversarial learning-based semi-supervised segmentation method that effectively
embeds both local and global features from multiple hidden layers and learns
context relations between multiple classes. Our voxel-wise adversarial learning
method utilizes a voxel-wise feature discriminator, which considers multilayer
voxel-wise features (involving both local and global features) as an input by
embedding class-specific voxel-wise feature distribution. Furthermore, we
improve our previous representation learning method by overcoming information
loss and learning stability problems, which enables rich representations of
labeled data. Our method outperforms current best-performing state-of-the-art
semi-supervised learning approaches on the image segmentation of the left
atrium (single class) and multiorgan datasets (multiclass). Moreover, our
visual interpretation of the feature space demonstrates that our proposed
method enables a well-distributed and separated feature space from both labeled
and unlabeled data, which improves the overall prediction results.
- Abstract(参考訳): 医用画像分割のための半教師付き学習は,医療領域における信頼性の高い大規模アノテーションの構築に伴う膨大なコストを軽減するための重要な研究分野である。
最近の半教師ありアプローチは、整合正則化、擬似ラベル技術、対角学習を用いて有望な結果を示した。
これらの手法は、主に予測や埋め込みコンテキストの一貫性を強制することによってラベル付きおよびラベル付きデータの分布を学習しようとする。
しかし、従来のアプローチでは、局所的な不一致の最小化や単一クラス間のコンテキスト関係にのみ焦点が当てられていた。
本稿では,複数の階層から局所的特徴とグローバル的特徴を効果的に埋め込み,複数のクラス間のコンテキスト関係を学習する,対角学習に基づく半教師付きセグメンテーション手法を提案する。
voxel-wise adversarial learning法では,voxel-wise feature discriminatorを用いて,クラス固有のvoxel-wise feature distributionを組み込んだ入力として多層voxel-wise features(局所的特徴と大域的特徴の両方を含む)を考察する。
さらに,ラベル付きデータの豊かな表現を可能にする情報損失問題や学習安定性問題を克服することで,従来の表現学習方法を改善する。
本手法は,左心房(single class)とマルチオルガンデータセット(multiorgan dataset,multiclass)の画像セグメンテーションにおいて,現在最もパフォーマンスの高い半教師付き学習手法を上回っている。
さらに,提案手法により,ラベル付きデータとラベルなしデータの両方から特徴空間を適切に分散分離し,全体の予測結果を改善することができることを示した。
関連論文リスト
- A Classifier-Free Incremental Learning Framework for Scalable Medical Image Segmentation [6.591403935303867]
本稿では,単一分類器のないネットワークにおいて,可変数のクラスをセグメント化できる新しいセグメンテーションパラダイムを提案する。
このネットワークは、コントラスト学習を用いて訓練され、簡単な解釈を容易にする識別的特徴表現を生成する。
統合ネットワーク内での様々なクラス数処理における本手法の柔軟性とその漸進学習能力について述べる。
論文 参考訳(メタデータ) (2024-05-25T19:05:07Z) - Multi-Scale Cross Contrastive Learning for Semi-Supervised Medical Image
Segmentation [14.536384387956527]
医用画像の構造を分割するマルチスケールクロススーパービジョンコントラスト学習フレームワークを開発した。
提案手法は,頑健な特徴表現を抽出するために,地上構造と横断予測ラベルに基づくマルチスケール特徴と対比する。
Diceでは最先端の半教師あり手法を3.0%以上上回っている。
論文 参考訳(メタデータ) (2023-06-25T16:55:32Z) - 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) - Leveraging Ensembles and Self-Supervised Learning for Fully-Unsupervised
Person Re-Identification and Text Authorship Attribution [77.85461690214551]
完全ラベル付きデータからの学習は、Person Re-IdentificationやText Authorship Attributionなどのマルチメディアフォレスト問題において困難である。
近年の自己教師型学習法は,基礎となるクラスに意味的差異が有る場合に,完全ラベル付きデータを扱う際に有効であることが示されている。
本研究では,異なるクラスからのサンプルが顕著に多様性を持っていない場合でも,ラベルのないデータから学習できるようにすることにより,個人再認識とテキストオーサシップの属性に対処する戦略を提案する。
論文 参考訳(メタデータ) (2022-02-07T13:08:11Z) - Semi-supervised Domain Adaptive Structure Learning [72.01544419893628]
半教師付きドメイン適応 (SSDA) は,1) アノテーションの低いデータに過度に適合する手法と,2) ドメイン間の分散シフトの両方を克服しなければならない課題である。
SSLとDAの協調を正規化するための適応型構造学習手法を提案する。
論文 参考訳(メタデータ) (2021-12-12T06:11:16Z) - Uncertainty-Guided Mutual Consistency Learning for Semi-Supervised
Medical Image Segmentation [9.745971699005857]
医用画像セグメンテーションのための新しい不確実性誘導相互整合学習フレームワークを提案する。
タスクレベルの正規化によるタスク内一貫性学習と、タスク間の整合性学習を統合して、幾何学的な形状情報を活用する。
本手法は,ラベルのないデータを活用し,既存の半教師付きセグメンテーション法より優れた性能を実現する。
論文 参考訳(メタデータ) (2021-12-05T08:19:41Z) - Dense Contrastive Visual-Linguistic Pretraining [53.61233531733243]
画像とテキストを共同で表現するマルチモーダル表現学習手法が提案されている。
これらの手法は,大規模マルチモーダル事前学習から高レベルな意味情報を取得することにより,優れた性能を実現する。
そこで本稿では,非バイアスのDense Contrastive Visual-Linguistic Pretrainingを提案する。
論文 参考訳(メタデータ) (2021-09-24T07:20:13Z) - Clustering augmented Self-Supervised Learning: Anapplication to Land
Cover Mapping [10.720852987343896]
本稿では,自己教師型学習のためのクラスタリングに基づくプレテキストタスクを用いて,土地被覆マッピングの新しい手法を提案する。
社会的に関係のある2つのアプリケーションに対して,本手法の有効性を示す。
論文 参考訳(メタデータ) (2021-08-16T19:35:43Z) - MCDAL: Maximum Classifier Discrepancy for Active Learning [74.73133545019877]
近年の最先端のアクティブラーニング手法は, 主にGAN(Generative Adversarial Networks)をサンプル取得に活用している。
本稿では,MCDAL(Maximum Discrepancy for Active Learning)と呼ぶ新しいアクティブラーニングフレームワークを提案する。
特に,両者の差分を最大化することにより,より厳密な決定境界を学習する2つの補助的分類層を利用する。
論文 参考訳(メタデータ) (2021-07-23T06:57:08Z) - Towards Robust Partially Supervised Multi-Structure Medical Image
Segmentation on Small-Scale Data [123.03252888189546]
データ不足下における部分教師付き学習(PSL)における方法論的ギャップを埋めるために,不確実性下でのビシナルラベル(VLUU)を提案する。
マルチタスク学習とヴィジナルリスク最小化によって動機づけられたVLUUは、ビジナルラベルを生成することによって、部分的に教師付き問題を完全な教師付き問題に変換する。
本研究は,ラベル効率の高い深層学習における新たな研究の方向性を示唆するものである。
論文 参考訳(メタデータ) (2020-11-28T16:31:00Z)
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。