Fugu-MT 論文翻訳(概要): Self-supervised Assisted Active Learning for Skin Lesion Segmentation

論文の概要: Self-supervised Assisted Active Learning for Skin Lesion Segmentation

arxiv url: http://arxiv.org/abs/2205.07021v1
Date: Sat, 14 May 2022 09:40:18 GMT
ステータス: 処理完了
システム内更新日: 2022-05-17 15:09:50.826606
Title: Self-supervised Assisted Active Learning for Skin Lesion Segmentation
Title（参考訳）: 自己指導型アクティブラーニングによる皮膚病変分割
Authors: Ziyuan Zhao, Wenjing Lu, Zeng Zeng, Kaixin Xu, Bharadwaj Veeravalli, Cuntai Guan
Abstract要約: ラベルの不足は、高いアノテーションコストと専門的な要件のために、バイオメディカルなイメージセグメンテーションの長年の問題であった。そこで本研究では,まず,自己教師型学習でセグメンテーションモデルをウォームアップする,冷間開始環境における自己教師型アクティブラーニングフレームワークを提案する。私たちのアプローチは、既存のベースラインよりも大幅に改善され、有望なパフォーマンスを達成することができます。
参考スコア（独自算出の注目度）: 18.78959113954792
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Label scarcity has been a long-standing issue for biomedical image segmentation, due to high annotation costs and professional requirements. Recently, active learning (AL) strategies strive to reduce annotation costs by querying a small portion of data for annotation, receiving much traction in the field of medical imaging. However, most of the existing AL methods have to initialize models with some randomly selected samples followed by active selection based on various criteria, such as uncertainty and diversity. Such random-start initialization methods inevitably introduce under-value redundant samples and unnecessary annotation costs. For the purpose of addressing the issue, we propose a novel self-supervised assisted active learning framework in the cold-start setting, in which the segmentation model is first warmed up with self-supervised learning (SSL), and then SSL features are used for sample selection via latent feature clustering without accessing labels. We assess our proposed methodology on skin lesions segmentation task. Extensive experiments demonstrate that our approach is capable of achieving promising performance with substantial improvements over existing baselines.
Abstract（参考訳）: ラベルの不足は、高いアノテーションコストと専門的な要件のために、バイオメディカルイメージセグメンテーションの長年の問題であった。近年、アクティブラーニング(al)戦略は、少量のデータに注釈を照会することでアノテーションコストを削減し、医療画像の分野で大きな牽引力を得ている。しかし、既存のalメソッドのほとんどは、不確実性や多様性といった様々な基準に基づいて、ランダムに選択されたサンプルでモデルを初期化する必要がある。このようなランダムスタート初期化手法は必然的に非値冗長なサンプルと不要なアノテーションコストを導入する。この問題に対処するために,まずセグメンテーションモデルを自己教師付き学習(SSL)でウォームアップし,次にラベルをアクセスせずに潜在機能クラスタリングによるサンプル選択にSSL機能を利用する冷間開始環境における,新しい自己教師型アクティブラーニングフレームワークを提案する。皮膚病変分割作業における提案手法の評価を行った。大規模な実験は、我々のアプローチが既存のベースラインよりも大幅に改善され、有望なパフォーマンスを達成することができることを示した。

関連論文リスト

SAM-Driven Weakly Supervised Nodule Segmentation with Uncertainty-Aware Cross Teaching [13.5553526185399]
自動結節分割は超音波画像におけるコンピュータ支援診断に不可欠である。近年、SAMのようなセグメンテーション基礎モデルは、自然画像に顕著な一般化性を示している。本研究では, セグメンテーション基盤モデルを利用して擬似ラベルを生成する, 弱教師付きフレームワークを考案する。
論文参考訳（メタデータ） (2024-07-18T14:27:54Z)
Learnable Weight Initialization for Volumetric Medical Image Segmentation [66.3030435676252]
本稿では,学習可能な重みに基づくハイブリッド医療画像セグメンテーション手法を提案する。我々のアプローチはどんなハイブリッドモデルにも簡単に統合でき、外部のトレーニングデータを必要としない。多臓器・肺がんセグメンテーションタスクの実験は、我々のアプローチの有効性を実証している。
論文参考訳（メタデータ） (2023-06-15T17:55:05Z)
MuRAL: Multi-Scale Region-based Active Learning for Object Detection [20.478741635006116]
オブジェクト検出のためのマルチスケール領域ベースアクティブラーニング(MuRAL)と呼ばれる新しい手法を提案する。 MuRALは、様々なスケールの情報領域を特定して、よく学習されたオブジェクトのアノテーションコストを削減する。提案手法は,Cityscapes および MS COCO データセットの粗粒度および細粒度ベースラインを網羅する。
論文参考訳（メタデータ） (2023-03-29T12:52:27Z)
TAAL: Test-time Augmentation for Active Learning in Medical Image Segmentation [7.856339385917824]
本稿では,セグメンテーションのための半教師付きアクティブラーニング手法であるTAAL(Test-time Augmentation for Active Learning)を提案する。以上の結果から,TAALは既存のベースライン法よりも,完全教師付きと半教師付きの両方で優れていることが示された。
論文参考訳（メタデータ） (2023-01-16T22:19:41Z)
Active Pointly-Supervised Instance Segmentation [106.38955769817747]
アクティブポイント制御型インスタンスセグメンテーション(APIS)という,経済的なアクティブな学習環境を提案する。 APISはボックスレベルのアノテーションから始まり、ボックス内のポイントを反復的にサンプリングし、オブジェクトに落ちているかどうかを問う。これらの戦略で開発されたモデルは、挑戦的なMS-COCOデータセットに対して一貫したパフォーマンス向上をもたらす。
論文参考訳（メタデータ） (2022-07-23T11:25:24Z)
LifeLonger: A Benchmark for Continual Disease Classification [59.13735398630546]
MedMNISTコレクションの連続的な疾患分類のためのベンチマークであるLifeLongerを紹介する。タスクとクラスでの病気の漸進的な学習は、モデルをスクラッチから再トレーニングすることなく、新しいサンプルを分類する問題に対処する。クロスドメインインクリメンタル学習は、これまで得られた知識を維持しながら、異なる機関から派生したデータセットを扱う問題に対処する。
論文参考訳（メタデータ） (2022-04-12T12:25:05Z)
Active Surrogate Estimators: An Active Learning Approach to Label-Efficient Model Evaluation [59.7305309038676]
モデル評価のためのアクティブサロゲート推定器(ASE)を提案する。 ASEは現在の最先端技術よりもラベル効率が高いことが分かりました。
論文参考訳（メタデータ） (2022-02-14T17:15:18Z)
Novel Class Discovery in Semantic Segmentation [104.30729847367104]
セマンティックにおける新しいクラス発見(NCDSS)について紹介する。ラベル付き非結合クラスの集合から事前の知識を与えられた新しいクラスを含むラベル付きイメージのセグメンテーションを目的としている。 NCDSSでは、オブジェクトと背景を区別し、画像内の複数のクラスの存在を処理する必要があります。本稿では,エントロピーに基づく不確実性モデリングと自己学習(EUMS)フレームワークを提案し,ノイズの多い擬似ラベルを克服する。
論文参考訳（メタデータ） (2021-12-03T13:31:59Z)
Few-shot segmentation of medical images based on meta-learning with implicit gradients [0.48861336570452174]
医用画像セグメンテーションのための数ショット設定において,最適化に基づく暗黙的メタ学習iMAMLアルゴリズムを活用することを提案する。このアプローチでは、さまざまなトレーニングサンプルから学んだ重みを活用でき、新しい未知のデータセットにデプロイすることができます。
論文参考訳（メタデータ） (2021-06-06T19:52:06Z)
Interpretability-Driven Sample Selection Using Self Supervised Learning For Disease Classification And Segmentation [4.898744396854313]
解釈可能なサリエンシーマップに含まれる情報を活用した深層特徴に基づく新しいサンプル選択手法を提案する。提案手法は, より少ないサンプルで, アートパフォーマンスの状態を導く情報的サンプルの選択において, 他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） (2021-04-13T10:46:33Z)
Minimax Active Learning [61.729667575374606]
アクティブラーニングは、人間のアノテーションによってラベル付けされる最も代表的なサンプルをクエリすることによって、ラベル効率の高いアルゴリズムを開発することを目指している。現在のアクティブラーニング技術は、最も不確実なサンプルを選択するためにモデルの不確実性に頼るか、クラスタリングを使うか、最も多様なラベルのないサンプルを選択するために再構築する。我々は,不確実性と多様性を両立させる半教師付きミニマックスエントロピーに基づく能動学習アルゴリズムを開発した。
論文参考訳（メタデータ） (2020-12-18T19:03:40Z)

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。