論文の概要: ShapePU: A New PU Learning Framework Regularized by Global Consistency
for Scribble Supervised Cardiac Segmentation
- arxiv url: http://arxiv.org/abs/2206.02118v1
- Date: Sun, 5 Jun 2022 07:59:08 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-11 09:46:57.835949
- Title: ShapePU: A New PU Learning Framework Regularized by Global Consistency
for Scribble Supervised Cardiac Segmentation
- Title（参考訳）: ShapePU: Scribble Supervised Cardiac Segmentationのためのグローバル一貫性によって正規化された新しいPU学習フレームワーク
- Authors: Ke Zhang and Xiahai Zhuang
- Abstract要約: 本稿では,Positive-Unlabeled (PU) 学習フレームワークとグローバル整合性正規化に基づく,新しいスクリブルガイドによる心臓セグメンテーション法を提案する。
提案手法は,Diceの平均的な1.4%と9.8%の完全教師付きアプローチを超越し,最先端の弱教師付き学習法とPU学習法を大きなマージンで上回った。
- 参考スコア（独自算出の注目度）: 16.188681108101196
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Cardiac segmentation is an essential step for the diagnosis of cardiovascular
diseases. However, pixel-wise dense labeling is both costly and time-consuming.
Scribble, as a form of sparse annotation, is more accessible than full
annotations. However, it's particularly challenging to train a segmentation
network with weak supervision from scribbles. To tackle this problem, we
propose a new scribble-guided method for cardiac segmentation, based on the
Positive-Unlabeled (PU) learning framework and global consistency
regularization, and termed as ShapePU. To leverage unlabeled pixels via PU
learning, we first present an Expectation-Maximization (EM) algorithm to
estimate the proportion of each class in the unlabeled pixels. Given the
estimated ratios, we then introduce the marginal probability maximization to
identify the classes of unlabeled pixels. To exploit shape knowledge, we apply
cutout operations to training images, and penalize the inconsistent
segmentation results. Evaluated on two open datasets, i.e, ACDC and MSCMRseg,
our scribble-supervised ShapePU surpassed the fully supervised approach
respectively by 1.4% and 9.8% in average Dice, and outperformed the
state-of-the-art weakly supervised and PU learning methods by large margins.
Our code is available at https://github.com/BWGZK/ShapePU.
- Abstract（参考訳）: 心臓の分節は心血管疾患の診断に必須のステップである。
しかし、ピクセル単位での密なラベリングはコストも時間もかかる。
scribbleは、sparseアノテーションの形式として、完全なアノテーションよりもアクセスしやすい。
しかし、スクリブルからの監督が弱いセグメンテーションネットワークを訓練することは特に難しい。
この問題に対処するため,我々は,Positive-Unlabeled (PU) 学習フレームワークとグローバル整合性正規化に基づく,新しいスクリブル誘導型心臓セグメンテーション法を提案し,ShapePUと呼ぶ。
ラベルなし画素をpu学習で活用するために,まず期待最大化(em)アルゴリズムを適用し,ラベルなし画素の各クラスの割合を推定する。
推定比率を考えると、ラベルなし画素のクラスを識別するために限界確率最大化を導入する。
形状知識を利用するため,訓練画像にカットアウト操作を適用し,矛盾したセグメント化結果をペナルティ化する。
ACDCとMSCMRsegの2つのオープンデータセットで評価したところ、私たちのスクリブル教師付きShapePUは、それぞれ1.4%、平均9.8%の教師付きアプローチを上回り、最先端の教師付きおよびPU学習手法を大きなマージンで上回りました。
私たちのコードはhttps://github.com/BWGZK/ShapePUで利用可能です。
関連論文リスト
- AttenScribble: Attentive Similarity Learning for Scribble-Supervised
Medical Image Segmentation [5.8447004333496855]
本稿では,単純かつ効果的なスクリブル教師あり学習フレームワークを提案する。
我々は、任意の完全畳み込みネットワーク(FCN)バックボーンの内部特徴層の上に、接続可能な空間自己アテンションモジュールを作成する。
この注意深い類似性は、セグメンテーション予測と視覚親和性の一貫性を課する新たな正規化損失をもたらす。
論文 参考訳（メタデータ） (2023-12-11T18:42:18Z) - Learning Semantic Segmentation with Query Points Supervision on Aerial Images [57.09251327650334]
セマンティックセグメンテーションアルゴリズムを学習するための弱教師付き学習アルゴリズムを提案する。
提案手法は正確なセマンティックセグメンテーションを行い,手作業のアノテーションに要するコストと時間を大幅に削減することで効率を向上する。
論文 参考訳（メタデータ） (2023-09-11T14:32:04Z) - 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) - Nuclei Segmentation with Point Annotations from Pathology Images via
Self-Supervised Learning and Co-Training [44.13451004973818]
核分割のための弱い教師付き学習法を提案する。
粗いピクセルレベルのラベルは、ボロノイ図に基づく点アノテーションから導かれる。
病理画像の核分割に適した自己教師付き視覚表現学習法を提案する。
論文 参考訳（メタデータ） (2022-02-16T17:08:44Z) - Hypernet-Ensemble Learning of Segmentation Probability for Medical Image
Segmentation with Ambiguous Labels [8.841870931360585]
ディープラーニングのアプローチは、高い偏極ラベルの確率で予測を過信していることで有名です。
これは、人間のアノテーションであっても、固有のラベルのあいまいさを持つ多くのアプリケーションでは望ましくない。
実世界のシナリオにおける性能を犠牲にすることなくセグメント化確率推定を改善する新しい手法を提案する。
論文 参考訳（メタデータ） (2021-12-13T14:24:53Z) - Flip Learning: Erase to Segment [65.84901344260277]
弱い教師付きセグメンテーション(WSS)は、時間と面倒な手作業のアノテーションを減らすのに役立ちます。
ボックスアノテーションのみを必要とするFlip Learningという,斬新で汎用的なWSSフレームワークを提案する。
提案手法は,完全教師付き学習と弱教師付き学習のギャップを狭める大きな可能性を示す。
論文 参考訳（メタデータ） (2021-08-02T09:56:10Z) - Every Annotation Counts: Multi-label Deep Supervision for Medical Image
Segmentation [85.0078917060652]
この障壁を克服する半弱教師付きセグメンテーションアルゴリズムを提案する。
このアプローチは,深層指導と生徒・教師モデルの新しい定式化に基づいている。
我々の新しいセグメンテーションのトレーニング体制は、完全にラベル付けされ、バウンディングボックスでマークされた画像、単にグローバルラベル、あるいは全くないイメージを柔軟に活用することで、高価なラベルの要件を94.22%削減することができる。
論文 参考訳（メタデータ） (2021-04-27T14:51:19Z) - A Closer Look at Self-training for Zero-Label Semantic Segmentation [53.4488444382874]
トレーニング中に見られないクラスをセグメント化できることは、ディープラーニングにおいて重要な技術的課題です。
事前のゼロラベルセマンティクスセグメンテーションは、ビジュアル・セマンティクスの埋め込みや生成モデルを学ぶことによってこのタスクにアプローチする。
本研究では,同一画像の異なる増分から生じる擬似ラベルの交点を取り出し,ノイズの多い擬似ラベルをフィルタリングする整合性正規化器を提案する。
論文 参考訳（メタデータ） (2021-04-21T14:34:33Z) - Semantic Segmentation with Generative Models: Semi-Supervised Learning
and Strong Out-of-Domain Generalization [112.68171734288237]
本論文では,画像とラベルの再生モデルを用いた識別画素レベルのタスクのための新しいフレームワークを提案する。
我々は,共同画像ラベルの分布を捕捉し,未ラベル画像の大規模な集合を用いて効率的に訓練する生成的対向ネットワークを学習する。
ドメイン内性能をいくつかのベースラインと比較し,ドメイン外一般化を極端に示す最初の例である。
論文 参考訳（メタデータ） (2021-04-12T21:41:25Z) - Shape-aware Semi-supervised 3D Semantic Segmentation for Medical Images [24.216869988183092]
本稿では,豊富なラベルのないデータを活用し,セグメント化出力に幾何学的形状制約を課す,形状認識型半教師付きセグメンテーション戦略を提案する。
物体表面のセマンティックセグメンテーションと符号付き距離マップDMを共同で予測するマルチタスクディープネットワークを開発した。
実験の結果,提案手法は形状推定を改良し,最先端の手法よりも優れていることがわかった。
論文 参考訳（メタデータ） (2020-07-21T11:44:52Z)
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。