論文の概要: Bootstrapping Semi-supervised Medical Image Segmentation with Anatomical-aware Contrastive Distillation

• arxiv url: http://arxiv.org/abs/2206.02307v1
• Date: Mon, 6 Jun 2022 01:30:03 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-08 06:23:28.716757
• Title: Bootstrapping Semi-supervised Medical Image Segmentation with Anatomical-aware Contrastive Distillation
• Title（参考訳）: anatomical-aware contrastive distillation による半教師付き医用画像分割
• Authors: Chenyu You, Weicheng Dai, Lawrence Staib, James S. Duncan
• Abstract要約: 半教師型医用画像セグメンテーションのための解剖学的認識型ConTrastive dIstillatiONフレームワークであるACTIONを提案する。 まず, 正対と負対の2値監督ではなく, 負対をソフトにラベル付けして, 反復的コントラスト蒸留法を開発した。 また、サンプルデータの多様性を強制するために、ランダムに選択された負の集合から、より意味論的に類似した特徴を抽出する。
• 参考スコア（独自算出の注目度）: 10.877450596327407
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Contrastive learning has shown great promise over annotation scarcity problems in the context of medical image segmentation. Existing approaches typically assume a balanced class distribution for both labeled and unlabeled medical images. However, medical image data in reality is commonly imbalanced (i.e., multi-class label imbalance), which naturally yields blurry contours and usually incorrectly labels rare objects. Moreover, it remains unclear whether all negative samples are equally negative. In this work, we present ACTION, an Anatomical-aware ConTrastive dIstillatiON framework, for semi-supervised medical image segmentation. Specifically, we first develop an iterative contrastive distillation algorithm by softly labeling the negatives rather than binary supervision between positive and negative pairs. We also capture more semantically similar features from the randomly chosen negative set compared to the positives to enforce the diversity of the sampled data. Second, we raise a more important question: Can we really handle imbalanced samples to yield better performance? Hence, the key innovation in ACTION is to learn global semantic relationship across the entire dataset and local anatomical features among the neighbouring pixels with minimal additional memory footprint. During the training, we introduce anatomical contrast by actively sampling a sparse set of hard negative pixels, which can generate smoother segmentation boundaries and more accurate predictions. Extensive experiments across two benchmark datasets and different unlabeled settings show that ACTION performs comparable or better than the current state-of-the-art supervised and semi-supervised methods. Our code and models will be publicly available.
• Abstract（参考訳）: 医用画像セグメンテーションの文脈におけるアノテーション不足問題に対して,コントラスト学習は大きな可能性を秘めている。 既存のアプローチは通常、ラベル付きおよびラベルなしの医療画像のバランスの取れたクラス分布を仮定する。 しかし、現実の医用画像データは一般に不均衡(すなわち多種ラベル不均衡)であり、自然にぼやけた輪郭を生じさせ、通常不正確に珍しい物体をラベル付けする。 さらに、全ての負のサンプルが等しく負であるかどうかも不明である。 本稿では,解剖学的に認識されたConTrastive dIstillationフレームワークであるACTIONについて紹介する。 具体的には, 正対と負対の二元的監督ではなく, 緩やかに負のラベルを付けて, 反復的コントラスト蒸留アルゴリズムを開発した。 また、サンプルデータの多様性を強制するために、ランダムに選択された負の集合からより意味論的に類似した特徴を抽出する。 第2に,より重要な疑問を提起する – パフォーマンス向上のために,本当に不均衡なサンプルを扱うことができるのか? したがって、ACTIONの重要なイノベーションは、データセット全体にわたるグローバルなセマンティックな関係と、最小限の追加メモリフットプリントを持つ近隣ピクセル間の局所的な解剖学的特徴を学ぶことである。 トレーニング中,我々は,よりスムーズなセグメンテーション境界とより正確な予測を生成できる,粗い負画素の集合を積極的にサンプリングすることで解剖学的コントラストを導入する。 2つのベンチマークデータセットと異なるラベル付き設定による広範囲な実験は、アクションが現在の最先端の教師付きおよび半教師付きメソッドと同等かそれ以上であることを示している。 私たちのコードとモデルは公開されます。

関連論文リスト

• Sample-Specific Debiasing for Better Image-Text Models [6.301766237907306]
  画像テキストデータに基づく自己教師付き表現学習は、画像分類、視覚的接地、相互モーダル検索などの重要な医学的応用を促進する。 1つの一般的なアプローチは、意味論的に類似した(肯定的な)および異種(否定的な)データポイントの対を対比することである。 トレーニングデータセットから一様に負のサンプルを描画すると、偽の負、すなわち、異種として扱われるが同一のクラスに属するサンプルが導入される。 医療データでは、基礎となるクラス分布は不均一であり、偽陰性は高い変動率で起こることを意味する。
  論文  参考訳（メタデータ） (2023-04-25T22:23:41Z)
• ACTION++: Improving Semi-supervised Medical Image Segmentation with Adaptive Anatomical Contrast [10.259713750306458]
  半教師型医療セグメンテーションのための適応的解剖学的コントラストを持つ改良型コントラスト学習フレームワークであるACTION++を提案する。 我々は、長い尾の医療データに対する対照的な損失において、一定温度の$tau$を盲目的に採用することは、最適ではないと論じている。 ACTION++は2つの半教師付き設定で最先端を実現する。
  論文  参考訳（メタデータ） (2023-04-05T18:33:18Z)
• Rethinking Semi-Supervised Medical Image Segmentation: A Variance-Reduction Perspective [51.70661197256033]
  医用画像セグメンテーションのための階層化グループ理論を用いた半教師付きコントラスト学習フレームワークARCOを提案する。 まず、分散還元推定の概念を用いてARCOを構築することを提案し、特定の分散還元技術が画素/ボクセルレベルのセグメンテーションタスクにおいて特に有用であることを示す。 5つの2D/3D医療データセットと3つのセマンティックセグメンテーションデータセットのラベル設定が異なる8つのベンチマークで、我々のアプローチを実験的に検証する。
  論文  参考訳（メタデータ） (2023-02-03T13:50:25Z)
• Mine yOur owN Anatomy: Revisiting Medical Image Segmentation with Extremely Limited Labels [54.58539616385138]
  我々は、Mine yOur owN Anatomy (MONA) と呼ばれる、新しい半教師付き2次元医用画像セグメンテーションフレームワークを紹介する。 まず、先行研究では、すべてのピクセルがモデルトレーニングに等しく重要であると論じており、我々はこの1つだけで意味のある解剖学的特徴を定義できないことを経験的に観察している。 第2に,医療画像を解剖学的特徴の集合に分解できるモデルを構築する。
  論文  参考訳（メタデータ） (2022-09-27T15:50:31Z)
• Min-Max Similarity: A Contrastive Learning Based Semi-Supervised Learning Network for Surgical Tools Segmentation [0.0]
  コントラスト学習に基づく半教師付きセグメンテーションネットワークを提案する。 従来の最先端技術とは対照的に、両視点トレーニングの対照的な学習形式を導入する。 提案手法は、最先端の半教師付きおよび完全教師付きセグメンテーションアルゴリズムを一貫して上回る。
  論文  参考訳（メタデータ） (2022-03-29T01:40:26Z)
• Semi-supervised Semantic Segmentation with Directional Context-aware Consistency [66.49995436833667]
  我々は、ラベル付きデータの小さなセットに、全くラベル付けされていない画像のより大きなコレクションを提供する半教師付きセグメンテーション問題に焦点をあてる。 好ましいハイレベル表現は、自己認識を失わずにコンテキスト情報をキャプチャするべきである。 我々は,DCロス(Directional Contrastive Loss)を画素対ピクセルの整合性を達成するために提示する。
  論文  参考訳（メタデータ） (2021-06-27T03:42:40Z)
• Contrastive Attraction and Contrastive Repulsion for Representation Learning [131.72147978462348]
  コントラスト学習(CL)法は,複数の負のサンプルに対して,エンコーダが各正のサンプルと対比する自己超越的な方法でデータ表現を学習する。 最近のCL法は、ImageNetのような大規模データセットで事前訓練された場合、有望な結果を得た。 自己グループ内の正と負のサンプルを別々に比較し、正と負の群を対比して進行する2つのCL戦略を提案する。
  論文  参考訳（メタデータ） (2021-05-08T17:25:08Z)
• Delving into Inter-Image Invariance for Unsupervised Visual Representations [108.33534231219464]
  画像間不変学習の役割をよりよく理解するための研究を提案する。 オンラインラベルはオフラインラベルよりも早く収束する。 半硬な負のサンプルは、硬い負のサンプルよりも信頼性が高く、偏りがない。
  論文  参考訳（メタデータ） (2020-08-26T17:44:23Z)
• 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)

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。