論文の概要: Joint Class-Affinity Loss Correction for Robust Medical Image
Segmentation with Noisy Labels
- arxiv url: http://arxiv.org/abs/2206.07994v1
- Date: Thu, 16 Jun 2022 08:19:33 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-17 15:59:25.771376
- Title: Joint Class-Affinity Loss Correction for Robust Medical Image
Segmentation with Noisy Labels
- Title（参考訳）: 雑音ラベルを用いたロバスト医用画像セグメンテーションに対するジョイントクラスアフィニティ損失補正
- Authors: Xiaoqing Guo and Yixuan Yuan
- Abstract要約: ノイズラベルは 医用画像分割アルゴリズムが 正確な意味的相関を 学習するのを防いでいる
画素ワイズとペアワイズの両方を取り入れたノイズ緩和のための新しい視点を提案する。
医用画像のセグメンテーションにおけるラベルノイズ問題に対処する頑健なジョイントクラスアフィニティ(JCAS)フレームワークを提案する。
- 参考スコア（独自算出の注目度）: 22.721870430220598
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Noisy labels collected with limited annotation cost prevent medical image
segmentation algorithms from learning precise semantic correlations. Previous
segmentation arts of learning with noisy labels merely perform a pixel-wise
manner to preserve semantics, such as pixel-wise label correction, but neglect
the pair-wise manner. In fact, we observe that the pair-wise manner capturing
affinity relations between pixels can greatly reduce the label noise rate.
Motivated by this observation, we present a novel perspective for noisy
mitigation by incorporating both pixel-wise and pair-wise manners, where
supervisions are derived from noisy class and affinity labels, respectively.
Unifying the pixel-wise and pair-wise manners, we propose a robust Joint
Class-Affinity Segmentation (JCAS) framework to combat label noise issues in
medical image segmentation. Considering the affinity in pair-wise manner
incorporates contextual dependencies, a differentiated affinity reasoning (DAR)
module is devised to rectify the pixel-wise segmentation prediction by
reasoning about intra-class and inter-class affinity relations. To further
enhance the noise resistance, a class-affinity loss correction (CALC) strategy
is designed to correct supervision signals via the modeled noise label
distributions in class and affinity labels. Meanwhile, CALC strategy interacts
the pixel-wise and pair-wise manners through the theoretically derived
consistency regularization. Extensive experiments under both synthetic and
real-world noisy labels corroborate the efficacy of the proposed JCAS framework
with a minimum gap towards the upper bound performance. The source code is
available at \url{https://github.com/CityU-AIM-Group/JCAS}.
- Abstract（参考訳）: 限定的なアノテーションコストで収集されたノイズラベルは、医用画像分割アルゴリズムが正確な意味相関を学習することを妨げる。
従来のノイズラベルによる学習のセグメンテーションは、単にピクセルワイズラベルの補正のようなセマンティクスを保存するためにピクセルワイズな方法を実行するだけで、ペアワイズを無視する。
実際、画素間の親和関係をペアワイズにキャプチャすることで、ラベルノイズ率を大幅に低減することができる。
そこで,本研究では,それぞれがノイズクラスと親和性ラベルから監督を導出する画素ワイドとペアワイドの両方を取り入れたノイズ緩和の新たな視点を提案する。
医用画像セグメンテーションにおけるラベルノイズ問題に対処するため, 画素ワイドとペアワイドを一体化して, JCAS(Joint Class-Affinity Segmentation)フレームワークを提案する。
ペアワイズ方式の親和性を考慮すると、クラス内親和関係とクラス間親和関係を推論することにより、画素毎のセグメンテーション予測を正すために微分親和性推論(dar)モジュールが考案される。
耐雑音性をさらに高めるため、クラスアフィニティ損失補正(CALC)戦略は、クラスおよびアフィニティラベルのモデル付きノイズラベル分布を介して監視信号を補正するように設計されている。
一方、CALC戦略は理論的に導出された整合正則化を通じてピクセルワイドおよびペアワイドの方法と相互作用する。
合成および実世界の雑音ラベルを併用した大規模実験は, 上界性能に最小限のギャップを有するJCASフレームワークの有効性を裏付けるものである。
ソースコードは \url{https://github.com/CityU-AIM-Group/JCAS} で入手できる。
関連論文リスト
- Semantic Connectivity-Driven Pseudo-labeling for Cross-domain
Segmentation [89.41179071022121]
自己学習はドメイン間セマンティックセグメンテーションにおいて一般的なアプローチである。
本稿ではセマンティック・コネクティビティ駆動の擬似ラベル方式を提案する。
このアプローチは、接続レベルにおいて擬似ラベルを定式化し、構造的および低雑音のセマンティクスの学習を容易にする。
論文 参考訳（メタデータ） (2023-12-11T12:29:51Z) - Rectifying Noisy Labels with Sequential Prior: Multi-Scale Temporal
Feature Affinity Learning for Robust Video Segmentation [15.509243984236162]
ノイズラベル問題は、医療画像セグメンテーション内に必然的に存在し、性能が著しく低下する。
ノイズラベル付き医療ビデオセグメンテーション問題を解決するために,マルチスケールの時間的特徴親和性学習フレームワークを提案する。
合成および実世界のラベルノイズを用いた実験により,本手法は最近の最先端のロバストなセグメンテーション手法より優れていることが示された。
論文 参考訳（メタデータ） (2023-07-12T04:10:16Z) - Multi-Granularity Denoising and Bidirectional Alignment for Weakly
Supervised Semantic Segmentation [75.32213865436442]
本稿では,雑音ラベルと多クラス一般化問題を緩和するために,MDBAモデルを提案する。
MDBAモデルはPASCAL VOC 2012データセットの検証とテストセットにおいて69.5%と70.2%のmIoUに達することができる。
論文 参考訳（メタデータ） (2023-05-09T03:33:43Z) - FECANet: Boosting Few-Shot Semantic Segmentation with Feature-Enhanced
Context-Aware Network [48.912196729711624]
Few-shot セマンティックセグメンテーション(Few-shot semantic segmentation)は、新しいクラスの各ピクセルを、わずかに注釈付きサポートイメージで検索するタスクである。
本稿では,クラス間の類似性に起因するマッチングノイズを抑制するために,機能拡張コンテキスト認識ネットワーク(FECANet)を提案する。
さらに,前景と背景の余分な対応関係を符号化する新たな相関再構成モジュールを提案する。
論文 参考訳（メタデータ） (2023-01-19T16:31:13Z) - RCPS: Rectified Contrastive Pseudo Supervision for Semi-Supervised
Medical Image Segmentation [26.933651788004475]
我々は、RCPS(Rectified Contrastive Pseudo Supervision)という、新しい半教師付きセグメンテーション手法を提案する。
RCPSは、修正された疑似監督とボクセルレベルのコントラスト学習を組み合わせて、半教師付きセグメンテーションの有効性を向上させる。
実験結果から, 半教師付き医用画像分割における最先端手法と比較して, 高いセグメンテーション性能が得られた。
論文 参考訳（メタデータ） (2023-01-13T12:03:58Z) - Category-Adaptive Label Discovery and Noise Rejection for Multi-label
Image Recognition with Partial Positive Labels [78.88007892742438]
部分正ラベル(MLR-PPL)を用いたマルチラベルモデルの訓練が注目されている。
これまでの研究では、未知のラベルを負とみなし、従来のMLRアルゴリズムを採用した。
我々は,MLR-PPLタスクを容易にするために,異なる画像間の意味的相関について検討する。
論文 参考訳（メタデータ） (2022-11-15T02:11:20Z) - Transductive CLIP with Class-Conditional Contrastive Learning [68.51078382124331]
雑音ラベル付き分類ネットワークをスクラッチから学習するための新しいフレームワークであるTransductive CLIPを提案する。
擬似ラベルへの依存を軽減するために,クラス条件のコントラスト学習機構を提案する。
アンサンブルラベルは、ノイズラベル付きディープニューラルネットワークのトレーニングを安定化するための擬似ラベル更新戦略として採用されている。
論文 参考訳（メタデータ） (2022-06-13T14:04:57Z) - Robust Contrastive Learning against Noisy Views [79.71880076439297]
ノイズの多い視点に対して頑健な新しいコントラスト損失関数を提案する。
提案手法は,最新の画像,ビデオ,グラフのコントラスト学習ベンチマークに対して一貫した改善を提供する。
論文 参考訳（メタデータ） (2022-01-12T05:24:29Z) - Superpixel-guided Iterative Learning from Noisy Labels for Medical Image
Segmentation [24.557755528031453]
セグメンテーションネットワークの雑音認識学習とノイズラベル改善を組み合わせた,頑健な反復学習戦略を開発する。
2つのベンチマーク実験により,本手法は最近の最先端手法よりも優れていることが示された。
論文 参考訳（メタデータ） (2021-07-21T14:27:36Z) - Learning from Pixel-Level Label Noise: A New Perspective for
Semi-Supervised Semantic Segmentation [12.937770890847819]
ピクセルレベルのノイズラベルに対処するためのグラフベースのラベルノイズ検出および補正フレームワークを提案する。
特に,クラスアクティベーションマップ(cam)による弱い監督から生成した画素レベルのノイズラベルに対して,強い監督を施したクリーンセグメンテーションモデルを訓練する。
最後に,超画素ベースのグラフを用いて,画像中の画素間の空間的隣接性と意味的類似性の関係を表現する。
論文 参考訳（メタデータ） (2021-03-26T03:23:21Z)
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。