論文の概要: Less Is More: A Comparison of Active Learning Strategies for 3D Medical Image Segmentation

• arxiv url: http://arxiv.org/abs/2207.00845v1
• Date: Sat, 2 Jul 2022 14:27:58 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-05 12:39:27.883444
• Title: Less Is More: A Comparison of Active Learning Strategies for 3D Medical Image Segmentation
• Title（参考訳）: less is more: 3次元医用画像セグメンテーションにおけるアクティブラーニング戦略の比較
• Authors: Josafat-Mattias Burmeister (1), Marcel Fernandez Rosas (1), Johannes Hagemann (1), Jonas Kordt (1), Jasper Blum (1), Simon Shabo (1), Benjamin Bergner (1), Christoph Lippert (1 and 2) ((1) Digital Health & Machine Learning, Hasso Plattner Institute, University of Potsdam, Germany, (2) Hasso Plattner Institute for Digital Health at Mount Sinai, Icahn School of Medicine at Mount Sinai, NYC, USA)
• Abstract要約: 文献では様々なアクティブラーニング戦略が提案されているが、その効果はデータセットとトレーニングシナリオに大きく依存している。 医療宣言から得られた3つのデータセットに対して,いくつかのよく知られたアクティブラーニング戦略の性能を評価する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Since labeling medical image data is a costly and labor-intensive process, active learning has gained much popularity in the medical image segmentation domain in recent years. A variety of active learning strategies have been proposed in the literature, but their effectiveness is highly dependent on the dataset and training scenario. To facilitate the comparison of existing strategies and provide a baseline for evaluating novel strategies, we evaluate the performance of several well-known active learning strategies on three datasets from the Medical Segmentation Decathlon. Additionally, we consider a strided sampling strategy specifically tailored to 3D image data. We demonstrate that both random and strided sampling act as strong baselines and discuss the advantages and disadvantages of the studied methods. To allow other researchers to compare their work to our results, we provide an open-source framework for benchmarking active learning strategies on a variety of medical segmentation datasets.
• Abstract（参考訳）: 医用画像データのラベル付けは費用がかかり労働集約的なプロセスであるため,近年,医療用画像セグメンテーション分野において活発な学習が盛んに行われている。 文献では様々なアクティブラーニング戦略が提案されているが、その効果はデータセットとトレーニングシナリオに大きく依存している。 既存の戦略の比較を容易にし,新しい戦略を評価するためのベースラインを提供するため,医学的セグメンテーション宣言から得られた3つのデータセット上で,よく知られたアクティブな学習戦略の評価を行った。 さらに,3次元画像データに特化されたストライドサンプリング戦略を検討する。 ランダムサンプリングとストライドサンプリングの両方が強いベースラインとして機能し、研究手法の利点とデメリットについて議論する。 他の研究者が研究成果と比較できるように、さまざまな医学的セグメンテーションデータセット上でアクティブな学習戦略をベンチマークするためのオープンソースのフレームワークを提供する。

関連論文リスト

• Scoping Review of Active Learning Strategies and their Evaluation Environments for Entity Recognition Tasks [0.6462260690750605]
  我々は62の関連論文を分析し、106のアクティブラーニング戦略を特定した。 エクスプロイトベース(60倍)、探索ベース(14倍)、ハイブリッド戦略(32倍)の3つのカテゴリに分類した。
  論文  参考訳（メタデータ） (2024-07-04T12:40:35Z)
• ALE: A Simulation-Based Active Learning Evaluation Framework for the Parameter-Driven Comparison of Query Strategies for NLP [3.024761040393842]
  Active Learning (AL)は、後続のサンプルやランダムなサンプルではなく、次にアノテータに有望なデータポイントを提案する。 この方法は、モデルパフォーマンスを維持しながらアノテーションの労力を節約することを目的としている。 NLPにおけるAL戦略の比較評価のための再現可能な能動学習評価フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-08-01T10:42:11Z)
• PCDAL: A Perturbation Consistency-Driven Active Learning Approach for Medical Image Segmentation and Classification [12.560273908522714]
  監視された学習は、医用画像のアプリケーションを取得するのに費用がかかり、時間がかかり、実用的でない、大規模な注釈付きデータに大きく依存している。 アクティブラーニング(AL)手法は、アノテーションのコストを削減するために、自然な画像分類タスクに広く応用されている。 本稿では,2次元医用画像分類,セグメンテーション,および3次元医用画像分割タスクに同時に適用可能なALベースの手法を提案する。
  論文  参考訳（メタデータ） (2023-06-29T13:11:46Z)
• Vision-Language Modelling For Radiological Imaging and Reports In The Low Data Regime [70.04389979779195]
  本稿では,視覚および言語入力を共通空間に埋め込んだ医用視覚言語モデル(VLM)について検討する。 本稿では,新しい画像領域やテキスト領域への汎用事前学習モデルの適用など,低データ性能向上のためのいくつかの候補手法について検討する。 テキスト・ツー・イメージ検索をベンチマークとして,2つの胸部X線および放射線学的報告を用いた可変サイズのトレーニングデータセットを用いて,これらの手法の性能評価を行った。
  論文  参考訳（メタデータ） (2023-03-30T18:20:00Z)
• Understanding the Tricks of Deep Learning in Medical Image Segmentation: Challenges and Future Directions [66.40971096248946]
  本稿では,モデル実装の異なるフェーズに対して,MedISegの一連のトリックを収集する。 本稿では,これらの手法の有効性を一貫したベースライン上で実験的に検討する。 私たちはまた、それぞれのコンポーネントがプラグインとプレイの利点を持つ強力なMedISegリポジトリをオープンソースにしました。
  論文  参考訳（メタデータ） (2022-09-21T12:30:05Z)
• 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)
• A Novel Transparency Strategy-based Data Augmentation Approach for BI-RADS Classification of Mammograms [0.33598755777055367]
  マンモグラム分類器の乳房画像報告・データシステム(BI-RADS)スコアを向上するための新しい透明性戦略を提案する。 実験の結果,提案手法はマンモグラム分類性能を著しく向上し,CutMixと呼ばれる最先端データ拡張技術を上回ることがわかった。 本研究は、BI-RADS分類における他の拡張戦略よりも透明性の手法の方が効果的であり、他のコンピュータビジョンタスクにも広く適用可能であることも強調する。
  論文  参考訳（メタデータ） (2022-03-20T17:51:38Z)
• Budget-aware Few-shot Learning via Graph Convolutional Network [56.41899553037247]
  本稿では,いくつかの例から新しい視覚概念を学習することを目的とした,数ショット学習の課題に取り組む。 数ショット分類における一般的な問題設定は、データラベルの取得においてランダムサンプリング戦略を前提としている。 そこで我々は,新しい対象カテゴリーの学習を目的とした,予算に配慮した数発の学習問題を新たに導入する。
  論文  参考訳（メタデータ） (2022-01-07T02:46:35Z)
• Learning Binary Semantic Embedding for Histology Image Classification and Retrieval [56.34863511025423]
  バイナリ・セマンティック・エンベディング(LBSE)の学習方法を提案する。 効率的な埋め込み、分類、検索を行い、組織像の解釈可能なコンピュータ支援診断を提供する。 3つのベンチマークデータセットで実施された実験は、様々なシナリオにおいてLBSEの優位性を検証する。
  論文  参考訳（メタデータ） (2020-10-07T08:36:44Z)
• A Comparative Study of Existing and New Deep Learning Methods for Detecting Knee Injuries using the MRNet Dataset [9.808620526969648]
  この研究は、スタンフォードのMRNetデータセットを利用して膝関節損傷を検出する既存の技術と新しい技術の比較研究である。 すべてのアプローチはディープラーニングに基づいており、転送学習とスクラッチからトレーニングされたディープ残差ネットワークの比較性能について検討する。
  論文  参考訳（メタデータ） (2020-10-05T12:27:18Z)
• Region Comparison Network for Interpretable Few-shot Image Classification [97.97902360117368]
  新しいクラスのモデルをトレーニングするために、ラベル付きサンプルの限られた数だけを効果的に活用するための画像分類が提案されている。 本研究では,領域比較ネットワーク (RCN) と呼ばれる距離学習に基づく手法を提案する。 また,タスクのレベルからカテゴリへの解釈可能性の一般化も提案する。
  論文  参考訳（メタデータ） (2020-09-08T07:29:05Z)

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。