論文の概要: PA-Seg: Learning from Point Annotations for 3D Medical Image
Segmentation using Contextual Regularization and Cross Knowledge Distillation
- arxiv url: http://arxiv.org/abs/2208.05669v1
- Date: Thu, 11 Aug 2022 07:00:33 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-12 13:18:55.976234
- Title: PA-Seg: Learning from Point Annotations for 3D Medical Image
Segmentation using Contextual Regularization and Cross Knowledge Distillation
- Title（参考訳）: PA-Seg:文脈正規化とクロス知識蒸留を用いた3次元医用画像分割のためのポイントアノテーションからの学習
- Authors: Shuwei Zhai, Guotai Wang, Xiangde Luo, Qiang Yue, Kang Li, Shaoting
Zhang
- Abstract要約: 本稿では,3次元医用画像の7点のみのセグメンテーションターゲットに注釈を付け,弱教師付き学習フレームワークPA-Segを設計する。
第1段階では、より監督的な信号を提供するために、シードポイントを拡張するために測地距離変換を用いる。
第2段階では、第1段階で事前学習されたモデルから得られた予測を擬似ラベルとして使用する。
- 参考スコア（独自算出の注目度）: 14.412073730567137
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The success of Convolutional Neural Networks (CNNs) in 3D medical image
segmentation relies on massive fully annotated 3D volumes for training that are
time-consuming and labor-intensive to acquire. In this paper, we propose to
annotate a segmentation target with only seven points in 3D medical images, and
design a two-stage weakly supervised learning framework PA-Seg. In the first
stage, we employ geodesic distance transform to expand the seed points to
provide more supervision signal. To further deal with unannotated image regions
during training, we propose two contextual regularization strategies, i.e.,
multi-view Conditional Random Field (mCRF) loss and Variance Minimization (VM)
loss, where the first one encourages pixels with similar features to have
consistent labels, and the second one minimizes the intensity variance for the
segmented foreground and background, respectively. In the second stage, we use
predictions obtained by the model pre-trained in the first stage as pseudo
labels. To overcome noises in the pseudo labels, we introduce a Self and Cross
Monitoring (SCM) strategy, which combines self-training with Cross Knowledge
Distillation (CKD) between a primary model and an auxiliary model that learn
from soft labels generated by each other. Experiments on public datasets for
Vestibular Schwannoma (VS) segmentation and Brain Tumor Segmentation (BraTS)
demonstrated that our model trained in the first stage outperforms existing
state-of-the-art weakly supervised approaches by a large margin, and after
using SCM for additional training, the model can achieve competitive
performance compared with the fully supervised counterpart on the BraTS
dataset.
- Abstract（参考訳）: 3次元医用画像セグメンテーションにおける畳み込みニューラルネットワーク(CNN)の成功は、時間と労働集約的なトレーニングのために、大量の注釈付き3Dボリュームに依存している。
本稿では,3次元医用画像におけるセグメンテーション対象を7点のみにアノテートし,2段階の弱教師付き学習フレームワークpa-segを設計する。
第1段階では,シードポイントを拡大するために測地距離変換を用い,より監視信号を提供する。
学習中の無注画像領域にさらに対処するために,マルチビュー条件付確率場(mcrf)ロスと分散最小化(vm)ロスという2つの文脈正規化戦略を提案する。
第2段階では、第1段階で事前学習されたモデルから得られた予測を擬似ラベルとして使用する。
擬似ラベルのノイズを克服するために,自己学習とクロスナレッジ蒸留(CKD)を組み合わせたセルフ・アンド・クロス・モニタリング(SCM)戦略を導入する。
前庭神経腫(VS)分節と脳腫瘍分節(BraTS)のための公開データセットの実験では、第1段階でトレーニングされたモデルが既存の最先端の教師付きアプローチを大きなマージンで上回り、追加トレーニングにSCMを使用した後、BraTSデータセットの完全教師付きモデルと比較して競争性能が向上することを示した。
関連論文リスト
- Label-Efficient 3D Brain Segmentation via Complementary 2D Diffusion Models with Orthogonal Views [10.944692719150071]
相補的な2次元拡散モデルを用いた新しい3次元脳分割法を提案する。
私たちのゴールは、個々の主題に対して完全なラベルを必要とせずに、信頼性の高いセグメンテーション品質を達成することです。
論文 参考訳（メタデータ） (2024-07-17T06:14:53Z) - 2D Feature Distillation for Weakly- and Semi-Supervised 3D Semantic
Segmentation [92.17700318483745]
合成訓練された2Dセマンティックセマンティックセグメンテーションネットワークから高レベル特徴情報を蒸留するアイデアに基づく画像誘導ネットワーク(IGNet)を提案する。
IGNetは、ScribbleKITTI上の弱い教師付きLiDARセマンティックセマンティックセグメンテーションの最先端の結果を達成し、8%のラベル付きポイントしか持たない完全な教師付きトレーニングに対して最大98%のパフォーマンスを誇っている。
論文 参考訳（メタデータ） (2023-11-27T07:57:29Z) - Promise:Prompt-driven 3D Medical Image Segmentation Using Pretrained
Image Foundation Models [13.08275555017179]
単点プロンプトのみを用いたプロンプト駆動型3次元医用画像分割モデルProMISeを提案する。
今回,大腸癌と膵腫瘍の2つの領域に分布する2つのパブリックデータセットについて検討した。
論文 参考訳（メタデータ） (2023-10-30T16:49:03Z) - 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) - IDEAL: Improved DEnse locAL Contrastive Learning for Semi-Supervised
Medical Image Segmentation [3.6748639131154315]
我々は,メートル法学習の概念をセグメンテーションタスクに拡張する。
本稿では,高密度画素レベルの特徴量を得るための単純な畳み込みプロジェクションヘッドを提案する。
下流タスクに対して,2ストリーム正規化トレーニングを含む双方向正規化機構を考案した。
論文 参考訳（メタデータ） (2022-10-26T23:11:02Z) - Image Understands Point Cloud: Weakly Supervised 3D Semantic
Segmentation via Association Learning [59.64695628433855]
ラベルのない画像から補完的な情報を取り入れた3次元セグメンテーションのための新しいクロスモダリティ弱教師付き手法を提案する。
基本的に、ラベルの小さな部分のパワーを最大化するために、アクティブなラベリング戦略を備えたデュアルブランチネットワークを設計する。
提案手法は,1%未満のアクティブなアノテーションで,最先端の完全教師付き競合よりも優れていた。
論文 参考訳（メタデータ） (2022-09-16T07:59:04Z) - Weakly Supervised Volumetric Segmentation via Self-taught Shape
Denoising Model [27.013224147257198]
モデル予測と学習の両方において、3D形状をより良く捉えることのできる、弱監督型セグメント化戦略を提案する。
本研究の目的は,弱いラベルを利用して自己学習型形状表現を抽出し,その表現をセグメント化予測に組み込むことである。
論文 参考訳（メタデータ） (2021-04-27T10:03:45Z) - Semi-supervised Left Atrium Segmentation with Mutual Consistency
Training [60.59108570938163]
3次元MR画像からの半教師付き左房分割のための新しいMultual Consistency Network(MC-Net)を提案する。
我々のMC-Netは1つのエンコーダと2つのわずかに異なるデコーダから構成されており、2つのデコーダの予測誤差は教師なしの損失として変換される。
我々は,公開左心房(la)データベース上でmc-netを評価し,ラベルなしデータを効果的に活用することで印象的な性能向上を実現する。
論文 参考訳（メタデータ） (2021-03-04T09:34:32Z) - PGL: Prior-Guided Local Self-supervised Learning for 3D Medical Image
Segmentation [87.50205728818601]
本稿では,潜在特徴空間における局所的一貫性を学習するPGL(PresideedGuided Local)自己教師モデルを提案する。
我々のPGLモデルは、局所領域の特異な表現を学習し、したがって構造情報を保持できる。
論文 参考訳（メタデータ） (2020-11-25T11:03:11Z) - Bidirectional RNN-based Few Shot Learning for 3D Medical Image
Segmentation [11.873435088539459]
対象臓器アノテーションの限られたトレーニングサンプルを用いて, 正確な臓器分類を行うための3次元ショットセグメンテーションフレームワークを提案する。
U-Netのようなネットワークは、サポートデータの2次元スライスとクエリイメージの関係を学習することでセグメンテーションを予測するように設計されている。
異なる臓器のアノテーションを付加した3つの3次元CTデータセットを用いて,提案モデルの評価を行った。
論文 参考訳（メタデータ） (2020-11-19T01:44:55Z) - MetricUNet: Synergistic Image- and Voxel-Level Learning for Precise CT
Prostate Segmentation via Online Sampling [66.01558025094333]
本稿では,前立腺領域を高速に局在させる第1段階と,前立腺領域を正確に区分する第2段階の2段階のフレームワークを提案する。
マルチタスクネットワークにおけるボクセルワイドサンプリングによる新しいオンラインメトリック学習モジュールを提案する。
本手法は,従来のクロスエントロピー学習法やDice損失学習法と比較して,より代表的なボクセルレベルの特徴を効果的に学習することができる。
論文 参考訳（メタデータ） (2020-05-15T10:37:02Z)
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。