論文の概要: Triple-View Feature Learning for Medical Image Segmentation
- arxiv url: http://arxiv.org/abs/2208.06303v1
- Date: Fri, 12 Aug 2022 14:41:40 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-15 13:34:59.218204
- Title: Triple-View Feature Learning for Medical Image Segmentation
- Title（参考訳）: 医用画像分割のためのトリプルビュー特徴学習
- Authors: Ziyang Wang, Irina Voiculescu
- Abstract要約: TriSegNetは半教師付きセマンティックセグメンテーションフレームワークである。
ラベル付けされたデータの限られた量と、ラベル付けされていない大量のデータに基づいて、トリプルビューの特徴学習を使用する。
- 参考スコア（独自算出の注目度）: 9.992387025633805
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Deep learning models, e.g. supervised Encoder-Decoder style networks, exhibit
promising performance in medical image segmentation, but come with a high
labelling cost. We propose TriSegNet, a semi-supervised semantic segmentation
framework. It uses triple-view feature learning on a limited amount of labelled
data and a large amount of unlabeled data. The triple-view architecture
consists of three pixel-level classifiers and a low-level shared-weight
learning module. The model is first initialized with labelled data. Label
processing, including data perturbation, confidence label voting and
unconfident label detection for annotation, enables the model to train on
labelled and unlabeled data simultaneously. The confidence of each model gets
improved through the other two views of the feature learning. This process is
repeated until each model reaches the same confidence level as its
counterparts. This strategy enables triple-view learning of generic medical
image datasets. Bespoke overlap-based and boundary-based loss functions are
tailored to the different stages of the training. The segmentation results are
evaluated on four publicly available benchmark datasets including Ultrasound,
CT, MRI, and Histology images. Repeated experiments demonstrate the
effectiveness of the proposed network compared against other semi-supervised
algorithms, across a large set of evaluation measures.
- Abstract（参考訳）: 深層学習モデル、例えばEncoder-Decoderスタイルのネットワークは、医療画像セグメンテーションにおいて有望な性能を示すが、ラベル付けコストが高い。
本稿では,半教師付きセマンティックセグメンテーションフレームワークTriSegNetを提案する。
ラベル付きデータの限られた量と大量のラベル付きデータの3重ビュー特徴学習を使用する。
三重ビューアーキテクチャは、3つのピクセルレベルの分類器と低レベルの共有重み学習モジュールで構成される。
モデルはまずラベル付きデータで初期化される。
データ摂動、信頼ラベル投票、アノテーションの信頼できないラベル検出を含むラベル処理により、ラベル付きおよびラベルなしデータを同時にトレーニングすることができる。
各モデルの信頼性は、機能学習の他の2つのビューによって改善されます。
このプロセスは、各モデルがそれぞれのモデルと同じ信頼レベルに達するまで繰り返される。
この戦略は、一般的な医用画像データセットのトリプルビュー学習を可能にする。
オーバーラップベースと境界ベースの損失関数は、トレーニングの異なる段階に合わせて調整される。
セグメント化結果は、超音波、CT、MRI、組織学画像を含む4つの公開ベンチマークデータセットで評価される。
提案するネットワークの有効性を,他の半教師付きアルゴリズムと比較し,大規模な評価尺度を用いて検証した。
関連論文リスト
- Pseudo Label-Guided Data Fusion and Output Consistency for
Semi-Supervised Medical Image Segmentation [9.93871075239635]
より少ないアノテーションで医用画像のセグメンテーションを行うための平均教師ネットワーク上に構築されたPLGDFフレームワークを提案する。
本稿では,ラベル付きデータとラベルなしデータを組み合わせてデータセットを効果的に拡張する,新しい擬似ラベル利用方式を提案する。
本フレームワークは,最先端の6つの半教師あり学習手法と比較して,優れた性能が得られる。
論文 参考訳（メタデータ） (2023-11-17T06:36:43Z) - Dual-Decoder Consistency via Pseudo-Labels Guided Data Augmentation for
Semi-Supervised Medical Image Segmentation [13.707121013895929]
本稿では, Pseudo-Labels Guided Data Augmentation を用いた新しい半教師付き学習手法である Dual-Decoder Consistency を提案する。
我々は、同じエンコーダを維持しながら、生徒と教師のネットワークに異なるデコーダを使用します。
ラベルのないデータから学習するために、教師ネットワークによって生成された擬似ラベルを作成し、擬似ラベルでトレーニングデータを増強する。
論文 参考訳（メタデータ） (2023-08-31T09:13:34Z) - 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) - 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) - Two-Stream Graph Convolutional Network for Intra-oral Scanner Image
Segmentation [133.02190910009384]
本稿では,2ストリームグラフ畳み込みネットワーク(TSGCN)を提案する。
TSGCNは3次元歯(表面)セグメンテーションにおいて最先端の方法よりも優れています。
論文 参考訳（メタデータ） (2022-04-19T10:41:09Z) - Semi-weakly Supervised Contrastive Representation Learning for Retinal
Fundus Images [0.2538209532048867]
本稿では,半弱化アノテーションを用いた表現学習のための,半弱化教師付きコントラスト学習フレームワークを提案する。
SWCLの移動学習性能を7つの公立網膜眼底データセットで実証的に検証した。
論文 参考訳（メタデータ） (2021-08-04T15:50:09Z) - Self-Paced Contrastive Learning for Semi-supervisedMedical Image
Segmentation with Meta-labels [6.349708371894538]
メタラベルアノテーションを扱うために、コントラスト学習を適用することを提案する。
画像エンコーダの事前トレーニングにはメタラベルを使用し、半教師付きトレーニングを標準化する。
3つの異なる医用画像セグメンテーションデータセットの結果から,本手法は数回のスキャンでトレーニングしたモデルの性能を大幅に向上させることが示された。
論文 参考訳（メタデータ） (2021-07-29T04:30:46Z) - Generative Multi-Label Zero-Shot Learning [136.17594611722285]
マルチラベルゼロショット学習は、トレーニング中にデータが入手できない複数の見えないカテゴリにイメージを分類する試みである。
我々の研究は、(一般化された)ゼロショット設定におけるマルチラベル機能の問題に最初に取り組みました。
私たちのクロスレベル核融合に基づく生成アプローチは、3つのデータセットすべてにおいて最先端の手法よりも優れています。
論文 参考訳（メタデータ） (2021-01-27T18:56:46Z) - 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) - 3D medical image segmentation with labeled and unlabeled data using
autoencoders at the example of liver segmentation in CT images [58.720142291102135]
本研究では、畳み込みニューラルネットワークによるセグメンテーションを改善するために、オートエンコーダ抽出機能の可能性を検討する。
コンボリューション・オートエンコーダを用いてラベルのないデータから特徴を抽出し,CT画像における3次元肝セグメンテーションの目標タスクを実行するために,マルチスケールの完全畳み込みCNNを用いた。
論文 参考訳（メタデータ） (2020-03-17T20:20:43Z)
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。