論文の概要: Partial annotations for the segmentation of large structures with low annotation cost

• arxiv url: http://arxiv.org/abs/2209.12216v1
• Date: Sun, 25 Sep 2022 13:21:19 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-27 15:30:37.825790
• Title: Partial annotations for the segmentation of large structures with low annotation cost
• Title（参考訳）: アノテーションコストの低い大規模構造物のセグメンテーションのための部分アノテーション
• Authors: Bella Specktor Fadida, Daphna Link Sourani, Liat Ben Sira Elka Miller, Dafna Ben Bashat, Leo Joskowicz
• Abstract要約: 深層学習法は、医用画像における構造と病理の自動分割に有効であることが示されている。 そこで本研究では,各スキャンから連続的な注釈付きスライスを少量の注釈付きケースと同等のアノテーションで組み合わせた部分アノテーションの手法を提案する。 注釈付きブロックのみを使用して、興味構造外のスライスに関する情報を取り入れ、注釈付きスライスのみを考慮するためにバッチ損失関数を変更することで、部分アノテーションによるトレーニングを行う。
• 参考スコア（独自算出の注目度）: 2.7998963147546143
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Deep learning methods have been shown to be effective for the automatic segmentation of structures and pathologies in medical imaging. However, they require large annotated datasets, whose manual segmentation is a tedious and time-consuming task, especially for large structures. We present a new method of partial annotations that uses a small set of consecutive annotated slices from each scan with an annotation effort that is equal to that of only few annotated cases. The training with partial annotations is performed by using only annotated blocks, incorporating information about slices outside the structure of interest and modifying a batch loss function to consider only the annotated slices. To facilitate training in a low data regime, we use a two-step optimization process. We tested the method with the popular soft Dice loss for the fetal body segmentation task in two MRI sequences, TRUFI and FIESTA, and compared full annotation regime to partial annotations with a similar annotation effort. For TRUFI data, the use of partial annotations yielded slightly better performance on average compared to full annotations with an increase in Dice score from 0.936 to 0.942, and a substantial decrease in Standard Deviations (STD) of Dice score by 22% and Average Symmetric Surface Distance (ASSD) by 15%. For the FIESTA sequence, partial annotations also yielded a decrease in STD of the Dice score and ASSD metrics by 27.5% and 33% respectively for in-distribution data, and a substantial improvement also in average performance on out-of-distribution data, increasing Dice score from 0.84 to 0.9 and decreasing ASSD from 7.46 to 4.01 mm. The two-step optimization process was helpful for partial annotations for both in-distribution and out-of-distribution data. The partial annotations method with the two-step optimizer is therefore recommended to improve segmentation performance under low data regime.
• Abstract（参考訳）: 深層学習法は医用画像における構造と病理の自動分割に有効であることが示されている。 しかし、特に大きな構造の場合、手動のセグメンテーションが面倒で時間を要するような、大きな注釈付きデータセットが必要である。 そこで本研究では,各スキャンから連続的な注釈付きスライスを少量の注釈付きケースと同等のアノテーションで組み合わせた部分アノテーションの手法を提案する。 注釈付きブロックのみを使用して、興味構造外のスライスに関する情報を取り入れ、注釈付きスライスのみを考慮するためにバッチ損失関数を変更することで、部分アノテーションによるトレーニングを行う。 低データ方式でのトレーニングを容易にするために、2段階最適化プロセスを用いる。 trufi と fiesta の 2 つのmri シーケンスで, 胎児の分節タスクにおいて, 一般的なソフトダイスロスを用いて本手法をテストし, 同様のアノテーションにより, 完全アノテーション法と部分アノテーション法を比較した。 TRUFIデータでは,Diceスコアが0.936から0.942に増加し,Diceスコアの標準偏差(STD)が22%,ASSD(Average Symmetric Surface Distance)が15%減少した。 FIESTAシークエンスでは、部分アノテーションはディストリビューションデータに対してそれぞれDiceスコアとASSDメトリクスのSTDを27.5%と33%減少させ、ディストリビューションデータの平均性能も大幅に改善し、Diceスコアは0.84から0.9に増加し、ASSDは7.46から4.01mmに低下した。 2段階の最適化プロセスは、分布内および分布外両方の部分アノテーションに役立った。 そこで,2段階最適化器を用いた部分アノテーション法は,低データ状態下でのセグメンテーション性能を向上させるために推奨される。

関連論文リスト

• Affinity-Graph-Guided Contractive Learning for Pretext-Free Medical Image Segmentation with Minimal Annotation [55.325956390997]
  本稿では,医用画像セグメンテーションのための親和性グラフ誘導半教師付きコントラスト学習フレームワーク(Semi-AGCL)を提案する。 このフレームワークは、まず、ロバストな初期特徴空間を提供する平均パッチエントロピー駆動のパッチ間サンプリング法を設計する。 完全アノテーションセットの10%に過ぎず, 完全注釈付きベースラインの精度にアプローチし, 限界偏差は2.52%に過ぎなかった。
  論文  参考訳（メタデータ） (2024-10-14T10:44:47Z)
• How to Efficiently Annotate Images for Best-Performing Deep Learning Based Segmentation Models: An Empirical Study with Weak and Noisy Annotations and Segment Anything Model [18.293057751504122]
  ディープニューラルネットワーク(DNN)は多くのイメージセグメンテーションタスクにデプロイされ、優れたパフォーマンスを実現している。 セグメンテーションをトレーニングするためのデータセットを作成するのは面倒で費用がかかる。 この問題を緩和するためには、バウンディングボックスやスクリブルのような弱いラベルのみを提供するか、オブジェクトのより正確な(ノイズの多い)アノテーションを提供することができる。
  論文  参考訳（メタデータ） (2023-12-17T04:26:42Z)
• Sparse annotation strategies for segmentation of short axis cardiac MRI [0.0]
  短軸心MRIのセグメンテーションはよく研究された話題であり、教師付き環境で最先端のモデルによって優れた結果が得られた。 多くの異なるアプローチ(トランスファーラーニング、データ強化、少数ショットラーニングなど)が、注釈付きデータの少ない使用と、完全な教師付きモデルと同じようなパフォーマンスを達成するために登場した。 本稿では,スパースボリュームによるトレーニングの効果,すなわち,注釈付き症例数削減,スパースアノテーション,すなわち1ケースあたりの注釈付きスライス数削減について検討する。
  論文  参考訳（メタデータ） (2023-07-24T08:49:20Z)
• Scribble-supervised Cell Segmentation Using Multiscale Contrastive Regularization [9.849498498869258]
  Scribble2Label (S2L) は、一握りのスクリブルと自己教師付き学習を使用することで、完全なアノテーションなしで正確なセグメンテーション結果を生成することを示した。 本研究では,S2Lに対して,新しいマルチスケールコントラスト正規化項を用いる。 主なアイデアは、ニューラルネットワークの中間層から特徴を抽出して、さまざまなスケールの構造を効果的に分離できるようにすることである。
  論文  参考訳（メタデータ） (2023-06-25T06:00:33Z)
• Adaptive Multi-scale Online Likelihood Network for AI-assisted Interactive Segmentation [3.3909100561725127]
  既存の対話的セグメンテーション手法はラベルリファインメントに自動セグメンテーションとユーザインタラクションを利用する。 データ効率の良いオンライン環境で適応的に学習する適応型マルチスケールオンライン可能性ネットワーク(MONET)を提案する。 我々のアプローチは、Diceのスコアが5.86%高く、NASA-TLXのワークロードスコアが最先端のものよりも24.67%低かった。
  論文  参考訳（メタデータ） (2023-03-23T22:20:56Z)
• Urban Scene Semantic Segmentation with Low-Cost Coarse Annotation [107.72926721837726]
  粗いアノテーションは、セマンティックセグメンテーションモデルをトレーニングするための、低コストで非常に効果的な代替手段である。 粗い注釈付きデータの未ラベル領域の擬似ラベルを生成する粗大な自己学習フレームワークを提案する。 提案手法は,アノテーションの予算のごく一部で完全に注釈付けされたデータに匹敵する性能が得られるため,大幅な性能向上とアノテーションのコストトレードオフを実現する。
  論文  参考訳（メタデータ） (2022-12-15T15:43:42Z)
• Integral Continual Learning Along the Tangent Vector Field of Tasks [112.02761912526734]
  本稿では,特殊データセットからの情報を段階的に組み込んだ軽量連続学習手法を提案する。 ソースデータセットの0.4%まで小さく、小さな固定サイズのメモリバッファを保持しており、単純な再サンプリングによって更新される。 提案手法は,異なるデータセットに対して,様々なバッファサイズで高い性能を実現する。
  論文  参考訳（メタデータ） (2022-11-23T16:49:26Z)
• Learning from Partially Overlapping Labels: Image Segmentation under Annotation Shift [68.6874404805223]
  腹部臓器分節の文脈におけるラベルの重複から学ぶためのいくつかの方法を提案する。 半教師付きアプローチと適応的クロスエントロピー損失を組み合わせることで、不均一な注釈付きデータをうまく活用できることが判明した。
  論文  参考訳（メタデータ） (2021-07-13T09:22:24Z)
• Attentional-Biased Stochastic Gradient Descent [74.49926199036481]
  深層学習におけるデータ不均衡やラベルノイズ問題に対処するための証明可能な手法(ABSGD)を提案する。 本手法は運動量SGDの簡易な修正であり,各試料に個別の重み付けを行う。 ABSGDは追加コストなしで他の堅牢な損失と組み合わせられるほど柔軟である。
  論文  参考訳（メタデータ） (2020-12-13T03:41:52Z)
• MetaBox+: A new Region Based Active Learning Method for Semantic Segmentation using Priority Maps [4.396860522241306]
  本稿では,MetaBox+と呼ばれるセマンティックイメージセグメンテーションのための新しい能動的学習手法を提案する。 取得にはメタ回帰モデルをトレーニングし、予測された未ラベル画像の各セグメントのセグメントワイド・インターセクション(IoU)を推定する。 提案手法をエントロピーに基づく手法と比較し,エントロピーを予測の不確実性とみなす。
  論文  参考訳（メタデータ） (2020-10-05T09:36:47Z)
• 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。