論文の概要: Complementary consistency semi-supervised learning for 3D left atrial image segmentation

• arxiv url: http://arxiv.org/abs/2210.01438v1
• Date: Tue, 4 Oct 2022 07:50:28 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-05 15:08:01.085023
• Title: Complementary consistency semi-supervised learning for 3D left atrial image segmentation
• Title（参考訳）: 3次元左心房画像分割のための相補的半教師付き学習
• Authors: Hejun Huang, Zuguo Chen, Chaoyang Chen, Ming Lu and Ying Zou
• Abstract要約: 半教師付き左心房画像分割のための補完的整合性トレーニング(CC-Net)に基づくネットワークを提案する。 CC-Netはラベルなしデータを効果的に利用し、現在使われている半教師付きセグメンテーションアルゴリズムがラベルなしデータから情報を抽出する能力に制限があるという問題を解決する。 CC-Netは2018年のベンチマークデータセットで検証され、Diceの89.42%、10%のラベル付きデータトレーニング、91.14%のラベル付きデータトレーニングに到達した。
• 参考スコア（独自算出の注目度）: 9.836802392009618
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: A network based on complementary consistency training (CC-Net) is proposed for semi-supervised left atrial image segmentation in this paper. From the perspective of complementary information, CC-Net effectively utilizes unlabeled data and resolves the problem that semi-supervised segmentation algorithms currently in use have a limited capacity to extract information from unlabeled data. A primary model and two complementary auxiliary models are part of the complementary symmetric structure of the CC-Net. A complementary consistency training is formed by the inter-model perturbation between the primary model and the auxiliary models. The main model is better able to concentrate on the ambiguous region due to the complementary information provided by the two auxiliary models. Additionally, forcing consistency between the primary model and the auxiliary models makes it easier to obtain decision boundaries with little uncertainty. CC-Net was validated in the benchmark dataset of 2018 left atrial segmentation challenge, reaching Dice of 89.42% with 10% labeled data training and 91.14% with 20% labeled data training. By comparing with current state-of-the-art algorithms, CC-Net has the best segmentation performance and robustness. Our code is publicly available at https://github.com/Cuthbert-Huang/CC-Net.
• Abstract（参考訳）: 本稿では,半教師付き左心房画像分割のための補完的整合性トレーニング(CC-Net)に基づくネットワークを提案する。 補完情報の観点から、CC-Netはラベルなしデータを効果的に利用し、現在使われている半教師付きセグメンテーションアルゴリズムがラベルなしデータから情報を抽出する能力に制限があるという問題を解決する。 一次モデルと2つの補完補助モデルはcc-netの相補的対称構造の一部である。 相補的整合性トレーニングは、一次モデルと補助モデルの間のモデル間摂動によって形成される。 主モデルは2つの補助モデルによって提供される相補的な情報により、曖昧な領域に集中することができる。 さらに、一次モデルと補助モデルとの整合性を強制することで、決定境界をほとんど不確実性なく得ることができる。 CC-Netは2018年のベンチマークデータセットで検証され、Diceの89.42%、10%のラベル付きデータトレーニング、91.14%のラベル付きデータトレーニングに到達した。 現在の最先端アルゴリズムと比較すると、CC-Netはセグメンテーション性能と堅牢性が最も優れている。 私たちのコードはhttps://github.com/Cuthbert-Huang/CC-Net.comで公開されています。

関連論文リスト

• Self-supervised co-salient object detection via feature correspondence at multiple scales [27.664016341526988]
  本稿では,画像群における2段階の自己教師型手法を用いて,セグメンテーションアノテーションを必要とせず,共起性有色物体(CoSOD)を検出する手法を提案する。 我々は、画像間の局所パッチレベルの特徴対応を計算し、コサレント領域を検出する自己教師ネットワークを訓練する。 3つのCoSODベンチマークデータセットの実験では、我々のモデルは、対応する最先端モデルよりも大きなマージンで優れています。
  論文  参考訳（メタデータ） (2024-03-17T06:21:21Z)
• Towards Stable Co-saliency Detection and Object Co-segmentation [12.979401244603661]
  本稿では,CoSODとCoSEGを同時検出する新しいモデルを提案する。 まず、ダミーオーダー機構(DOM)とリカレントユニット(RU)を含むマルチパス安定リカレントユニット(MSRU)を提案する。 提案したMSRUは、CoSOD(CoSEG)モデルが堅牢な画像間関係をキャプチャするだけでなく、秩序感を低減し、より安定した推論とトレーニングプロセスを実現する。
  論文  参考訳（メタデータ） (2022-09-25T03:58:49Z)
• Semi-supervised Domain Adaptive Structure Learning [72.01544419893628]
  半教師付きドメイン適応 (SSDA) は,1) アノテーションの低いデータに過度に適合する手法と,2) ドメイン間の分散シフトの両方を克服しなければならない課題である。 SSLとDAの協調を正規化するための適応型構造学習手法を提案する。
  論文  参考訳（メタデータ） (2021-12-12T06:11:16Z)
• CPSeg: Cluster-free Panoptic Segmentation of 3D LiDAR Point Clouds [2.891413712995641]
  CPSegと呼ばれるLiDAR点雲のための新しいリアルタイム・エンド・エンド・エンド・パノプティクス・セグメンテーション・ネットワークを提案する。 CPSegは、共有エンコーダ、デュアルデコーダ、タスク認識アテンションモジュール(TAM)、クラスタフリーインスタンスセグメンテーションヘッドを備える。
  論文  参考訳（メタデータ） (2021-11-02T16:44:06Z)
• 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)
• Cross-Gradient Aggregation for Decentralized Learning from Non-IID data [34.23789472226752]
  分散学習により、コラボレーションエージェントのグループは、中央パラメータサーバーを必要とせずに、分散データセットを使用してモデルを学ぶことができる。 本稿では,新たな分散学習アルゴリズムであるクロスグラディエント・アグリゲーション(CGA)を提案する。 既存の最先端の分散学習アルゴリズムよりも優れたCGA学習性能を示す。
  論文  参考訳（メタデータ） (2021-03-02T21:58:12Z)
• Channelized Axial Attention for Semantic Segmentation [70.14921019774793]
  チャネルアキシャルアテンション(CAA)を提案し、チャネルアテンションと軸アテンションをシームレスに統合し、計算複雑性を低減します。 私たちのCAAは、DANetのような他の注意モデルに比べて計算リソースをはるかに少なくするだけでなく、すべての検証済みデータセット上で最先端のResNet-101ベースのセグメンテーションモデルよりも優れています。
  論文  参考訳（メタデータ） (2021-01-19T03:08:03Z)
• CoADNet: Collaborative Aggregation-and-Distribution Networks for Co-Salient Object Detection [91.91911418421086]
  Co-Salient Object Detection (CoSOD)は、2つ以上の関連する画像を含む所定のクエリグループに繰り返し現れる健全なオブジェクトを発見することを目的としている。 課題の1つは、画像間の関係をモデリングし、活用することによって、コ・サリヤ・キューを効果的にキャプチャする方法である。 我々は,複数画像から有能かつ反復的な視覚パターンを捉えるために,エンドツーエンドの協調集約配信ネットワーク(CoADNet)を提案する。
  論文  参考訳（メタデータ） (2020-11-10T04:28:11Z)
• Pairwise Relation Learning for Semi-supervised Gland Segmentation [90.45303394358493]
  病理組織像における腺分節に対するPRS2モデルを提案する。 このモデルはセグメンテーションネットワーク(S-Net)とペア関係ネットワーク(PR-Net)から構成される。 我々は,GlaSデータセットの最近の5つの手法とCRAGデータセットの最近の3つの手法を比較した。
  論文  参考訳（メタデータ） (2020-08-06T15:02:38Z)
• Learning to Cluster Faces via Confidence and Connectivity Estimation [136.5291151775236]
  重複する部分グラフを多数必要とせず,完全に学習可能なクラスタリングフレームワークを提案する。 提案手法はクラスタリングの精度を大幅に向上させ,その上で訓練した認識モデルの性能を向上させるが,既存の教師付き手法に比べて桁違いに効率的である。
  論文  参考訳（メタデータ） (2020-04-01T13:39:37Z)
• Label-Efficient Learning on Point Clouds using Approximate Convex Decompositions [43.1279121348315]
  本稿では,ACD(Adroximate Convex Decompositions)を用いて,点雲表現のラベル効率の学習を行う。 我々は,ACDを用いて3次元点雲表現の学習に優れた自己スーパービジョンを提供することを示す。
  論文  参考訳（メタデータ） (2020-03-30T21:44:43Z)

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。