論文の概要: Knowledge Distillation from Cross Teaching Teachers for Efficient
Semi-Supervised Abdominal Organ Segmentation in CT
- arxiv url: http://arxiv.org/abs/2211.05942v1
- Date: Fri, 11 Nov 2022 01:20:55 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-14 16:59:09.785102
- Title: Knowledge Distillation from Cross Teaching Teachers for Efficient
Semi-Supervised Abdominal Organ Segmentation in CT
- Title(参考訳): CTにおける半監督的腹部臓器切開の効果的な指導方法
- Authors: Jae Won Choi
- Abstract要約: 本研究では、2つの教師モデルと、知識の蒸留とクロス・ラーニングを組み合わせた学生モデル、擬似ラベルに基づく一貫性正規化による半教師付き学習のための粗粒度フレームワークを提案する。
提案手法は,MICCAI FLARE 2022チャレンジによるCT画像の腹部多臓器分割作業において,Diceスコアの平均は0.8429,0.8520であった。
- 参考スコア(独自算出の注目度): 0.3959606869996231
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: For more clinical applications of deep learning models for medical image
segmentation, high demands on labeled data and computational resources must be
addressed. This study proposes a coarse-to-fine framework with two teacher
models and a student model that combines knowledge distillation and cross
teaching, a consistency regularization based on pseudo-labels, for efficient
semi-supervised learning. The proposed method is demonstrated on the abdominal
multi-organ segmentation task in CT images under the MICCAI FLARE 2022
challenge, with mean Dice scores of 0.8429 and 0.8520 in the validation and
test sets, respectively.
- Abstract(参考訳): 医用画像分割のための深層学習モデルのさらなる臨床応用のためには,ラベル付きデータと計算資源に対する高い要求に対処する必要がある。
本研究は,2つの教師モデルと,疑似ラベルに基づく一貫性規則化である知識蒸留とクロス・ティーチングを組み合わせた学生モデルを用いた,教師モデルの粗さと細分化の枠組みを提案する。
提案手法は,miccai flare 2022 課題下のct画像における腹部マルチオルガンセグメンテーションタスクにおいて,0.8429 と 0.8520 の平均サイクリングスコアをそれぞれ検証およびテストセットで示した。
関連論文リスト
- PMT: Progressive Mean Teacher via Exploring Temporal Consistency for Semi-Supervised Medical Image Segmentation [51.509573838103854]
医用画像セグメンテーションのための半教師付き学習フレームワークであるプログレッシブ平均教師(PMT)を提案する。
我々のPMTは、トレーニングプロセスにおいて、堅牢で多様な特徴を学習することで、高忠実な擬似ラベルを生成する。
CT と MRI の異なる2つのデータセットに対する実験結果から,本手法が最先端の医用画像分割法より優れていることが示された。
論文 参考訳(メタデータ) (2024-09-08T15:02:25Z) - CC-DCNet: Dynamic Convolutional Neural Network with Contrastive Constraints for Identifying Lung Cancer Subtypes on Multi-modality Images [13.655407979403945]
肺がんサブタイプを多次元・多モード画像で正確に分類するための新しい深層学習ネットワークを提案する。
提案モデルの強みは, 対のCT-病理画像セットと独立のCT画像セットの両方を動的に処理できることにある。
また,ネットワーク学習を通じてモダリティ関係を定量的にマッピングするコントラスト制約モジュールも開発した。
論文 参考訳(メタデータ) (2024-07-18T01:42:00Z) - Cross-model Mutual Learning for Exemplar-based Medical Image Segmentation [25.874281336821685]
Exemplar-based Medical Image(CMEMS)のためのクロスモデル相互学習フレームワーク
外来医用画像のためのクロスモデル相互学習フレームワーク(CMEMS)について紹介する。
論文 参考訳(メタデータ) (2024-04-18T00:18:07Z) - Class Activation Map-based Weakly supervised Hemorrhage Segmentation
using Resnet-LSTM in Non-Contrast Computed Tomography images [0.06269281581001895]
非造影CT(non-contrast CT, NCCT)による重症度評価にて頭蓋内出血を診断した。
ディープラーニング(DL)ベースの手法は大きな可能性を示しているが、トレーニングには大量の手書きの病変レベルラベルが必要である。
画像レベルのバイナリ分類ラベルを用いて,NCCTスキャン上でのICHセグメンテーションの弱教師付きDL手法を提案する。
論文 参考訳(メタデータ) (2023-09-28T17:32:19Z) - Hybrid Representation-Enhanced Sampling for Bayesian Active Learning in
Musculoskeletal Segmentation of Lower Extremities [0.9287179270753105]
本研究では,密度と多様性の両基準を統合したハイブリッドな表現強化サンプリング戦略を提案する。
MRIとCT画像の2つの下肢(LE)データセットで実験を行った。
論文 参考訳(メタデータ) (2023-07-26T06:52:29Z) - Self-supervised Model Based on Masked Autoencoders Advance CT Scans
Classification [0.0]
本稿では,自己教師付き学習アルゴリズムMAEに着想を得た。
ImageNetで事前トレーニングされたMAEモデルを使用して、CT Scansデータセット上で転送学習を実行する。
この方法はモデルの一般化性能を改善し、小さなデータセットに過度に適合するリスクを回避する。
論文 参考訳(メタデータ) (2022-10-11T00:52:05Z) - Incremental Cross-view Mutual Distillation for Self-supervised Medical
CT Synthesis [88.39466012709205]
本稿では,スライス間の分解能を高めるために,新しい医療スライスを構築した。
臨床実践において, 根本・中間医療スライスは常に欠落していることを考慮し, 相互蒸留の段階的相互蒸留戦略を導入する。
提案手法は,最先端のアルゴリズムよりも明確なマージンで優れる。
論文 参考訳(メタデータ) (2021-12-20T03:38:37Z) - A Multi-Stage Attentive Transfer Learning Framework for Improving
COVID-19 Diagnosis [49.3704402041314]
新型コロナの診断を改善するための多段階集中移動学習フレームワークを提案する。
提案するフレームワークは、複数のソースタスクと異なるドメインのデータから知識を学習し、正確な診断モデルを訓練する3つの段階からなる。
本稿では,肺CT画像のマルチスケール表現を学習するための自己教師付き学習手法を提案する。
論文 参考訳(メタデータ) (2021-01-14T01:39:19Z) - Few-shot Medical Image Segmentation using a Global Correlation Network
with Discriminative Embedding [60.89561661441736]
医療画像分割のための新しい手法を提案する。
深層畳み込みネットワークを用いた数ショット画像セグメンタを構築します。
深層埋め込みの識別性を高め,同一クラスの特徴領域のクラスタリングを促進する。
論文 参考訳(メタデータ) (2020-12-10T04:01:07Z) - Semi-supervised Medical Image Classification with Relation-driven
Self-ensembling Model [71.80319052891817]
医用画像分類のための関係駆動型半教師付きフレームワークを提案する。
これは、摂動下で与えられた入力の予測一貫性を促進することでラベルのないデータを利用する。
本手法は,シングルラベルおよびマルチラベル画像分類のシナリオにおいて,最先端の半教師付き学習手法よりも優れる。
論文 参考訳(メタデータ) (2020-05-15T06:57:54Z) - Synergistic Learning of Lung Lobe Segmentation and Hierarchical
Multi-Instance Classification for Automated Severity Assessment of COVID-19
in CT Images [61.862364277007934]
3次元CT画像におけるCOVID-19の重症度自動評価のための相乗的学習フレームワークを提案する。
マルチタスクのディープネットワーク(M$2$UNet)が開発され、新型コロナウイルス患者の重症度を評価する。
われわれのM$2$UNetはパッチレベルのエンコーダと肺葉分画のためのセグメンテーションサブネットワークと重度評価のための分類サブネットワークから構成されている。
論文 参考訳(メタデータ) (2020-05-08T03:16:15Z)
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。