論文の概要: Annotation by Clicks: A Point-Supervised Contrastive Variance Method for Medical Semantic Segmentation

• arxiv url: http://arxiv.org/abs/2212.08774v1
• Date: Sat, 17 Dec 2022 01:07:21 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-20 14:34:11.702600
• Title: Annotation by Clicks: A Point-Supervised Contrastive Variance Method for Medical Semantic Segmentation
• Title（参考訳）: クリックによる注釈:医学的セマンティックセグメンテーションのための点強調コントラスト分散法
• Authors: Qing En, Yuhong Guo
• Abstract要約: 医用画像セグメンテーションのための新しい点教師付きコントラスト分散法(PSCV)を提案する。 PSCVはアノテートするために各臓器カテゴリから1ピクセルしか必要としない。 提案手法は, 医用画像セマンティックセグメンテーションタスクにおいて, 最先端の弱教師付き手法よりも優れていることを示す。
• 参考スコア（独自算出の注目度）: 38.61378161105941
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Medical image segmentation methods typically rely on numerous dense annotated images for model training, which are notoriously expensive and time-consuming to collect. To alleviate this burden, weakly supervised techniques have been exploited to train segmentation models with less expensive annotations. In this paper, we propose a novel point-supervised contrastive variance method (PSCV) for medical image semantic segmentation, which only requires one pixel-point from each organ category to be annotated. The proposed method trains the base segmentation network by using a novel contrastive variance (CV) loss to exploit the unlabeled pixels and a partial cross-entropy loss on the labeled pixels. The CV loss function is designed to exploit the statistical spatial distribution properties of organs in medical images and their variance distribution map representations to enforce discriminative predictions over the unlabeled pixels. Experimental results on two standard medical image datasets demonstrate that the proposed method outperforms the state-of-the-art weakly supervised methods on point-supervised medical image semantic segmentation tasks.
• Abstract（参考訳）: 医用画像のセグメンテーション法は、一般的にモデルトレーニングに多くの高密度な注釈付き画像に頼っている。 この負担を軽減するために、より安価なアノテーションでセグメンテーションモデルを訓練するために、弱い監督技術が活用されている。 本稿では,各臓器カテゴリから1ピクセルしか注釈を付けない,医用画像セグメンテーションのための新しい点教師付きコントラスト分散法(PSCV)を提案する。 提案手法では,ラベルなし画素とラベル付き画素の部分クロスエントロピー損失を利用するために,新しいコントラスト分散(cv)損失を用いてベースセグメンテーションネットワークを訓練する。 CV損失関数は、医用画像中の臓器の統計的空間分布特性とその分散分布マップ表現を利用して、ラベルなし画素に対する識別的予測を行うように設計されている。 2つの標準医用画像データセットによる実験結果から,提案手法は点監督医用画像セマンティックセグメンテーションタスクにおいて,最先端の弱教師付き手法よりも優れていることが示された。

関連論文リスト

• 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)
• Self-Supervised Correction Learning for Semi-Supervised Biomedical Image Segmentation [84.58210297703714]
  半教師付きバイオメディカルイメージセグメンテーションのための自己教師付き補正学習パラダイムを提案する。 共有エンコーダと2つの独立デコーダを含むデュアルタスクネットワークを設計する。 異なるタスクのための3つの医用画像分割データセットの実験により,本手法の優れた性能が示された。
  論文  参考訳（メタデータ） (2023-01-12T08:19:46Z)
• 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)
• An Embarrassingly Simple Consistency Regularization Method for Semi-Supervised Medical Image Segmentation [0.0]
  医用画像のセグメンテーションタスクでは,ピクセルレベルのアノテーションの不足が問題となっている。 半教師付き医用画像セグメンテーションのための計算ベースミキシングを含む新しい正規化戦略を導入する。
  論文  参考訳（メタデータ） (2022-02-01T16:21:14Z)
• Reference-guided Pseudo-Label Generation for Medical Semantic Segmentation [25.76014072179711]
  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のための管理手法を提案する。 少数のラベル付き画像を参照材料として使用し、未ラベル画像中の画素と参照集合内の最適な画素のセマンティクスを一致させる。 我々は,X線解剖学的セグメンテーションにおける標準完全教師付きモデルと同じ性能を達成するが,ラベル付き画像の95%は少ない。
  論文  参考訳（メタデータ） (2021-12-01T12:21:24Z)
• Uncertainty guided semi-supervised segmentation of retinal layers in OCT images [4.046207281399144]
  セグメンテーションネットワークを訓練する学生・教師のアプローチに基づく,新しい不確実性誘導半教師学習を提案する。 提案するフレームワークは,様々な画像モダリティにまたがるバイオメディカルイメージセグメンテーションに有効である。
  論文  参考訳（メタデータ） (2021-03-02T23:14:25Z)
• Towards Robust Partially Supervised Multi-Structure Medical Image Segmentation on Small-Scale Data [123.03252888189546]
  データ不足下における部分教師付き学習(PSL)における方法論的ギャップを埋めるために,不確実性下でのビシナルラベル(VLUU)を提案する。 マルチタスク学習とヴィジナルリスク最小化によって動機づけられたVLUUは、ビジナルラベルを生成することによって、部分的に教師付き問題を完全な教師付き問題に変換する。 本研究は,ラベル効率の高い深層学習における新たな研究の方向性を示唆するものである。
  論文  参考訳（メタデータ） (2020-11-28T16:31:00Z)
• Adversarial Semantic Data Augmentation for Human Pose Estimation [96.75411357541438]
  本研究では,セマンティックデータ拡張法 (SDA) を提案する。 また,適応的セマンティックデータ拡張 (ASDA) を提案する。 最先端の結果は、挑戦的なベンチマークで得られます。
  論文  参考訳（メタデータ） (2020-08-03T07:56:04Z)
• Weakly-Supervised Segmentation for Disease Localization in Chest X-Ray Images [0.0]
  医用胸部X線画像のセマンティックセグメンテーションに対する新しいアプローチを提案する。 本手法は肺と胸壁の間の異常な空気量を検出するための胸部X線検査に適用可能である。
  論文  参考訳（メタデータ） (2020-07-01T20:48:35Z)

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。