論文の概要: MagicNet: Semi-Supervised Multi-Organ Segmentation via Magic-Cube
Partition and Recovery
- arxiv url: http://arxiv.org/abs/2212.14310v2
- Date: Thu, 6 Apr 2023 06:16:07 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-07 17:25:52.457407
- Title: MagicNet: Semi-Supervised Multi-Organ Segmentation via Magic-Cube
Partition and Recovery
- Title（参考訳）: MagicNet: Magic-Cube分割とリカバリによる半スーパービジョンマルチオーガンセグメンテーション
- Authors: Duowen Chen, Yunhao Bai, Wei Shen, Qingli Li, Lequan Yu, Yan Wang
- Abstract要約: 教師-学生モデルでは、教師と生徒の一貫性のあるトレーニングを規則化するために、通常、ラベルのないデータにデータ拡張が採用される。
分割・復号化N$3$の立方体を,ラベル付きおよびラベル付きおよびラベルなしの画像を交叉・内周するデータ拡張戦略を提案する。
我々の手法はマジックネットと呼ばれ、CTボリュームをマジックキューブとして扱い、N$3$-cubeパーティション・アンド・リカバリプロセスはマジックキューブを再生する規則と一致する。
- 参考スコア（独自算出の注目度）: 26.689485807122253
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We propose a novel teacher-student model for semi-supervised multi-organ
segmentation. In teacher-student model, data augmentation is usually adopted on
unlabeled data to regularize the consistent training between teacher and
student. We start from a key perspective that fixed relative locations and
variable sizes of different organs can provide distribution information where a
multi-organ CT scan is drawn. Thus, we treat the prior anatomy as a strong tool
to guide the data augmentation and reduce the mismatch between labeled and
unlabeled images for semi-supervised learning. More specifically, we propose a
data augmentation strategy based on partition-and-recovery N$^3$ cubes cross-
and within- labeled and unlabeled images. Our strategy encourages unlabeled
images to learn organ semantics in relative locations from the labeled images
(cross-branch) and enhances the learning ability for small organs
(within-branch). For within-branch, we further propose to refine the quality of
pseudo labels by blending the learned representations from small cubes to
incorporate local attributes. Our method is termed as MagicNet, since it treats
the CT volume as a magic-cube and N$^3$-cube partition-and-recovery process
matches with the rule of playing a magic-cube. Extensive experiments on two
public CT multi-organ datasets demonstrate the effectiveness of MagicNet, and
noticeably outperforms state-of-the-art semi-supervised medical image
segmentation approaches, with +7% DSC improvement on MACT dataset with 10%
labeled images. Code is available at
https://github.com/DeepMed-Lab-ECNU/MagicNet.
- Abstract（参考訳）: 半教師付き多臓器セグメンテーションのための新しい教師学生モデルを提案する。
教師-学生モデルでは、教師と生徒の一貫性のあるトレーニングを規則化するために、通常、ラベルのないデータにデータ拡張が採用される。
まず,各臓器の相対的位置と可変サイズが,多臓器CTスキャンを描画する分布情報を提供できるというキーパースペクティブから始める。
そこで,先行解剖学をデータ拡張を導く強力なツールとして扱い,半教師付き学習のためのラベル付き画像とラベル付き画像のミスマッチを減らす。
具体的には,分割回収型N$^3$立方体をラベル付きおよびラベルなし画像内を交差するデータ拡張戦略を提案する。
我々の戦略は、ラベル付き画像(クロスブランチ)から相対的な位置の臓器意味学を学ぶことを奨励し、小器官(ブランチ付き)の学習能力を高める。
さらに,小キューブからの学習表現をブレンドし,局所属性を組み込むことにより,擬似ラベルの品質を向上させることを提案する。
我々の方法はマジックネットと呼ばれ、CTボリュームをマジックキューブとして扱い、N$^3$-cubeパーティション&リカバリプロセスはマジックキューブを再生する規則と一致する。
2つのパブリックCTマルチ組織データセットに対する大規模な実験は、MagicNetの有効性を示し、最先端の半教師付き医療画像セグメンテーションアプローチを著しく上回り、10%のラベル付き画像でMACTデータセットを+7%改善した。
コードはhttps://github.com/DeepMed-Lab-ECNU/MagicNetで入手できる。
関連論文リスト
- SM2C: Boost the Semi-supervised Segmentation for Medical Image by using Meta Pseudo Labels and Mixed Images [13.971120210536995]
医用画像のセマンティックな特徴を学習する能力を向上させるために,SM2C(Scaling-up Mix with Multi-Class)を導入した。
セグメンテーションオブジェクトの形状を多様化し、各サンプル内の意味情報を豊かにすることにより、SM2Cはそのポテンシャルを示す。
提案したフレームワークは、最先端のフレームワークよりも大幅に改善されている。
論文 参考訳（メタデータ） (2024-03-24T04:39:40Z) - 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) - M$^{2}$SNet: Multi-scale in Multi-scale Subtraction Network for Medical
Image Segmentation [73.10707675345253]
医用画像から多様なセグメンテーションを仕上げるマルチスケールサブトラクションネットワーク(M$2$SNet)を提案する。
本手法は,4つの異なる医用画像セグメンテーションタスクの11つのデータセットに対して,異なる評価基準の下で,ほとんどの最先端手法に対して好意的に機能する。
論文 参考訳（メタデータ） (2023-03-20T06:26:49Z) - 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) - CUTS: A Deep Learning and Topological Framework for Multigranular Unsupervised Medical Image Segmentation [8.307551496968156]
医用画像セグメンテーションのための教師なしディープラーニングフレームワークCUTSを提案する。
各画像に対して、画像内コントラスト学習と局所パッチ再構成による埋め込みマップを生成する。
CUTSは、様々な粒度の特徴をハイライトする粗い粒度のセグメンテーションを連続的に生成する。
論文 参考訳（メタデータ） (2022-09-23T01:09:06Z) - 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) - Contrastive Semi-Supervised Learning for 2D Medical Image Segmentation [16.517086214275654]
フルイメージではなく,画像パッチにContrastive Learning(CL)を適用した,新しい半教師付き2次元医療セグメンテーションソリューションを提案する。
これらのパッチは、擬似ラベリングによって得られた異なるクラスの意味情報を用いて有意義に構築される。
また,コントラスト学習と相乗効果を持つ新しい整合正規化手法を提案する。
論文 参考訳（メタデータ） (2021-06-12T15:43:24Z) - 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) - 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。