論文の概要: Co-training with High-Confidence Pseudo Labels for Semi-supervised
Medical Image Segmentation
- arxiv url: http://arxiv.org/abs/2301.04465v1
- Date: Wed, 11 Jan 2023 13:48:37 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-12 16:52:58.775316
- Title: Co-training with High-Confidence Pseudo Labels for Semi-supervised
Medical Image Segmentation
- Title(参考訳): 半教師付き医用画像セグメンテーションのための高信頼擬似ラベルを用いた共同学習
- Authors: Zhiqiang Shen, Peng Cao, Hua Yang, Xiaoli Liu, Jinzhu Yang, Osmar R.
Zaiane
- Abstract要約: 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textbfUncertainty-guided Collaborative Mean-Teacher (UCMT) を提案する。
UCMT は,1) モデル不一致を奨励し,サブネットワーク間の協調訓練を行うコラボレーティブ平均教師 (CMT) と,2) CMT と CMT の不確実性マップに従って入力画像を操作する不確実性誘導領域混合 (UMIX) の2つの構成要素から構成される。
- 参考スコア(独自算出の注目度): 27.833321555267116
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: High-quality pseudo labels are essential for semi-supervised semantic
segmentation. Consistency regularization and pseudo labeling-based
semi-supervised methods perform co-training using the pseudo labels from
multi-view inputs. However, such co-training models tend to converge early to a
consensus during training, so that the models degenerate to the self-training
ones. Besides, the multi-view inputs are generated by perturbing or augmenting
the original images, which inevitably introduces noise into the input leading
to low-confidence pseudo labels.
To address these issues, we propose an \textbf{U}ncertainty-guided
Collaborative Mean-Teacher (UCMT) for semi-supervised semantic segmentation
with the high-confidence pseudo labels. Concretely, UCMT consists of two main
components: 1) collaborative mean-teacher (CMT) for encouraging model
disagreement and performing co-training between the sub-networks, and 2)
uncertainty-guided region mix (UMIX) for manipulating the input images
according to the uncertainty maps of CMT and facilitating CMT to produce
high-confidence pseudo labels.
Combining the strengths of UMIX with CMT, UCMT can retain model disagreement
and enhance the quality of pseudo labels for the co-training segmentation.
Extensive experiments on four public medical image datasets including 2D and
3D modalities demonstrate the superiority of UCMT over the state-of-the-art.
Code is available at: https://github.com/Senyh/UCMT.
- Abstract(参考訳): 半教師付きセマンティックセグメンテーションには高品質な擬似ラベルが不可欠である。
一貫性正規化と擬似ラベリングに基づく半教師付き手法は,多視点入力から擬似ラベルを用いて協調学習を行う。
しかし、そのようなコトレーニングモデルは、トレーニング中にコンセンサスに早期に収束する傾向にあり、モデルが自己学習モデルに縮退する。
また、低信頼の擬似ラベルにつながる入力にノイズを必然的に導入する原画像の摂動または拡大により、マルチビュー入力を生成する。
これらの問題に対処するために,高信頼な擬似ラベルを用いた半教師付きセマンティックセマンティックセマンティックセグメンテーションのために, UCMT (textbf{U}ncertainty-guided Collaborative Mean-Teacher) を提案する。
具体的にはUCMTは2つの主要コンポーネントから構成される。
1)モデル不一致を奨励し、サブネットワーク間の協調訓練を行うための協力的平均教師(CMT)
2)CMTの不確実性マップに従って入力画像を操作するための不確実性誘導領域混合(UMIX)により、CMTは高信頼な擬似ラベルを生成する。
UMIXとCMTの強度を組み合わせることで、UCMTはモデル不一致を維持し、コトレーニングセグメンテーションのための擬似ラベルの品質を高めることができる。
2Dおよび3Dモダリティを含む4つの公開医療画像データセットに対する大規模な実験は、UCMTが最先端技術よりも優れていることを示す。
コードは、https://github.com/Senyh/UCMT.comで入手できる。
関連論文リスト
- SMC-NCA: Semantic-guided Multi-level Contrast for Semi-supervised
Temporal Action Segmentation [57.9100732918114]
本稿では,アクションセグメンテーションのための強力なフレームワイズ表現を抽出するために,近隣環境対応ユニット(SMC-NCA)を用いた新しいマルチレベルコントラスト方式を提案する。
我々のSMCは3つのベンチマークで他の最先端の手法よりも優れており、編集距離と精度の点で最大17.8%と12.6%の改善を提供している。
また,提案手法の有効性をパーキンソン病マウス行動データセットに示す。
論文 参考訳(メタデータ) (2023-12-19T17:26:44Z) - Semantic Connectivity-Driven Pseudo-labeling for Cross-domain
Segmentation [89.41179071022121]
自己学習はドメイン間セマンティックセグメンテーションにおいて一般的なアプローチである。
本稿ではセマンティック・コネクティビティ駆動の擬似ラベル方式を提案する。
このアプローチは、接続レベルにおいて擬似ラベルを定式化し、構造的および低雑音のセマンティクスの学習を容易にする。
論文 参考訳(メタデータ) (2023-12-11T12:29:51Z) - Cross-head mutual Mean-Teaching for semi-supervised medical image
segmentation [6.738522094694818]
SSMIS(Semi-supervised Medical Image segmentation)は、限られたラベル付きデータと豊富なラベルなしデータを活用することで、大幅な進歩を目撃している。
既存のSOTA(State-of-the-art)手法は、ラベルなしデータのラベルを正確に予測する際の課題に直面する。
強弱データ拡張を組み込んだ新しいクロスヘッド相互学習ネットワーク(CMMT-Net)を提案する。
論文 参考訳(メタデータ) (2023-10-08T09:13:04Z) - Multi-Scale Cross Contrastive Learning for Semi-Supervised Medical Image
Segmentation [14.536384387956527]
医用画像の構造を分割するマルチスケールクロススーパービジョンコントラスト学習フレームワークを開発した。
提案手法は,頑健な特徴表現を抽出するために,地上構造と横断予測ラベルに基づくマルチスケール特徴と対比する。
Diceでは最先端の半教師あり手法を3.0%以上上回っている。
論文 参考訳(メタデータ) (2023-06-25T16:55:32Z) - Cross-supervised Dual Classifiers for Semi-supervised Medical Image
Segmentation [10.18427897663732]
半教師付き医用画像分割は、大規模医用画像解析に有望な解決策を提供する。
本稿では、二重分類器(DC-Net)に基づくクロス教師あり学習フレームワークを提案する。
LAとPancreas-CTデータセットの実験は、DC-Netが半教師付きセグメンテーションの他の最先端手法よりも優れていることを示している。
論文 参考訳(メタデータ) (2023-05-25T16:23:39Z) - PA-Seg: Learning from Point Annotations for 3D Medical Image
Segmentation using Contextual Regularization and Cross Knowledge Distillation [14.412073730567137]
本稿では,3次元医用画像の7点のみのセグメンテーションターゲットに注釈を付け,弱教師付き学習フレームワークPA-Segを設計する。
第1段階では、より監督的な信号を提供するために、シードポイントを拡張するために測地距離変換を用いる。
第2段階では、第1段階で事前学習されたモデルから得られた予測を擬似ラベルとして使用する。
論文 参考訳(メタデータ) (2022-08-11T07:00:33Z) - UCC: Uncertainty guided Cross-head Co-training for Semi-Supervised
Semantic Segmentation [2.6324267940354655]
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新しい学習フレームワークUncertainty Guided Cross-head Co-training(UCC)を提案する。
当社のフレームワークでは,共有エンコーダ内の弱体化と強体化を導入して,一貫性と自己学習のメリットを自然に組み合わせたコトレーニングを実現している。
我々の手法は、最先端の半教師付きセマンティックセグメンテーション法よりもはるかに優れている。
論文 参考訳(メタデータ) (2022-05-20T17:43:47Z) - Federated Semi-supervised Medical Image Classification via Inter-client
Relation Matching [58.26619456972598]
フェデレートラーニング(FL)は、ディープ・ネットワークのトレーニングのために、分散医療機関とのコラボレーションで人気が高まっている。
本報告では,実践的かつ困難なFL問題であるtextitFederated Semi-supervised Learning (FSSL)について検討する。
本稿では, 従来の整合性正規化機構を改良し, クライアント間関係マッチング方式を提案する。
論文 参考訳(メタデータ) (2021-06-16T07:58:00Z) - 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) - A Teacher-Student Framework for Semi-supervised Medical Image
Segmentation From Mixed Supervision [62.4773770041279]
そこで我々は,臓器と病変のセグメンテーションのための教師と学生のスタイルに基づくセミ教師付き学習フレームワークを開発した。
我々は,本モデルがバウンディングボックスの品質に対して堅牢であることを示し,フル教師付き学習手法と比較した性能を実現する。
論文 参考訳(メタデータ) (2020-10-23T07:58:20Z) - DMT: Dynamic Mutual Training for Semi-Supervised Learning [69.17919491907296]
自己学習法は通常、低信頼の擬似ラベルをフィルタリングするために単一のモデル予測の信頼性に依存する。
動的相互学習と呼ばれる動的に再重み付けされた損失関数を用いて、2つの異なるモデル間の相互学習を提案する。
実験の結果,DMTは画像分類とセマンティックセグメンテーションの両方において最先端の性能を実現することがわかった。
論文 参考訳(メタデータ) (2020-04-18T03:12:55Z)
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。