論文の概要: RCPS: Rectified Contrastive Pseudo Supervision for Semi-Supervised
Medical Image Segmentation
- arxiv url: http://arxiv.org/abs/2301.05500v2
- Date: Mon, 9 Oct 2023 14:17:15 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-13 15:17:50.102276
- Title: RCPS: Rectified Contrastive Pseudo Supervision for Semi-Supervised
Medical Image Segmentation
- Title（参考訳）: RCPS:半監督型医用画像分割のためのコントラスト疑似擬似スーパービジョン
- Authors: Xiangyu Zhao, Zengxin Qi, Sheng Wang, Qian Wang, Xuehai Wu, Ying Mao,
Lichi Zhang
- Abstract要約: 我々は、RCPS(Rectified Contrastive Pseudo Supervision)という、新しい半教師付きセグメンテーション手法を提案する。
RCPSは、修正された疑似監督とボクセルレベルのコントラスト学習を組み合わせて、半教師付きセグメンテーションの有効性を向上させる。
実験結果から, 半教師付き医用画像分割における最先端手法と比較して, 高いセグメンテーション性能が得られた。
- 参考スコア（独自算出の注目度）: 26.933651788004475
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Medical image segmentation methods are generally designed as fully-supervised
to guarantee model performance, which require a significant amount of expert
annotated samples that are high-cost and laborious. Semi-supervised image
segmentation can alleviate the problem by utilizing a large number of unlabeled
images along with limited labeled images. However, learning a robust
representation from numerous unlabeled images remains challenging due to
potential noise in pseudo labels and insufficient class separability in feature
space, which undermines the performance of current semi-supervised segmentation
approaches. To address the issues above, we propose a novel semi-supervised
segmentation method named as Rectified Contrastive Pseudo Supervision (RCPS),
which combines a rectified pseudo supervision and voxel-level contrastive
learning to improve the effectiveness of semi-supervised segmentation.
Particularly, we design a novel rectification strategy for the pseudo
supervision method based on uncertainty estimation and consistency
regularization to reduce the noise influence in pseudo labels. Furthermore, we
introduce a bidirectional voxel contrastive loss to the network to ensure
intra-class consistency and inter-class contrast in feature space, which
increases class separability in the segmentation. The proposed RCPS
segmentation method has been validated on two public datasets and an in-house
clinical dataset. Experimental results reveal that the proposed method yields
better segmentation performance compared with the state-of-the-art methods in
semi-supervised medical image segmentation. The source code is available at
https://github.com/hsiangyuzhao/RCPS.
- Abstract（参考訳）: 医用画像のセグメンテーション法は一般的に、モデルの性能を保証するために完全に教師されるように設計されている。
半教師付き画像セグメンテーションは、ラベル付き画像に制限のある多数のラベル付き画像を利用することで問題を緩和することができる。
しかし、擬似ラベルの潜在的なノイズや特徴空間のクラス分離性に乏しいため、多くのラベルのない画像から頑健な表現を学ぶことは、現在の半教師付きセグメンテーション手法の性能を損なう。
上記の課題に対処するために,正当性疑似監督とボクセルレベルのコントラスト学習を併用し,半教師付きセグメンテーションの有効性を向上させる,RCPS(Rectified Contrastive Pseudo Supervision)と呼ばれる新しい半教師付きセグメンテーション手法を提案する。
特に,疑似ラベルにおける雑音の影響を低減すべく,不確実性推定と一貫性正規化に基づく擬似監督法の新たな整流戦略を考案する。
さらに,ネットワークへの双方向ボクセルのコントラスト損失を導入し,セグメンテーションのクラス分離性を高める特徴空間におけるクラス内一貫性とクラス間コントラストを確保する。
RCPSセグメンテーション法は2つの公開データセットと社内臨床データセットで検証されている。
実験結果から, 半教師付き医用画像分割における最先端手法と比較して, 高いセグメンテーション性能が得られた。
ソースコードはhttps://github.com/hsiangyuzhao/rcpsで入手できる。
関連論文リスト
- SemSim: Revisiting Weak-to-Strong Consistency from a Semantic Similarity Perspective for Semi-supervised Medical Image Segmentation [18.223854197580145]
医用画像分割のための半教師付き学習(SSL)は難しいが、非常に実践的な課題である。
セムシム(SemSim)という名前のFixMatchに基づく新しいフレームワークを提案する。
SemSimは3つの公開セグメンテーションベンチマークで最先端の手法よりも一貫した改善をもたらすことを示す。
論文 参考訳（メタデータ） (2024-10-17T12:31:37Z) - Dual-scale Enhanced and Cross-generative Consistency Learning for Semi-supervised Medical Image Segmentation [49.57907601086494]
医用画像のセグメンテーションはコンピュータ支援診断において重要な役割を担っている。
半教師型医用画像(DEC-Seg)のための新しいDual-scale Enhanced and Cross-generative consistency learning frameworkを提案する。
論文 参考訳（メタデータ） (2023-12-26T12:56:31Z) - 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) - Localized Region Contrast for Enhancing Self-Supervised Learning in
Medical Image Segmentation [27.82940072548603]
本稿では,地域コントラスト(LRC)を統合した新しいコントラスト学習フレームワークを提案する。
提案手法では,Felzenszwalbのアルゴリズムによるスーパーピクセルの同定と,新しいコントラッシブサンプリング損失を用いた局所コントラスト学習を行う。
論文 参考訳（メタデータ） (2023-04-06T22:43:13Z) - 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) - 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) - Mixed-UNet: Refined Class Activation Mapping for Weakly-Supervised
Semantic Segmentation with Multi-scale Inference [28.409679398886304]
我々は、デコードフェーズに2つの並列分岐を持つMixed-UNetという新しいモデルを開発する。
地域病院や公開データセットから収集したデータセットに対して,いくつかの一般的なディープラーニングに基づくセグメンテーションアプローチに対して,設計したMixed-UNetを評価した。
論文 参考訳（メタデータ） (2022-05-06T08:37:02Z) - Exploring Feature Representation Learning for Semi-supervised Medical
Image Segmentation [30.608293915653558]
半教師型医用画像分割のための2段階フレームワークを提案する。
重要な洞察は、ラベル付きおよびラベルなし(擬似ラベル付き)画像による特徴表現学習を探索することである。
段階適応型コントラスト学習法を提案し, 境界対応型コントラスト学習法を提案する。
本稿では,高品質な擬似ラベルを生成するためのアレータリック不確実性認識手法,すなわちAUAを提案する。
論文 参考訳（メタデータ） (2021-11-22T05:06:12Z) - Margin Preserving Self-paced Contrastive Learning Towards Domain
Adaptation for Medical Image Segmentation [51.93711960601973]
クロスモーダル医療画像セグメンテーションのための自己ペースコントラスト学習モデルを保存する新しいマージンを提案する。
プログレッシブに洗練されたセマンティックプロトタイプの指導により、埋め込み表現空間の識別性を高めるために、コントラスト損失を減少させる新しいマージンが提案される。
クロスモーダル心セグメンテーションタスクの実験は、MPSCLが意味セグメンテーション性能を大幅に改善することを示した。
論文 参考訳（メタデータ） (2021-03-15T15:23:10Z) - Towards Unbiased COVID-19 Lesion Localisation and Segmentation via
Weakly Supervised Learning [66.36706284671291]
本研究では,画像レベルラベルのみに監視されたデータ駆動型フレームワークを提案する。
このフレームワークは、生成する対向ネットワークと病変特異的デコーダの助けを借りて、原画像から潜在的な病変を明示的に分離することができる。
論文 参考訳（メタデータ） (2021-03-01T06:05:49Z) - 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)
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。