論文の概要: Active learning for medical image segmentation with stochastic batches
- arxiv url: http://arxiv.org/abs/2301.07670v2
- Date: Fri, 8 Sep 2023 19:36:37 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-12 22:29:57.686424
- Title: Active learning for medical image segmentation with stochastic batches
- Title（参考訳）: 確率バッチを用いた医用画像分割のためのアクティブラーニング
- Authors: M\'elanie Gaillochet, Christian Desrosiers, and Herv\'e Lombaert
- Abstract要約: 手動ラベリングを減らすために、アクティブラーニング(AL)は、ラベル付きトレーニングセットに注釈を付け、追加するために、未ラベルセットから最も情報性の高いサンプルをターゲットにする。
本研究の目的は、ランダムサンプリングによって提供される多様性と速度を利用して、医用画像のセグメント化のための不確実性に基づくAL手法の選択を改善することである。
- 参考スコア（独自算出の注目度）: 13.171801108109198
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The performance of learning-based algorithms improves with the amount of
labelled data used for training. Yet, manually annotating data is particularly
difficult for medical image segmentation tasks because of the limited expert
availability and intensive manual effort required. To reduce manual labelling,
active learning (AL) targets the most informative samples from the unlabelled
set to annotate and add to the labelled training set. On the one hand, most
active learning works have focused on the classification or limited
segmentation of natural images, despite active learning being highly desirable
in the difficult task of medical image segmentation. On the other hand,
uncertainty-based AL approaches notoriously offer sub-optimal batch-query
strategies, while diversity-based methods tend to be computationally expensive.
Over and above methodological hurdles, random sampling has proven an extremely
difficult baseline to outperform when varying learning and sampling conditions.
This work aims to take advantage of the diversity and speed offered by random
sampling to improve the selection of uncertainty-based AL methods for
segmenting medical images. More specifically, we propose to compute uncertainty
at the level of batches instead of samples through an original use of
stochastic batches (SB) during sampling in AL. Stochastic batch querying is a
simple and effective add-on that can be used on top of any uncertainty-based
metric. Extensive experiments on two medical image segmentation datasets show
that our strategy consistently improves conventional uncertainty-based sampling
methods. Our method can hence act as a strong baseline for medical image
segmentation. The code is available on:
https://github.com/Minimel/StochasticBatchAL.git.
- Abstract（参考訳）: 学習ベースのアルゴリズムのパフォーマンスは、トレーニングに使用するラベル付きデータ量によって向上する。
しかし,手動のアノテートは,専門知識の不足や集中的な手作業の必要から,医用画像のセグメンテーション作業では特に困難である。
手動ラベリングを減らすために、アクティブラーニング(al)は、ラベルなしのセットから最も有益なサンプルをターゲットとし、ラベル付きトレーニングセットに注釈と追加を行う。
一方,能動学習は医用画像のセグメンテーションにおいて非常に望ましい課題であるにもかかわらず,ほとんどの能動学習は自然画像の分類や限定的なセグメンテーションに焦点を当ててきた。
一方、不確実性に基づくALアプローチは、最適化されたバッチクエリ戦略を提供するが、多様性に基づく手法は計算コストが高い傾向にある。
ランダムサンプリングは, 学習条件やサンプリング条件の相違により, 性能が著しく向上することが証明された。
本研究の目的は,ランダムサンプリングによって提供される多様性と速度を生かして,医用画像のセグメンテーションにおける不確実性に基づくal法の選択を改善することである。
より具体的には、alにおけるサンプリング中の確率的バッチ(sb)の原使用を通して、サンプルの代わりにバッチのレベルでの不確実性を計算することを提案する。
確率的バッチクエリは、あらゆる不確実性ベースのメトリック上で使用できる、シンプルで効果的なアドオンである。
2つの医用画像セグメンテーションデータセットに関する広範な実験により,従来の不確実性に基づくサンプリング手法を一貫して改善した。
そこで本手法は医用画像セグメンテーションの強力なベースラインとして機能する。
コードはhttps://github.com/Minimel/StochasticBatchAL.gitで入手できる。
関連論文リスト
- Active Learning Principles for In-Context Learning with Large Language
Models [65.09970281795769]
本稿では,アクティブ・ラーニング・アルゴリズムが,文脈内学習における効果的な実演選択手法としてどのように機能するかを検討する。
ALによる文脈内サンプル選択は,不確実性の低い高品質な事例を優先し,試験例と類似性を有することを示す。
論文 参考訳（メタデータ） (2023-05-23T17:16:04Z) - Self-training with dual uncertainty for semi-supervised medical image
segmentation [9.538419502275975]
従来の自己学習手法は、反復学習のための擬似ラベルを生成することによって、ラベル付きデータ不足の問題を部分的に解決することができる。
サンプルレベルと画素レベルの不確実性を加えて,自己学習フレームワークに基づくトレーニングプロセスの安定化を図る。
提案手法は,同じ設定下で両方のデータセットのセグメンテーション性能を向上する。
論文 参考訳（メタデータ） (2023-04-10T07:57:24Z) - TAAL: Test-time Augmentation for Active Learning in Medical Image
Segmentation [7.856339385917824]
本稿では,セグメンテーションのための半教師付きアクティブラーニング手法であるTAAL(Test-time Augmentation for Active Learning)を提案する。
以上の結果から,TAALは既存のベースライン法よりも,完全教師付きと半教師付きの両方で優れていることが示された。
論文 参考訳（メタデータ） (2023-01-16T22:19:41Z) - An Embarrassingly Simple Approach to Semi-Supervised Few-Shot Learning [58.59343434538218]
間接学習の観点から、ラベルなしデータの正負の擬似ラベルを正確に予測するための、単純だが非常に効果的な手法を提案する。
私たちのアプローチは、オフザシェルフ操作のみを使用することで、ほんの数行のコードで実装できます。
論文 参考訳（メタデータ） (2022-09-28T02:11:34Z) - 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) - Uncertainty-Guided Mutual Consistency Learning for Semi-Supervised
Medical Image Segmentation [9.745971699005857]
医用画像セグメンテーションのための新しい不確実性誘導相互整合学習フレームワークを提案する。
タスクレベルの正規化によるタスク内一貫性学習と、タスク間の整合性学習を統合して、幾何学的な形状情報を活用する。
本手法は,ラベルのないデータを活用し,既存の半教師付きセグメンテーション法より優れた性能を実現する。
論文 参考訳（メタデータ） (2021-12-05T08:19:41Z) - Positional Contrastive Learning for Volumetric Medical Image
Segmentation [13.086140606803408]
コントラストデータペアを生成するための新しい位置コントラスト学習フレームワークを提案する。
提案手法は,半教師付き設定と移動学習の両方において既存の手法と比較して,セグメンテーション性能を大幅に向上させることができる。
論文 参考訳（メタデータ） (2021-06-16T22:15:28Z) - Low-Regret Active learning [64.36270166907788]
トレーニングに最も有用なラベル付きデータポイントを識別するオンライン学習アルゴリズムを開発した。
私たちの仕事の中心は、予測可能な(簡単な)インスタンスの低い後悔を達成するために調整された睡眠専門家のための効率的なアルゴリズムです。
論文 参考訳（メタデータ） (2021-04-06T22:53:45Z) - DSAL: Deeply Supervised Active Learning from Strong and Weak Labelers
for Biomedical Image Segmentation [13.707848142719424]
アクティブ学習とセミスーパーバイザー学習戦略を組み合わせた深層アクティブセミスーパーバイザー学習フレームワークDSALを提案します。
DSALでは, 深層監視機構に基づく新たな基準が提案され, 高い不確実性を有する情報サンプルを選定する。
提案した基準を用いて,強ラベルと弱ラベルのサンプルを選択し,各アクティブな学習イテレーションにおいて,オラクルラベルと擬似ラベルを同時に生成する。
論文 参考訳（メタデータ） (2021-01-22T11:31:33Z) - Minimax Active Learning [61.729667575374606]
アクティブラーニングは、人間のアノテーションによってラベル付けされる最も代表的なサンプルをクエリすることによって、ラベル効率の高いアルゴリズムを開発することを目指している。
現在のアクティブラーニング技術は、最も不確実なサンプルを選択するためにモデルの不確実性に頼るか、クラスタリングを使うか、最も多様なラベルのないサンプルを選択するために再構築する。
我々は,不確実性と多様性を両立させる半教師付きミニマックスエントロピーに基づく能動学習アルゴリズムを開発した。
論文 参考訳（メタデータ） (2020-12-18T19:03:40Z) - Deep Semi-supervised Knowledge Distillation for Overlapping Cervical
Cell Instance Segmentation [54.49894381464853]
本稿では, ラベル付きデータとラベルなしデータの両方を, 知識蒸留による精度向上に活用することを提案する。
摂動に敏感なサンプルマイニングを用いたマスク誘導型平均教師フレームワークを提案する。
実験の結果,ラベル付きデータのみから学習した教師付き手法と比較して,提案手法は性能を著しく向上することがわかった。
論文 参考訳（メタデータ） (2020-07-21T13:27:09Z)
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。