論文の概要: Spatio-Temporal Structure Consistency for Semi-supervised Medical Image
Classification
- arxiv url: http://arxiv.org/abs/2303.01707v1
- Date: Fri, 3 Mar 2023 04:18:09 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-06 16:10:09.022305
- Title: Spatio-Temporal Structure Consistency for Semi-supervised Medical Image
Classification
- Title(参考訳): 半教師型医用画像分類のための時空間構造整合性
- Authors: Wentao Lei, Lei Liu, Li Liu
- Abstract要約: 本研究では,新しい時空間構造一貫性(STSC)学習フレームワークを提案する。
具体的には、空間構造整合性と時間構造整合性を組み合わせるために、グラム行列を導出する。
提案手法は最先端のSSL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): 8.656046905043876
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Intelligent medical diagnosis has shown remarkable progress based on the
large-scale datasets with precise annotations. However, fewer labeled images
are available due to significantly expensive cost for annotating data by
experts. To fully exploit the easily available unlabeled data, we propose a
novel Spatio-Temporal Structure Consistent (STSC) learning framework.
Specifically, a gram matrix is derived to combine the spatial structure
consistency and temporal structure consistency together. This gram matrix
captures the structural similarity among the representations of different
training samples. At the spatial level, our framework explicitly enforces the
consistency of structural similarity among different samples under
perturbations. At the temporal level, we consider the consistency of the
structural similarity in different training iterations by digging out the
stable sub-structures in a relation graph. Experiments on two medical image
datasets (i.e., ISIC 2018 challenge and ChestX-ray14) show that our method
outperforms state-of-the-art SSL methods. Furthermore, extensive qualitative
analysis on the Gram matrices and heatmaps by Grad-CAM are presented to
validate the effectiveness of our method.
- Abstract(参考訳): インテリジェントな医学診断は、正確な注釈付き大規模データセットに基づいて顕著に進歩している。
しかし、専門家によるデータの注釈のコストが著しく高いため、ラベル付き画像は少ない。
利用可能なラベルのないデータを完全に活用するために,新しい時空間構造一貫性(STSC)学習フレームワークを提案する。
具体的には、空間構造整合性と時間構造整合性を組み合わせたグラム行列を導出する。
このグラム行列は、異なるトレーニングサンプルの表現間の構造的類似性をキャプチャする。
空間レベルでは,摂動下の異なる試料間の構造的類似性の一貫性を明示的に強制する。
時間レベルでは、関係グラフの安定な部分構造を掘り出すことにより、異なる訓練イテレーションにおける構造的類似性の一貫性を考える。
2つの医療画像データセット(ISIC 2018 ChallengeとChestX-ray14)の実験では、我々の手法が最先端のSSLメソッドより優れていることが示されている。
さらに,Grad-CAMによるグラム行列と熱マップの広範囲な定性解析を行い,本手法の有効性を検証した。
関連論文リスト
- Sequential Visual and Semantic Consistency for Semi-supervised Text
Recognition [56.968108142307976]
Scene Text Recognition (STR) は、大規模なアノテートデータを必要とする課題である。
既存のSTR法の多くは、STRモデルの性能を低下させ、ドメイン差を生じさせる合成データに頼っている。
本稿では,視覚的・意味的両面から単語レベルの整合性正則化を取り入れたSTRの半教師付き学習手法を提案する。
論文 参考訳(メタデータ) (2024-02-24T13:00:54Z) - GRASP: GRAph-Structured Pyramidal Whole Slide Image Representation [4.5869791542071]
本稿では,スライド画像全体(WSI)をデジタル病理学で処理するためのグラフ構造化多重画像化フレームワークGRASPを提案する。
我々のアプローチは、WSIの処理における病理学者の振舞いと、WSIの階層構造から得られる利益をエミュレートするために設計されている。
従来のプール機構の代わりに収束ベースのノードアグリゲーションを導入するGRASPは、2つの異なるがんデータセットに対して最先端の手法より優れている。
論文 参考訳(メタデータ) (2024-02-06T00:03:44Z) - Bayesian Intrinsic Groupwise Image Registration: Unsupervised
Disentanglement of Anatomy and Geometry [53.645443644821306]
本稿では,医用画像の集団登録のための一般ベイズ学習フレームワークを提案する。
本稿では,潜在変数の推論手順を実現するために,新しい階層的変分自動符号化アーキテクチャを提案する。
心臓、脳、腹部の医療画像から得られた4つのデータセットを含む,提案された枠組みを検証する実験を行った。
論文 参考訳(メタデータ) (2024-01-04T08:46:39Z) - The Whole Pathological Slide Classification via Weakly Supervised
Learning [7.313528558452559]
細胞核疾患と病理タイルの空間的相関の2つの病因を考察した。
本研究では,抽出器訓練中の汚れ分離を利用したデータ拡張手法を提案する。
次に,隣接行列を用いてタイル間の空間的関係を記述する。
これら2つのビューを統合することで,H&E染色組織像を解析するためのマルチインスタンス・フレームワークを設計した。
論文 参考訳(メタデータ) (2023-07-12T16:14:23Z) - Histopathology Whole Slide Image Analysis with Heterogeneous Graph
Representation Learning [78.49090351193269]
本稿では,WSI分析のために,異なる種類の核間の相互関係を利用する新しいグラフベースのフレームワークを提案する。
具体的には、WSI を各ノードに "nucleus-type" 属性と各エッジに類似した意味属性を持つ異種グラフとして定式化する。
我々のフレームワークは、様々なタスクに対してかなりのマージンで最先端の手法より優れています。
論文 参考訳(メタデータ) (2023-07-09T14:43:40Z) - Pair-Variational Autoencoders (PairVAE) for Linking and
Cross-Reconstruction of Characterization Data from Complementary Structural
Characterization Techniques [0.0]
材料研究において、構造的特徴付けは、合成された材料の全体的形態的ビューを得るために、しばしば複数の相補的技術を必要とする。
複数のテクニックからペア構造的特徴付けデータに基づいてトレーニングできる機械学習モデルを持つことは、モデルが他方からひとつの特徴付けデータを生成するのに有用である。
本稿では,Small Angle X-Ray Scattering(SAXS)のデータとSEM(Small Angle X-Ray Scattering)の画像を表示する機械学習ワークフローであるPairVAEについて述べる。
論文 参考訳(メタデータ) (2023-05-25T20:45:36Z) - 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) - Decoding Structure-Spectrum Relationships with Physically Organized
Latent Spaces [6.36075035468233]
構造スペクトル関係の発見のための半教師付き機械学習手法を開発し,実証した。
本手法は,個々の構造記述子とスペクトル傾向の1対1マッピングを構成する。
RankAAE法は連続的かつ解釈可能な潜在空間を生成し、各次元は個々の構造記述子を追跡することができる。
論文 参考訳(メタデータ) (2023-01-11T21:30:22Z) - SIAN: Style-Guided Instance-Adaptive Normalization for Multi-Organ
Histopathology Image Synthesis [63.845552349914186]
本研究では,異なる臓器に対して,現実的な色分布とテクスチャを合成するためのスタイル誘導型インスタンス適応正規化(SIAN)を提案する。
4つのフェーズは一緒に動作し、生成ネットワークに統合され、イメージセマンティクス、スタイル、インスタンスレベルのバウンダリを埋め込む。
論文 参考訳(メタデータ) (2022-09-02T16:45:46Z) - Semi-supervised Medical Image Classification with Relation-driven
Self-ensembling Model [71.80319052891817]
医用画像分類のための関係駆動型半教師付きフレームワークを提案する。
これは、摂動下で与えられた入力の予測一貫性を促進することでラベルのないデータを利用する。
本手法は,シングルラベルおよびマルチラベル画像分類のシナリオにおいて,最先端の半教師付き学習手法よりも優れる。
論文 参考訳(メタデータ) (2020-05-15T06:57:54Z)
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。