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

• PMT: Progressive Mean Teacher via Exploring Temporal Consistency for Semi-Supervised Medical Image Segmentation [51.509573838103854]
  医用画像セグメンテーションのための半教師付き学習フレームワークであるプログレッシブ平均教師(PMT)を提案する。 我々のPMTは、トレーニングプロセスにおいて、堅牢で多様な特徴を学習することで、高忠実な擬似ラベルを生成する。 CT と MRI の異なる2つのデータセットに対する実験結果から,本手法が最先端の医用画像分割法より優れていることが示された。
  論文  参考訳（メタデータ） (2024-09-08T15:02:25Z)
• Benchmark on Drug Target Interaction Modeling from a Structure Perspective [48.60648369785105]
  薬物と標的の相互作用の予測は、薬物の発見と設計に不可欠である。 グラフニューラルネットワーク(GNN)やトランスフォーマーに基づく最近の手法は、さまざまなデータセットで例外的なパフォーマンスを示している。 我々は,GNNベースと暗黙的(トランスフォーマーベース)構造学習アルゴリズムを多用することにより,構造の観点からの薬物-標的相互作用モデリングの総合的な調査とベンチマークを行う。
  論文  参考訳（メタデータ） (2024-07-04T16:56:59Z)
• Aligning in a Compact Space: Contrastive Knowledge Distillation between Heterogeneous Architectures [4.119589507611071]
  本稿では,低周波成分を用いたコントラスト知識蒸留(Contrastive Knowledge Distillation, LFCC)フレームワークを提案する。 具体的には、教師モデルと学生モデルの両方から中間特徴の低周波成分を抽出するために、マルチスケールの低域通過フィルタを設計する。 本稿では,ImageNet-1K と CIFAR-100 のベンチマークにおいて,LFCC が優れた性能を発揮することを示す。
  論文  参考訳（メタデータ） (2024-05-28T18:44:42Z)
• ComboStoc: Combinatorial Stochasticity for Diffusion Generative Models [65.82630283336051]
  拡散生成モデルの既存のトレーニングスキームにより,次元と属性の組み合わせによって区切られた空間が十分に標本化されていないことを示す。 構造を完全に活用するプロセスを構築し,ComboStocという名前でこの問題に対処する。
  論文  参考訳（メタデータ） (2024-05-22T15:23:10Z)
• Synthetic Data for Robust Stroke Segmentation [0.0]
  ディープラーニングに基づくニューロイメージングにおけるセマンティックセグメンテーションは、現在、高解像度スキャンと広範な注釈付きデータセットを必要とする。 そこで我々は,既存のSynthSegアプローチの能力を拡張した,病変分割作業のための新しい合成フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-04-02T13:42:29Z)
• Macroscale fracture surface segmentation via semi-supervised learning considering the structural similarity [1.3654846342364308]
  セグメンテーション能力に対する構造的類似性の影響を分析するために、3つのデータセットが作成された。 半教師あり学習のための弱強整合正則化を実装した。 提案手法はトレーニングに必要なラベル付き画像の数を6。
  論文  参考訳（メタデータ） (2024-03-27T08:21:41Z)
• 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)
• Bayesian Unsupervised Disentanglement of Anatomy and Geometry for Deep Groupwise Image Registration [50.62725807357586]
  本稿では,マルチモーダル群画像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4つの異なる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)
• 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)
• 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)
• 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。