論文の概要: SSL^2: Self-Supervised Learning meets Semi-Supervised Learning: Multiple
Sclerosis Segmentation in 7T-MRI from large-scale 3T-MRI
- arxiv url: http://arxiv.org/abs/2303.05026v1
- Date: Thu, 9 Mar 2023 04:20:16 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-10 16:13:17.581057
- Title: SSL^2: Self-Supervised Learning meets Semi-Supervised Learning: Multiple
Sclerosis Segmentation in 7T-MRI from large-scale 3T-MRI
- Title（参考訳）: ssl^2:自己教師付き学習は半教師付き学習と一致する:大規模3t-mriを用いた7t-mriにおける多発性硬化症分節化
- Authors: Jiacheng Wang, Hao Li, Han Liu, Dewei Hu, Daiwei Lu, Keejin Yoon,
Kelsey Barter, Francesca Bagnato, and Ipek Oguz
- Abstract要約: マルチモーダルなMS病変分類のためのトレーニングフレームワークであるSSL2(self-supervised-semi-supervised)を提案する。
我々は、大規模な公開3Tデータセットからの知識を活用して、小さな7Tターゲットデータセットの制限に対処するために、自己教師付き学習を採用する。
自己教師型および半教師型トレーニング戦略の有効性を, 社内7T MRIデータセットで評価した。
- 参考スコア（独自算出の注目度）: 10.28453502633171
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Automated segmentation of multiple sclerosis (MS) lesions from MRI scans is
important to quantify disease progression. In recent years, convolutional
neural networks (CNNs) have shown top performance for this task when a large
amount of labeled data is available. However, the accuracy of CNNs suffers when
dealing with few and/or sparsely labeled datasets. A potential solution is to
leverage the information available in large public datasets in conjunction with
a target dataset which only has limited labeled data. In this paper, we propose
a training framework, SSL2 (self-supervised-semi-supervised), for
multi-modality MS lesion segmentation with limited supervision. We adopt
self-supervised learning to leverage the knowledge from large public 3T
datasets to tackle the limitations of a small 7T target dataset. To leverage
the information from unlabeled 7T data, we also evaluate state-of-the-art
semi-supervised methods for other limited annotation settings, such as small
labeled training size and sparse annotations. We use the shifted-window (Swin)
transformer1 as our backbone network. The effectiveness of self-supervised and
semi-supervised training strategies is evaluated in our in-house 7T MRI
dataset. The results indicate that each strategy improves lesion segmentation
for both limited training data size and for sparse labeling scenarios. The
combined overall framework further improves the performance substantially
compared to either of its components alone. Our proposed framework thus
provides a promising solution for future data/label-hungry 7T MS studies.
- Abstract（参考訳）: MRIによる多発性硬化症 (MS) 病変の自動分離は, 疾患進行の定量化に重要である。
近年、畳み込みニューラルネットワーク(convolutional neural networks:cnns)は、大量のラベル付きデータがある場合、このタスクで最高性能を示している。
しかし、CNNの精度は、わずかなラベル付きデータセットを扱うときに悩む。
潜在的な解決策は、限られたラベル付きデータしか持たないターゲットデータセットと合わせて、大規模な公開データセットで利用可能な情報を活用することである。
本稿では,マルチモダリティMS病変分類のためのトレーニングフレームワークであるSSL2(self-supervised-semi-supervised)を提案する。
我々は,大規模3tデータセットからの知識を活用し,小規模7tターゲットデータセットの制限に取り組むために,自己教師付き学習を採用する。
ラベルなしの7tデータからの情報を活用するために,ラベル付きトレーニングサイズやスパースアノテーションなど,制限されたアノテーション設定に対する最先端の半教師付きメソッドも評価する。
バックボーンネットワークとしてshifted-window (swin) transformer1を使用します。
自己教師付きおよび半教師付きトレーニング戦略の有効性を社内7t mriデータセットで評価した。
以上の結果から,各戦略は訓練データサイズとスパースラベリングシナリオの両方において病変セグメンテーションを改善することが示唆された。
統合された全体的なフレームワークは、いずれのコンポーネントよりもパフォーマンスが大幅に向上する。
提案するフレームワークは将来のデータ・ラベル・ハングリー7TMS研究に有望なソリューションを提供する。
関連論文リスト
- Weakly-supervised positional contrastive learning: application to
cirrhosis classification [45.63061034568991]
大規模な医療画像データセットは、低信頼で弱いラベルで安価に注釈を付けることができる。
組織学に基づく診断のような高信頼なラベルへのアクセスは稀で費用がかかる。
提案手法は,効率的な弱教師付き位置対応学習戦略 (WSP) を提案する。
論文 参考訳（メタデータ） (2023-07-10T15:02:13Z) - A semi-supervised Teacher-Student framework for surgical tool detection
and localization [2.41710192205034]
外科的ツール検出のパラダイムにおいて,半教師付き学習(SSL)フレームワークを導入する。
提案手法では,教師-学生共同学習を初期化するラベル付きデータを用いたモデルを訓練する。
m2cai16-tool-locations データセットの結果は、異なる教師付きデータ設定に対するアプローチの優位性を示している。
論文 参考訳（メタデータ） (2022-08-21T17:21:31Z) - 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) - Self-Supervised Learning as a Means To Reduce the Need for Labeled Data
in Medical Image Analysis [64.4093648042484]
胸部X線画像のデータセットとバウンディングボックスラベルを用いて,13種類の異常の分類を行った。
ラベル付きデータの平均精度と精度を60%に抑えることで,完全教師付きモデルと同等の性能が得られることを示す。
論文 参考訳（メタデータ） (2022-06-01T09:20:30Z) - CvS: Classification via Segmentation For Small Datasets [52.821178654631254]
本稿では,分類ラベルをセグメントマップの予測から導出する小型データセットのコスト効率の高い分類器であるCvSを提案する。
我々は,CvSが従来の手法よりもはるかに高い分類結果が得られることを示す多種多様な問題に対して,本フレームワークの有効性を評価する。
論文 参考訳（メタデータ） (2021-10-29T18:41:15Z) - Hierarchical Self-Supervised Learning for Medical Image Segmentation
Based on Multi-Domain Data Aggregation [23.616336382437275]
医用画像分割のための階層型自己監督学習(HSSL)を提案する。
まず、いくつかの医学的課題からデータセットを収集し、自己教師付きでネットワークを事前訓練し、最後にラベル付きデータに微調整します。
スクラッチから学習するのに比べ、新しい手法は様々なタスクにおいてより良いパフォーマンスをもたらす。
論文 参考訳（メタデータ） (2021-07-10T18:17:57Z) - Learning to Count in the Crowd from Limited Labeled Data [109.2954525909007]
我々は,限られた数のラベル付きサンプルから参加者を数えることを学ぶことで,アノテーションの努力を減らすことに重点を置いている。
具体的には,未ラベルデータに対する擬似地下真理推定を含むガウス過程に基づく反復学習機構を提案する。
論文 参考訳（メタデータ） (2020-07-07T04:17:01Z) - ATSO: Asynchronous Teacher-Student Optimization for Semi-Supervised
Medical Image Segmentation [99.90263375737362]
教師-学生最適化の非同期版であるATSOを提案する。
ATSOはラベルのないデータを2つのサブセットに分割し、モデルの微調整に1つのサブセットを交互に使用し、他のサブセットのラベルを更新する。
医用画像のセグメンテーションデータセットを2つ評価し,様々な半教師付き環境において優れた性能を示す。
論文 参考訳（メタデータ） (2020-06-24T04:05:12Z) - Learning across label confidence distributions using Filtered Transfer
Learning [0.44040106718326594]
本稿では,大きな可変信頼度データセットを持つノイズの多いデータシステムにおいて,予測能力を向上させるための伝達学習手法を提案する。
本稿では、複数の階層のデータ信頼度を個別のタスクとして定義する、FTL(Filted Transfer Learning)と呼ばれるディープニューラルネットワーク手法を提案する。
FTLを用いてラベル信頼度分布を段階的に学習すると、単一の信頼範囲でトレーニングされたディープニューラルネットワークモデルよりも高いパフォーマンスが得られることを示す。
論文 参考訳（メタデータ） (2020-06-03T21:00:11Z) - 3D medical image segmentation with labeled and unlabeled data using
autoencoders at the example of liver segmentation in CT images [58.720142291102135]
本研究では、畳み込みニューラルネットワークによるセグメンテーションを改善するために、オートエンコーダ抽出機能の可能性を検討する。
コンボリューション・オートエンコーダを用いてラベルのないデータから特徴を抽出し,CT画像における3次元肝セグメンテーションの目標タスクを実行するために,マルチスケールの完全畳み込みCNNを用いた。
論文 参考訳（メタデータ） (2020-03-17T20:20:43Z)
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。