論文の概要: Hybrid Dual Mean-Teacher Network With Double-Uncertainty Guidance for
Semi-Supervised Segmentation of MRI Scans
- arxiv url: http://arxiv.org/abs/2303.05126v1
- Date: Thu, 9 Mar 2023 09:16:39 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-10 15:26:16.944225
- Title: Hybrid Dual Mean-Teacher Network With Double-Uncertainty Guidance for
Semi-Supervised Segmentation of MRI Scans
- Title(参考訳): MRIスキャンの半教師分割のための二重不確実性誘導を用いたハイブリッドデュアル平均教師ネットワーク
- Authors: Jiayi Zhu, Bart Bolsterlee, Brian V. Y. Chow, Yang Song, Erik
Meijering
- Abstract要約: 本稿では,高効率な半教師付きセグメンテーションを実現するために,ハイブリッド,半教師付き,マルチタスク学習を備えたハイブリッドデュアル平均教師モデルを提案する。
- 参考スコア(独自算出の注目度): 11.762045723792266
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Semi-supervised learning has made significant progress in medical image
segmentation. However, existing methods primarily utilize information acquired
from a single dimensionality (2D/3D), resulting in sub-optimal performance on
challenging data, such as magnetic resonance imaging (MRI) scans with multiple
objects and highly anisotropic resolution. To address this issue, we present a
Hybrid Dual Mean-Teacher (HD-Teacher) model with hybrid, semi-supervised, and
multi-task learning to achieve highly effective semi-supervised segmentation.
HD-Teacher employs a 2D and a 3D mean-teacher network to produce segmentation
labels and signed distance fields from the hybrid information captured in both
dimensionalities. This hybrid learning mechanism allows HD-Teacher to combine
the `best of both worlds', utilizing features extracted from either 2D, 3D, or
both dimensions to produce outputs as it sees fit. Outputs from 2D and 3D
teacher models are also dynamically combined, based on their individual
uncertainty scores, into a single hybrid prediction, where the hybrid
uncertainty is estimated. We then propose a hybrid regularization module to
encourage both student models to produce results close to the
uncertainty-weighted hybrid prediction. The hybrid uncertainty suppresses
unreliable knowledge in the hybrid prediction, leaving only useful information
to improve network performance further. Extensive experiments of binary and
multi-class segmentation conducted on three MRI datasets demonstrate the
effectiveness of the proposed framework. Code is available at
https://github.com/ThisGame42/Hybrid-Teacher.
- Abstract(参考訳): 半教師付き学習は、医用画像のセグメンテーションに大きな進歩をもたらした。
しかし、既存の手法では、主に1次元(2D/3D)から取得した情報を利用するため、複数の物体を持つMRI(MRI)スキャンや高異方性分解能などの課題データに対する準最適性能が得られる。
この問題に対処するために,ハイブリット,セミ教師付き,マルチタスク学習を併用したハイブリットデュアル平均教師モデルを提案し,高い効率のセミ教師付きセグメンテーションを実現する。
HD-Teacherは2Dおよび3D平均教師ネットワークを使用して、両方の次元でキャプチャされたハイブリッド情報からセグメンテーションラベルと符号付き距離フィールドを生成する。
このハイブリッド学習メカニズムにより、hd-teacherは2d、3d、または両方の次元から抽出された特徴を利用して、適合するアウトプットを生成することができる。
2次元および3次元教師モデルからの出力も、個々の不確実性スコアに基づいて動的に結合され、ハイブリッド不確実性が推定される。
次に,両学習モデルが不確実性重み付けハイブリッド予測に近い結果を生成することを奨励するハイブリッド正規化モジュールを提案する。
ハイブリッド不確実性は、ハイブリッド予測における信頼できない知識を抑制し、有用な情報のみを残してネットワーク性能をさらに向上させる。
3つのmriデータセットを用いたバイナリおよびマルチクラスセグメンテーションの広範な実験により,提案手法の有効性が示された。
コードはhttps://github.com/ThisGame42/Hybrid-Teacherで入手できる。
関連論文リスト
- Leveraging Labelled Data Knowledge: A Cooperative Rectification Learning Network for Semi-supervised 3D Medical Image Segmentation [27.94353306813293]
半教師付き3次元医用画像セグメンテーションは,少ないラベル付きデータと多数の非ラベル付きデータを用いて正確なセグメンテーションを実現することを目的としている。
半教師付き学習法の設計における主な課題は、学習に未学習データを効果的に活用することである。
一貫性学習戦略のための高品質な擬似ラベルを作成するための新しい手法を提案する。
論文 参考訳(メタデータ) (2025-02-17T05:29:50Z) - LargeAD: Large-Scale Cross-Sensor Data Pretraining for Autonomous Driving [52.83707400688378]
LargeADは多用途でスケーラブルなフレームワークで、さまざまな現実世界の運転データセットにわたる大規模3D事前トレーニング用に設計されている。
我々のフレームワークは、VFMを利用して2次元画像から意味的にリッチなスーパーピクセルを抽出し、LiDAR点雲に整列して高品質なコントラストサンプルを生成する。
提案手法は,LDARに基づくセグメント化とオブジェクト検出の両面において,線形探索と微調整の両作業において,最先端の手法よりも大幅な性能向上を実現している。
論文 参考訳(メタデータ) (2025-01-07T18:59:59Z) - Reflective Teacher: Semi-Supervised Multimodal 3D Object Detection in Bird's-Eye-View via Uncertainty Measure [5.510678909146336]
そこで我々は,学生がラベル付きデータと擬似ラベル付きデータの両方で訓練される,反射型教員という新しい概念を紹介した。
また,マルチモーダルなBEV特徴の効率的なアライメントのためのGeometry Aware BEV Fusion (GA-BEV)を提案する。
論文 参考訳(メタデータ) (2024-12-05T16:54:39Z) - A Lesson in Splats: Teacher-Guided Diffusion for 3D Gaussian Splats Generation with 2D Supervision [65.33043028101471]
本研究では,ガウスプレートの拡散モデルであるSplatDiffusionを導入し,単一画像から3次元構造を生成する。
既存の方法は決定論的フィードフォワード予測に依存しており、2Dデータからの3D推論の本質的な曖昧さを扱う能力を制限する。
論文 参考訳(メタデータ) (2024-12-01T00:29:57Z) - Prototype Learning Guided Hybrid Network for Breast Tumor Segmentation in DCE-MRI [58.809276442508256]
本稿では,畳み込みニューラルネットワーク(CNN)とトランスフォーマー層を組み合わせたハイブリッドネットワークを提案する。
プライベートおよびパブリックなDCE-MRIデータセットの実験結果から,提案したハイブリッドネットワークは最先端の手法よりも優れた性能を示した。
論文 参考訳(メタデータ) (2024-08-11T15:46:00Z) - On Machine Learning Approaches for Protein-Ligand Binding Affinity Prediction [2.874893537471256]
本研究では,タンパク質-リガンド結合親和性予測における古典的木モデルと高度なニューラルネットワークの性能を評価する。
2次元モデルと3次元モデルを組み合わせることで、現在の最先端のアプローチを超えて、アクティブな学習結果が向上することを示す。
論文 参考訳(メタデータ) (2024-07-15T13:06:00Z) - SDR-Former: A Siamese Dual-Resolution Transformer for Liver Lesion
Classification Using 3D Multi-Phase Imaging [59.78761085714715]
本研究は肝病変分類のための新しいSDR-Formerフレームワークを提案する。
提案フレームワークは2つの臨床データセットに関する総合的な実験を通じて検証された。
科学コミュニティを支援するため,肝病変解析のための多段階MRデータセットを公開しています。
論文 参考訳(メタデータ) (2024-02-27T06:32:56Z) - DetMatch: Two Teachers are Better Than One for Joint 2D and 3D
Semi-Supervised Object Detection [29.722784254501768]
DetMatchは、2Dおよび3Dモダリティに関する共同半教師付き学習のための柔軟なフレームワークである。
両方のセンサーで検出された物体を識別することで、パイプラインはよりクリーンで堅牢な擬似ラベルを生成する。
我々はRGB画像のよりリッチなセマンティクスを活用して、誤った3Dクラスの予測を修正し、3Dボックスのローカライズを改善する。
論文 参考訳(メタデータ) (2022-03-17T17:58:00Z) - TSGCNet: Discriminative Geometric Feature Learning with Two-Stream
GraphConvolutional Network for 3D Dental Model Segmentation [141.2690520327948]
2流グラフ畳み込みネットワーク(TSGCNet)を提案し、異なる幾何学的特性から多視点情報を学ぶ。
3次元口腔内スキャナーで得られた歯科モデルのリアルタイムデータセットを用いてTSGCNetの評価を行った。
論文 参考訳(メタデータ) (2020-12-26T08:02:56Z) - M2Net: Multi-modal Multi-channel Network for Overall Survival Time
Prediction of Brain Tumor Patients [151.4352001822956]
生存時間(OS)の早期かつ正確な予測は、脳腫瘍患者に対するより良い治療計画を得るのに役立つ。
既存の予測手法は、磁気共鳴(MR)ボリュームの局所的な病変領域における放射能特性に依存している。
我々は,マルチモーダルマルチチャネルネットワーク(M2Net)のエンドツーエンドOS時間予測モデルを提案する。
論文 参考訳(メタデータ) (2020-06-01T05:21:37Z)
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。