Fugu-MT 論文翻訳(概要): Learning Agreement from Multi-source Annotations for Medical Image Segmentation

論文の概要: Learning Agreement from Multi-source Annotations for Medical Image Segmentation

arxiv url: http://arxiv.org/abs/2304.00466v1
Date: Sun, 2 Apr 2023 06:43:09 GMT
ステータス: 翻訳完了
システム内更新日: 2023-04-04 17:58:51.171427
Title: Learning Agreement from Multi-source Annotations for Medical Image Segmentation
Title（参考訳）: 医用画像分割のための多元アノテーションからの学習合意
Authors: Yifeng Wang, Luyang Luo, Mingxiang Wu, Qiong Wang and Hao Chen
Abstract要約: 複数のアノテーションから医用画像のセグメンテーションを直接学習する新しいUncertainty-guided Multi-source UMA-Netを提案する。 UMA-Netは、2つの品質固有の予測器を持つUNetと、不確実性推定モジュール(AUEM)と品質評価モジュール(QAM)で構成される。
参考スコア（独自算出の注目度）: 9.2053626011013
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In medical image analysis, it is typical to merge multiple independent annotations as ground truth to mitigate the bias caused by individual annotation preference. However, arbitrating the final annotation is not always effective because new biases might be produced during the process, especially when there are significant variations among annotations. This paper proposes a novel Uncertainty-guided Multi-source Annotation Network (UMA-Net) to learn medical image segmentation directly from multiple annotations. UMA-Net consists of a UNet with two quality-specific predictors, an Annotation Uncertainty Estimation Module (AUEM) and a Quality Assessment Module (QAM). Specifically, AUEM estimates pixel-wise uncertainty maps of each annotation and encourages them to reach an agreement on reliable pixels/voxels. The uncertainty maps then guide the UNet to learn from the reliable pixels/voxels by weighting the segmentation loss. QAM grades the uncertainty maps into high-quality or low-quality groups based on assessment scores. The UNet is further implemented to contain a high-quality learning head (H-head) and a low-quality learning head (L-head). H-head purely learns with high-quality uncertainty maps to avoid error accumulation and keeps strong prediction ability, while L-head leverages the low-quality uncertainty maps to assist the backbone to learn maximum representation knowledge. UNet with H-head will be reserved during the inference stage, and the rest of the modules can be removed freely for computational efficiency. We conduct extensive experiments on an unsupervised 3D segmentation task and a supervised 2D segmentation task, respectively. The results show that our proposed UMA-Net outperforms state-of-the-art approaches, demonstrating its generality and effectiveness.
Abstract（参考訳）: 医用画像解析では、個々のアノテーション嗜好に起因するバイアスを軽減するために、複数の独立したアノテーションを基礎的真実としてマージすることが典型的である。しかし、最終アノテーションの仲裁は、特にアノテーションに大きなバリエーションがある場合、プロセス中に新しいバイアスが発生する可能性があるため、必ずしも効果的ではない。本稿では,複数のアノテーションから医用画像のセグメンテーションを直接学習する新しいuncertainty-guided Multi-source Annotation Network (UMA-Net)を提案する。 UMA-Netは、2つの品質固有の予測器を持つUNetと、アノテーション不確実性推定モジュール(AUEM)と品質評価モジュール(QAM)から構成されている。具体的には、AUEMは各アノテーションの画素単位の不確実性マップを推定し、信頼できるピクセル/ボクセルに関する合意に達するよう促す。不確実性マップは、セグメント化損失の重み付けにより、UNetに信頼できるピクセル/ボクセルから学ぶように誘導する。 QAMは評価スコアに基づいて不確実性マップを高品質または低品質のグループに格付けする。 unetはさらに、高品質学習ヘッド(hヘッド)と低品質学習ヘッド(lヘッド)を含むように実装されている。 h-headはエラーの蓄積を避けるために純粋に高品質の不確実性マップを学習し、強力な予測能力を保持する。 Hヘッド付きUNetは推論段階で予約され、残りのモジュールは計算効率のために自由に除去できる。教師なし3次元セグメンテーションタスクと教師なし2次元セグメンテーションタスクについて広範な実験を行った。その結果,提案するUMA-Netは最先端のアプローチよりも優れ,その汎用性と有効性を示している。

関連論文リスト

Introspective Deep Metric Learning [91.47907685364036]
本稿では,不確実性を考慮した画像比較のためのイントロスペクティブな深度学習フレームワークを提案する。提案するIDMLフレームワークは,不確実性モデリングによるディープメトリック学習の性能を向上させる。
論文参考訳（メタデータ） (2023-09-11T16:21:13Z)
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)
Deep Semantic Statistics Matching (D2SM) Denoising Network [70.01091467628068]
本稿では,Deep Semantic Statistics Matching (D2SM) Denoising Networkを紹介する。事前訓練された分類ネットワークの意味的特徴を利用して、意味的特徴空間における明瞭な画像の確率的分布と暗黙的に一致させる。識別画像のセマンティックな分布を学習することで,ネットワークの認知能力を大幅に向上させることを実証的に見出した。
論文参考訳（メタデータ） (2022-07-19T14:35:42Z)
Trustworthy Medical Segmentation with Uncertainty Estimation [0.7829352305480285]
本稿では,セグメンテーションニューラルネットワークにおける不確実性定量化のための新しいベイズディープラーニングフレームワークを提案する。我々は磁気共鳴イメージングとCTによる医用画像分割データについて検討した。複数のベンチマークデータセットに対する実験により,提案するフレームワークは,最先端セグメンテーションモデルと比較して,ノイズや敵攻撃に対してより堅牢であることが示された。
論文参考訳（メタデータ） (2021-11-10T22:46:05Z)
Inconsistency-aware Uncertainty Estimation for Semi-supervised Medical Image Segmentation [92.9634065964963]
我々は、不確実性推定と個別の自己学習戦略に基づいて、新しい半教師付きセグメンテーションモデル、すなわち保守的ラディカルネットワーク(CoraNet)を提案する。現在の技術と比較すると、ColaNetは優れたパフォーマンスを示しています。
論文参考訳（メタデータ） (2021-10-17T08:49:33Z)
Uncertainty guided semi-supervised segmentation of retinal layers in OCT images [4.046207281399144]
セグメンテーションネットワークを訓練する学生・教師のアプローチに基づく,新しい不確実性誘導半教師学習を提案する。提案するフレームワークは,様々な画像モダリティにまたがるバイオメディカルイメージセグメンテーションに有効である。
論文参考訳（メタデータ） (2021-03-02T23:14:25Z)
Utilizing Uncertainty Estimation in Deep Learning Segmentation of Fluorescence Microscopy Images with Missing Markers [7.812710681134931]
蛍光顕微鏡画像には複数のチャネルが含まれており、それぞれがサンプルを染色するマーカーを示している。ディープラーニングベースのセグメンテーションモデルの適用は困難であり、すべてのトレーニングサンプルと将来のアプリケーションに対する推論において、事前に定義されたチャネルの組み合わせが期待できる。画像セグメンテーションのための畳み込みニューラルネットワークのアレター的およびエピステマティックな不確かさを推定し, (i) 対応するセグメンテーション指標への回帰による不確実性特徴の解釈のためのランダムフォレストモデルを訓練することにより, ラベル付き画像のセグメンテーション品質を推定する方法を提案する。
論文参考訳（メタデータ） (2021-01-27T15:06:04Z)
Estimating Uncertainty in Neural Networks for Cardiac MRI Segmentation: A Benchmark Study [1.6222504666823843]
畳み込みニューラルネットワーク(cnns)は、心臓磁気共鳴画像の自動セグメンテーションにおいて有望である。セグメンテーションの不確実性を定量化し、どのセグメンテーションが問題となるかを知ることが重要である。
論文参考訳（メタデータ） (2020-12-31T17:46:52Z)
Annotation-Efficient Learning for Medical Image Segmentation based on Noisy Pseudo Labels and Adversarial Learning [12.781598229608983]
医療画像セグメンテーションのためのアノテーション効率の高い学習フレームワークを提案する。我々は、改良されたサイクル一貫性生成適応ネットワーク(GAN)を用いて、障害のない医療画像と補助マスクのセットから学習する。基礎画像の光学ディスクや超音波画像の胎児頭部のような単純な形状の物体、X線画像の肺やCT画像の肝臓のような複雑な構造、という2つの状況で、我々の枠組みを検証した。
論文参考訳（メタデータ） (2020-12-29T03:22:41Z)
Improved Slice-wise Tumour Detection in Brain MRIs by Computing Dissimilarities between Latent Representations [68.8204255655161]
磁気共鳴画像(MRI)の異常検出は教師なし手法で行うことができる。本研究では,変分オートエンコーダの潜伏空間における相似関数の計算に基づいて,腫瘍検出のためのスライスワイズ半教師法を提案する。本研究では,高解像度画像上でのモデルをトレーニングし,再現の質を向上させることにより,異なるベースラインに匹敵する結果が得られることを示す。
論文参考訳（メタデータ） (2020-07-24T14:02:09Z)
Fully Unsupervised Diversity Denoising with Convolutional Variational Autoencoders [81.30960319178725]
完全畳み込み変分オートエンコーダ(VAE)に基づく復調手法であるDivNoisingを提案する。まず, 撮像ノイズモデルをデコーダに明示的に組み込むことにより, 教師なしの雑音発生問題をVAEフレームワーク内に定式化する手法を提案する。このようなノイズモデルは、ノイズの多いデータから測定したり、ブートストラップしたり、トレーニング中に共同学習したりすることが可能である。
論文参考訳（メタデータ） (2020-06-10T21:28:13Z)

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。