論文の概要: Towards Open-Scenario Semi-supervised Medical Image Classification
- arxiv url: http://arxiv.org/abs/2304.04059v1
- Date: Sat, 8 Apr 2023 16:12:36 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-11 17:56:19.365344
- Title: Towards Open-Scenario Semi-supervised Medical Image Classification
- Title(参考訳): Open-Scenario半教師型医用画像分類に向けて
- Authors: Lie Ju, Yicheng Wu, Wei Feng, Zhen Yu, Lin Wang, Zhuoting Zhu,
Zongyuan Ge
- Abstract要約: セミ教師付き学習(SSL)は、適切なラベル付きトレーニングデータを収集するコストを削減できるため、多くの注目を集めている。
従来のSSLは、ラベル付きデータとラベルなしデータが同じディストリビューションのものであるべきだという仮定に基づいて構築されている。
本研究では,未表示のラベル付きデータを利用した半教師付き医療画像分類のための統一的なフレームワークを提案する。
- 参考スコア(独自算出の注目度): 18.671292314208003
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Semi-supervised learning (SSL) has attracted much attention since it reduces
the expensive costs of collecting adequate well-labeled training data,
especially for deep learning methods. However, traditional SSL is built upon an
assumption that labeled and unlabeled data should be from the same distribution
e.g., classes and domains. However, in practical scenarios, unlabeled data
would be from unseen classes or unseen domains, and it is still challenging to
exploit them by existing SSL methods. Therefore, in this paper, we proposed a
unified framework to leverage these unseen unlabeled data for open-scenario
semi-supervised medical image classification. We first design a novel scoring
mechanism, called dual-path outliers estimation, to identify samples from
unseen classes. Meanwhile, to extract unseen-domain samples, we then apply an
effective variational autoencoder (VAE) pre-training. After that, we conduct
domain adaptation to fully exploit the value of the detected unseen-domain
samples to boost semi-supervised training. We evaluated our proposed framework
on dermatology and ophthalmology tasks. Extensive experiments demonstrate our
model can achieve superior classification performance in various medical SSL
scenarios.
- Abstract(参考訳): 半教師付き学習(SSL)は、特にディープラーニング手法において、適切なラベル付きトレーニングデータを収集するコストを低減し、多くの注目を集めている。
しかし、従来のsslはラベル付きデータとラベル付きデータは同じディストリビューション、例えばクラスとドメインからのものであるべきだという仮定に基づいている。
しかし、実際のシナリオでは、ラベルなしデータは未確認のクラスや未確認のドメインからのものであり、既存のSSLメソッドでそれらを活用することは依然として困難である。
そこで本稿では,この未表示データを利用した半教師付き医療画像分類のための統一的な枠組みを提案する。
まず,両経路外乱推定と呼ばれる新しいスコアリング機構を設計し,未知のクラスからサンプルを同定する。
一方、未検出領域のサンプルを抽出するために、有効な変分オートエンコーダ(vae)プリトレーニングを適用する。
その後、検出された未確認領域のサンプルの価値を完全に活用し、半教師付きトレーニングを促進するためにドメイン適応を行う。
提案する皮膚科と眼科の枠組みについて検討した。
広範囲にわたる実験により,医療用SSLシナリオにおいて,より優れた分類性能が得られた。
関連論文リスト
- SPLAL: Similarity-based pseudo-labeling with alignment loss for
semi-supervised medical image classification [11.435826510575879]
半教師付き学習(SSL)メソッドはラベル付きデータとラベルなしデータの両方を活用することで課題を軽減することができる。
医用画像分類のためのSSL法では,(1)ラベルなしデータセットの画像に対する信頼性の高い擬似ラベルの推定,(2)クラス不均衡によるバイアスの低減という2つの課題に対処する必要がある。
本稿では,これらの課題を効果的に解決する新しいSSLアプローチであるSPLALを提案する。
論文 参考訳(メタデータ) (2023-07-10T14:53:24Z) - Robust Semi-Supervised Learning for Histopathology Images through
Self-Supervision Guided Out-of-Distribution Scoring [1.8558180119033003]
本稿では,デジタルヒストロジー画像におけるオープンセット型教師あり学習課題に対処するための新しいパイプラインを提案する。
我々のパイプラインは、自己教師付き学習に基づいて、各未ラベルデータポイントのOODスコアを効率的に推定する。
我々のフレームワークはどんなセミSLフレームワークとも互換性があり、我々の実験は人気のあるMixmatchセミSLフレームワークに基づいています。
論文 参考訳(メタデータ) (2023-03-17T12:38:28Z) - Benchmarking Self-Supervised Learning on Diverse Pathology Datasets [10.868779327544688]
自己教師付き学習は、ラベルのないデータを活用する効果的な方法であることが示されている。
我々は、病理画像データに基づいてSSL事前トレーニングを行う最大規模の研究を行う。
核インスタンスセグメンテーションの課題に対してSSLを初めて適用する。
論文 参考訳(メタデータ) (2022-12-09T06:38:34Z) - 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) - Trash to Treasure: Harvesting OOD Data with Cross-Modal Matching for
Open-Set Semi-Supervised Learning [101.28281124670647]
オープンセット半教師付き学習(Open-set SSL)では、ラベルなしデータにOOD(Out-of-distribution)サンプルを含む、難しいが実用的なシナリオを調査する。
我々は、OODデータの存在を効果的に活用し、特徴学習を増強する新しいトレーニングメカニズムを提案する。
我々のアプローチは、オープンセットSSLのパフォーマンスを大幅に向上させ、最先端技術よりも大きなマージンで性能を向上します。
論文 参考訳(メタデータ) (2021-08-12T09:14:44Z) - Semi-supervised Optimal Transport with Self-paced Ensemble for
Cross-hospital Sepsis Early Detection [12.704730765459257]
最先端の手法は、教師あり学習のために大量のラベル付き医療データを必要とする。
ラベル付きデータの欠如は、ある病院が新しいセプシス検出システムをデプロイしたい場合、大きな障害を引き起こす。
本稿では,Sepsis早期検出のための自己組織化アンサンブルフレームワークを用いた半教師付き最適トランスポートを提案する。
論文 参考訳(メタデータ) (2021-06-18T20:54:18Z) - A Boundary Based Out-of-Distribution Classifier for Generalized
Zero-Shot Learning [83.1490247844899]
Generalized Zero-Shot Learning (GZSL)は多くの現実的なシナリオにおいて有望な見通しを持つ挑戦的なトピックである。
本研究では,見知らぬ領域を学習用サンプルのみを用いて分類する境界に基づくアウト・オブ・ディストリビューション(OOD)分類器を提案する。
我々は、AWA1、AWA2、CUB、FLO、SUNを含む5つの人気のあるベンチマークデータセットに対して、我々のアプローチを広範囲に検証する。
論文 参考訳(メタデータ) (2020-08-09T11:27:19Z) - Multi-Task Curriculum Framework for Open-Set Semi-Supervised Learning [54.85397562961903]
ラベル付きデータに制限がある場合に、ラベルなしデータを利用して強力なモデルをトレーニングする半教師付き学習(SSL)が提案されている。
我々は、Open-set SSLと呼ばれるより複雑な新しいシナリオに対処する。
提案手法は,OOD試料の効果を除去し,最先端の結果を得る。
論文 参考訳(メタデータ) (2020-07-22T10:33:55Z) - Joint Visual and Temporal Consistency for Unsupervised Domain Adaptive
Person Re-Identification [64.37745443119942]
本稿では,局所的なワンホット分類とグローバルなマルチクラス分類を組み合わせることで,視覚的・時間的整合性を両立させる。
3つの大規模ReIDデータセットの実験結果は、教師なしと教師なしの両方のドメイン適応型ReIDタスクにおいて提案手法の優位性を示す。
論文 参考訳(メタデータ) (2020-07-21T14:31:27Z) - 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。