論文の概要: COSST: Multi-organ Segmentation with Partially Labeled Datasets Using
Comprehensive Supervisions and Self-training
- arxiv url: http://arxiv.org/abs/2304.14030v3
- Date: Wed, 1 Nov 2023 21:58:06 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-03 17:59:30.539794
- Title: COSST: Multi-organ Segmentation with Partially Labeled Datasets Using
Comprehensive Supervisions and Self-training
- Title（参考訳）: COSST: 包括的スーパービジョンと自己学習を用いた部分ラベル付きデータセットによるマルチ組織セグメンテーション
- Authors: Han Liu, Zhoubing Xu, Riqiang Gao, Hao Li, Jianing Wang, Guillaume
Chabin, Ipek Oguz, Sasa Grbic
- Abstract要約: ディープラーニングモデルは、マルチ組織セグメンテーションにおいて顕著な成功を収めてきたが、典型的には、興味のあるすべての器官に注釈を付けた大規模なデータセットを必要とする。
利用可能な部分ラベル付きデータセットの統一モデルを学習して、そのシナジスティックなポテンシャルを活用する方法については、調査が不可欠である。
COSSTと呼ばれる新しい2段階のフレームワークを提案し、このフレームワークは包括的監視信号と自己学習を効果的に効率的に統合する。
- 参考スコア（独自算出の注目度）: 15.639976408273784
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Deep learning models have demonstrated remarkable success in multi-organ
segmentation but typically require large-scale datasets with all organs of
interest annotated. However, medical image datasets are often low in sample
size and only partially labeled, i.e., only a subset of organs are annotated.
Therefore, it is crucial to investigate how to learn a unified model on the
available partially labeled datasets to leverage their synergistic potential.
In this paper, we systematically investigate the partial-label segmentation
problem with theoretical and empirical analyses on the prior techniques. We
revisit the problem from a perspective of partial label supervision signals and
identify two signals derived from ground truth and one from pseudo labels. We
propose a novel two-stage framework termed COSST, which effectively and
efficiently integrates comprehensive supervision signals with self-training.
Concretely, we first train an initial unified model using two ground
truth-based signals and then iteratively incorporate the pseudo label signal to
the initial model using self-training. To mitigate performance degradation
caused by unreliable pseudo labels, we assess the reliability of pseudo labels
via outlier detection in latent space and exclude the most unreliable pseudo
labels from each self-training iteration. Extensive experiments are conducted
on one public and three private partial-label segmentation tasks over 12 CT
datasets. Experimental results show that our proposed COSST achieves
significant improvement over the baseline method, i.e., individual networks
trained on each partially labeled dataset. Compared to the state-of-the-art
partial-label segmentation methods, COSST demonstrates consistent superior
performance on various segmentation tasks and with different training data
sizes.
- Abstract（参考訳）: ディープラーニングモデルでは、マルチオーガンセグメンテーションが著しく成功したが、一般的には、関心のあるすべての臓器が注釈付きで大規模なデータセットを必要とする。
しかし、医用画像データセットは、しばしばサンプルサイズが低く、部分的にラベル付けされているのみである。
したがって、利用可能な部分ラベル付きデータセットの統一モデルをどのように学習し、それらの相乗的ポテンシャルを活用するかを検討することが重要である。
本稿では,事前手法に関する理論的および経験的分析を行い,部分ラベル分割問題について体系的に検討する。
本稿では,部分ラベル監督信号の観点から問題を再検討し,基底真理と擬似ラベルからの信号の2つを同定する。
COSSTと呼ばれる新しい2段階のフレームワークを提案し、このフレームワークは包括的監視信号と自己学習を効果的に効率的に統合する。
具体的には、2つの真実に基づく信号を用いて初期統一モデルを訓練し、その後、自己学習を用いて擬似ラベル信号を初期モデルに反復的に組み込む。
信頼できない擬似ラベルによる性能劣化を軽減するため,潜在空間における異常検出による擬似ラベルの信頼性を評価し,各自己学習イテレーションから最も信頼できない擬似ラベルを除外する。
12個のCTデータセット上で1つの公開および3つのプライベートな部分ラベルセグメンテーションタスクで大規模な実験を行う。
実験の結果,提案したCOSSTはベースライン法,すなわち各部分ラベル付きデータセットでトレーニングされた個々のネットワークに対して,大幅な改善が得られた。
COSSTは、最先端部分ラベルセグメンテーション法と比較して、様々なセグメンテーションタスクと異なるトレーニングデータサイズで一貫した優れた性能を示す。
関連論文リスト
- GuidedNet: Semi-Supervised Multi-Organ Segmentation via Labeled Data Guide Unlabeled Data [4.775846640214768]
半監督型多臓器画像分割は、医師が疾患の診断と治療計画を改善するのに役立つ。
キーとなる概念は、ラベル付きデータとラベルなしデータからのボクセル機能は、同じクラスに属する可能性が高い機能空間で互いに近接しているということである。
我々は、ラベル付きデータから得られた事前知識を活用してラベルなしデータのトレーニングをガイドする知識伝達クロス擬似ラベルスーパービジョン(KT-CPS)戦略を導入する。
論文 参考訳（メタデータ） (2024-08-09T07:46:01Z) - Deep Mutual Learning among Partially Labeled Datasets for Multi-Organ Segmentation [9.240202592825735]
本稿では,相互学習に基づく2段階多臓器分割手法を提案する。
第1段階では、各部分組織セグメンテーションモデルは、異なるデータセットから重複しない臓器ラベルを利用する。
第2段階では、各全組織セグメンテーションモデルは、擬似ラベル付き完全ラベル付きデータセットによって管理される。
論文 参考訳（メタデータ） (2024-07-17T14:41:25Z) - Leveraging Fixed and Dynamic Pseudo-labels for Semi-supervised Medical Image Segmentation [7.9449756510822915]
半教師付き医用画像セグメンテーションは、注釈のないデータを利用する能力によって、関心が高まりつつある。
現在の最先端の手法は、主にコトレーニングフレームワーク内の擬似ラベルに依存している。
本稿では,同一の未注釈画像に対する複数の擬似ラベルを用いてラベルのないデータから学習する手法を提案する。
論文 参考訳（メタデータ） (2024-05-12T11:30:01Z) - All Points Matter: Entropy-Regularized Distribution Alignment for
Weakly-supervised 3D Segmentation [67.30502812804271]
擬似ラベルは、弱い教師付き3Dセグメンテーションタスクに広く使われており、学習に使えるのはスパース・グラウンド・トラス・ラベルのみである。
本稿では,生成した擬似ラベルを正規化し,擬似ラベルとモデル予測とのギャップを効果的に狭めるための新しい学習戦略を提案する。
論文 参考訳（メタデータ） (2023-05-25T08:19:31Z) - Linking data separation, visual separation, and classifier performance
using pseudo-labeling by contrastive learning [125.99533416395765]
最終分類器の性能は、潜在空間に存在するデータ分離と、射影に存在する視覚的分離に依存すると論じる。
本研究は,ヒト腸管寄生虫の5つの現実的課題の画像データセットを1%の教師付きサンプルで分類し,その結果を実証する。
論文 参考訳（メタデータ） (2023-02-06T10:01:38Z) - Triple-View Feature Learning for Medical Image Segmentation [9.992387025633805]
TriSegNetは半教師付きセマンティックセグメンテーションフレームワークである。
ラベル付けされたデータの限られた量と、ラベル付けされていない大量のデータに基づいて、トリプルビューの特徴学習を使用する。
論文 参考訳（メタデータ） (2022-08-12T14:41:40Z) - Towards Robust Partially Supervised Multi-Structure Medical Image
Segmentation on Small-Scale Data [123.03252888189546]
データ不足下における部分教師付き学習(PSL)における方法論的ギャップを埋めるために,不確実性下でのビシナルラベル(VLUU)を提案する。
マルチタスク学習とヴィジナルリスク最小化によって動機づけられたVLUUは、ビジナルラベルを生成することによって、部分的に教師付き問題を完全な教師付き問題に変換する。
本研究は,ラベル効率の高い深層学習における新たな研究の方向性を示唆するものである。
論文 参考訳（メタデータ） (2020-11-28T16:31:00Z) - PseudoSeg: Designing Pseudo Labels for Semantic Segmentation [78.35515004654553]
ラベルなしまたは弱いラベル付きデータを用いたトレーニングのための構造化された擬似ラベルを生成するための擬似ラベルの再設計を提案する。
提案手法の有効性を,低データと高データの両方において示す。
論文 参考訳（メタデータ） (2020-10-19T17:59:30Z) - Disentangling Human Error from the Ground Truth in Segmentation of
Medical Images [12.009437407687987]
本稿では,純粋にノイズの多い観測のみから,個々のアノテータの信頼性,真のセグメンテーションラベル分布まで,共同学習手法を提案する。
本手法は,必要ならばシミュレートした3つの医用画像セグメンテーションデータセットと実際の多彩なアノテーションに対して有効であることを示す。
論文 参考訳（メタデータ） (2020-07-31T11:03:12Z) - 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) - 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。