論文の概要: Bidirectional Copy-Paste for Semi-Supervised Medical Image Segmentation
- arxiv url: http://arxiv.org/abs/2305.00673v1
- Date: Mon, 1 May 2023 06:06:51 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-02 13:50:20.044537
- Title: Bidirectional Copy-Paste for Semi-Supervised Medical Image Segmentation
- Title(参考訳): 半監督型医用画像分割のための双方向コピーペースト
- Authors: Yunhao Bai, Duowen Chen, Qingli Li, Wei Shen and Yan Wang
- Abstract要約: 半教師付き医用画像セグメンテーションでは、ラベル付きデータとラベルなしデータの間に経験的ミスマッチ問題が存在する。
本稿では, ラベル付きとラベルなしのデータを双方向にコピー・ペーストする, 問題を緩和するための簡単な手法を提案する。
実験の結果,各種半教師付き医用画像セグメンテーションデータセットの他の最先端技術と比較すると,ACDCデータセットでは21%以上のDiceの改善が見られた(5%ラベル付きデータ)。
- 参考スコア(独自算出の注目度): 15.815414883505722
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In semi-supervised medical image segmentation, there exist empirical mismatch
problems between labeled and unlabeled data distribution. The knowledge learned
from the labeled data may be largely discarded if treating labeled and
unlabeled data separately or in an inconsistent manner. We propose a
straightforward method for alleviating the problem - copy-pasting labeled and
unlabeled data bidirectionally, in a simple Mean Teacher architecture. The
method encourages unlabeled data to learn comprehensive common semantics from
the labeled data in both inward and outward directions. More importantly, the
consistent learning procedure for labeled and unlabeled data can largely reduce
the empirical distribution gap. In detail, we copy-paste a random crop from a
labeled image (foreground) onto an unlabeled image (background) and an
unlabeled image (foreground) onto a labeled image (background), respectively.
The two mixed images are fed into a Student network and supervised by the mixed
supervisory signals of pseudo-labels and ground-truth. We reveal that the
simple mechanism of copy-pasting bidirectionally between labeled and unlabeled
data is good enough and the experiments show solid gains (e.g., over 21% Dice
improvement on ACDC dataset with 5% labeled data) compared with other
state-of-the-arts on various semi-supervised medical image segmentation
datasets. Code is available at https://github.com/DeepMed-Lab-ECNU/BCP}.
- Abstract(参考訳): 半教師付き医用画像セグメンテーションでは、ラベル付きとラベルなしのデータ分散の間に経験的ミスマッチ問題が存在する。
ラベル付きデータから学んだ知識は、ラベル付きデータとラベル付きデータとを別々に扱う場合、あるいは一貫性のない方法で扱う場合、ほとんど破棄される。
単純な平均教師アーキテクチャを用いて,ラベル付きおよびラベル付されていないデータを双方向にコピー・ペーストする手法を提案する。
この方法は、ラベル付きデータから、内向きと外向きの両方で包括的な共通意味学を学ぶことを奨励する。
さらに重要なことは、ラベル付きおよびラベルなしデータの一貫した学習手順は、経験的分布ギャップを大幅に減らすことができる。
具体的には,ラベル付画像(背景)からラベル付画像(背景)へ,ラベル付画像(背景)からラベル付画像(背景)へ,ランダムな作物をコピー・ペーストする。
2つの混合画像は学生ネットワークに送信され、疑似ラベルと地対の混合監視信号によって監視される。
ラベル付きデータとラベル付きデータとを双方向にコピーペーストする簡単なメカニズムは十分であり、実験により、様々な半教師付き医用画像セグメンテーションデータセットにおける他の最先端データと比較して、adcdcデータセットの21%以上のdice改善(ラベル付きデータ)が得られた。
コードはhttps://github.com/DeepMed-Lab-ECNU/BCP}で入手できる。
関連論文リスト
- Dual-Decoder Consistency via Pseudo-Labels Guided Data Augmentation for
Semi-Supervised Medical Image Segmentation [13.707121013895929]
本稿では, Pseudo-Labels Guided Data Augmentation を用いた新しい半教師付き学習手法である Dual-Decoder Consistency を提案する。
我々は、同じエンコーダを維持しながら、生徒と教師のネットワークに異なるデコーダを使用します。
ラベルのないデータから学習するために、教師ネットワークによって生成された擬似ラベルを作成し、擬似ラベルでトレーニングデータを増強する。
論文 参考訳(メタデータ) (2023-08-31T09:13:34Z) - Dist-PU: Positive-Unlabeled Learning from a Label Distribution
Perspective [89.5370481649529]
本稿では,PU学習のためのラベル分布視点を提案する。
そこで本研究では,予測型と基底型のラベル分布間のラベル分布の整合性を追求する。
提案手法の有効性を3つのベンチマークデータセットで検証した。
論文 参考訳(メタデータ) (2022-12-06T07:38:29Z) - Improving Semi-supervised Deep Learning by using Automatic Thresholding
to Deal with Out of Distribution Data for COVID-19 Detection using Chest
X-ray Images [0.0]
ラベルなしデータセットにおける分布外データをフィルタリングする自動しきい値抽出法を提案する。
胸部X線画像を用いた新型コロナウイルス検出装置の訓練において,2つの簡単な自動しきい値設定法を検証した。
論文 参考訳(メタデータ) (2022-11-03T20:56:45Z) - Mutual- and Self- Prototype Alignment for Semi-supervised Medical Image
Segmentation [5.426994893258762]
ラベルのないデータをよりよく活用するための相互・自己プロトタイプアライメント(MSPA)フレームワークを提案する。
具体的には、相互プロトタイプアライメントはラベル付きデータとラベルなしデータの間の情報相互作用を強化する。
また,提案手法は,3つのデータセットに対して,最先端の半教師付きセグメンテーション手法を7つ上回っている。
論文 参考訳(メタデータ) (2022-06-03T02:59:22Z) - 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) - MIPR:Automatic Annotation of Medical Images with Pixel Rearrangement [7.39560318487728]
医用画像画素再構成(MIPR)という,別の角度からの注釈付きデータの欠如を解決する新しい手法を提案する。
MIPRは画像編集と擬似ラベル技術を組み合わせてラベル付きデータを取得する。
ISIC18での実験では,本手法による分節処理が医師のアノテーションと同等かそれ以上の効果があることが示されている。
論文 参考訳(メタデータ) (2022-04-22T05:54:14Z) - GuidedMix-Net: Semi-supervised Semantic Segmentation by Using Labeled
Images as Reference [90.5402652758316]
半教師付きセマンティックセマンティックセグメンテーションのための新しい手法である GuidedMix-Net を提案する。
ラベル付き情報を使用して、ラベルなしのインスタンスの学習をガイドする。
競合セグメンテーションの精度を達成し、mIoUを以前のアプローチに比べて+7$%大きく改善する。
論文 参考訳(メタデータ) (2021-12-28T06:48:03Z) - OpenCoS: Contrastive Semi-supervised Learning for Handling Open-set
Unlabeled Data [65.19205979542305]
ラベル付けされていないデータには、実際にはクラス外のサンプルが含まれる。
OpenCoSは、このリアルな半教師付き学習シナリオを扱う方法である。
論文 参考訳(メタデータ) (2021-06-29T06:10:05Z) - GuidedMix-Net: Learning to Improve Pseudo Masks Using Labeled Images as
Reference [153.354332374204]
半教師付きセマンティックセマンティックセグメンテーションのための新しい手法である GuidedMix-Net を提案する。
まず、ラベル付きデータとラベルなしデータの間に特徴アライメントの目的を導入し、類似した画像対をキャプチャする。
MITransは、ラベルなしデータのさらなるプログレッシブな精細化のための強力な知識モジュールであることが示されている。
ラベル付きデータに対する教師付き学習とともに、ラベル付きデータの予測が生成した擬似マスクとともに学習される。
論文 参考訳(メタデータ) (2021-06-29T02:48:45Z) - 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)
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。