論文の概要: C$^3$PS: Context-aware Conditional Cross Pseudo Supervision for
Semi-supervised Medical Image Segmentation
- arxiv url: http://arxiv.org/abs/2306.08275v1
- Date: Wed, 14 Jun 2023 06:25:25 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-16 20:16:06.257287
- Title: C$^3$PS: Context-aware Conditional Cross Pseudo Supervision for
Semi-supervised Medical Image Segmentation
- Title(参考訳): c$^3$ps:半教師付き医用画像セグメンテーションのための文脈認識条件付きクロス擬似監督
- Authors: Peng Liu and Guoyan Zheng
- Abstract要約: 本稿では,半教師型医用画像分割のための条件付きクロス擬似スーパービジョン(CCPS)機構を提案する。
CCPSにコンテキスト認識を導入し、擬似的監督のための擬似ラベルの品質を向上させる。
本手法は最先端手法よりも優れた性能を示す。
- 参考スコア(独自算出の注目度): 6.880416270823228
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Semi-supervised learning (SSL) methods, which can leverage a large amount of
unlabeled data for improved performance, has attracted increasing attention
recently. In this paper, we introduce a novel Context-aware Conditional Cross
Pseudo Supervision method (referred as C$^3$PS) for semi-supervised medical
image segmentation. Unlike previously published Cross Pseudo Supervision (CPS)
works, this paper introduces a novel Conditional Cross Pseudo Supervision
(CCPS) mechanism where the cross pseudo supervision is conditioned on a given
class label. Context-awareness is further introduced in the CCPS to improve the
quality of pseudo-labels for cross pseudo supervision. The proposed method has
the additional advantage that in the later training stage, it can focus on the
learning of hard organs. Validated on two typical yet challenging medical image
segmentation tasks, our method demonstrates superior performance over the
state-of-the-art methods.
- Abstract(参考訳): 性能向上のために大量のラベル付きデータを活用できる半教師付き学習(SSL)手法が近年注目を集めている。
本稿では,半教師型医用画像分割のためのコンテキスト対応コンディショナルクロス擬似スーパービジョン法(C$^3$PS)を提案する。
先述したクロス擬似監督 (cps) とは異なり、本論文では条件付きクロス擬似監督 (ccps) 機構を導入し、与えられたクラスラベル上でクロス擬似監督を行う。
文脈認識はCCPSにも導入され、相互監督のための擬似ラベルの品質が向上した。
提案手法には,後期の訓練段階において,硬臓器の学習に集中できるという利点がある。
医用画像分割作業の典型的な2つの課題に対して,本手法は最先端の手法よりも優れた性能を示す。
関連論文リスト
- Class Attention to Regions of Lesion for Imbalanced Medical Image
Recognition [59.28732531600606]
データ不均衡問題に対処するため,textbfClass textbfAttention to textbfRegions of the lesion (CARE)を提案する。
CAREフレームワークは、まれな疾患の病変領域を表すために、バウンディングボックスを必要とする。
その結果,自動バウンディングボックス生成によるCARE変種は,オリジナルのCAREフレームワークに匹敵することがわかった。
論文 参考訳(メタデータ) (2023-07-19T15:19:02Z) - Cross-supervised Dual Classifiers for Semi-supervised Medical Image
Segmentation [10.18427897663732]
半教師付き医用画像分割は、大規模医用画像解析に有望な解決策を提供する。
本稿では、二重分類器(DC-Net)に基づくクロス教師あり学習フレームワークを提案する。
LAとPancreas-CTデータセットの実験は、DC-Netが半教師付きセグメンテーションの他の最先端手法よりも優れていることを示している。
論文 参考訳(メタデータ) (2023-05-25T16:23:39Z) - Inherent Consistent Learning for Accurate Semi-supervised Medical Image
Segmentation [30.06702813637713]
頑健なセマンティックなカテゴリー表現を学習するための新しい一貫性のある一貫性学習法を提案する。
提案手法は,特に注釈付きデータの数が極端に限られている場合,最先端の手法よりも優れる。
論文 参考訳(メタデータ) (2023-03-24T17:38:03Z) - Rethinking Semi-Supervised Medical Image Segmentation: A
Variance-Reduction Perspective [51.70661197256033]
医用画像セグメンテーションのための階層化グループ理論を用いた半教師付きコントラスト学習フレームワークARCOを提案する。
まず、分散還元推定の概念を用いてARCOを構築することを提案し、特定の分散還元技術が画素/ボクセルレベルのセグメンテーションタスクにおいて特に有用であることを示す。
5つの2D/3D医療データセットと3つのセマンティックセグメンテーションデータセットのラベル設定が異なる8つのベンチマークで、我々のアプローチを実験的に検証する。
論文 参考訳(メタデータ) (2023-02-03T13:50:25Z) - RCPS: Rectified Contrastive Pseudo Supervision for Semi-Supervised
Medical Image Segmentation [26.933651788004475]
我々は、RCPS(Rectified Contrastive Pseudo Supervision)という、新しい半教師付きセグメンテーション手法を提案する。
RCPSは、修正された疑似監督とボクセルレベルのコントラスト学習を組み合わせて、半教師付きセグメンテーションの有効性を向上させる。
実験結果から, 半教師付き医用画像分割における最先端手法と比較して, 高いセグメンテーション性能が得られた。
論文 参考訳(メタデータ) (2023-01-13T12:03:58Z) - 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) - All-Around Real Label Supervision: Cyclic Prototype Consistency Learning
for Semi-supervised Medical Image Segmentation [41.157552535752224]
半教師付き学習は、費用がかかる専門家によるアノテーションの取得の重い負担を軽減するため、医用画像のセグメンテーションが大幅に進歩している。
本稿では,ラベル付き-ラベル付き(L2U)フォワードプロセスとラベル付き-ラベル付き(U2L)バックワードプロセスによって構築された,新しいサイクリックプロトタイプ一貫性学習(CPCL)フレームワークを提案する。
我々のフレームワークは、過去のtextit"教師なし"一貫性を新しいtextit"教師なし"一貫性に変える。
論文 参考訳(メタデータ) (2021-09-28T14:34:06Z) - Contrastive Semi-Supervised Learning for 2D Medical Image Segmentation [16.517086214275654]
フルイメージではなく,画像パッチにContrastive Learning(CL)を適用した,新しい半教師付き2次元医療セグメンテーションソリューションを提案する。
これらのパッチは、擬似ラベリングによって得られた異なるクラスの意味情報を用いて有意義に構築される。
また,コントラスト学習と相乗効果を持つ新しい整合正規化手法を提案する。
論文 参考訳(メタデータ) (2021-06-12T15:43:24Z) - Multi-label Thoracic Disease Image Classification with Cross-Attention
Networks [65.37531731899837]
胸部X線画像から胸部疾患を自動分類するためのCAN(Cross-Attention Networks)を提案する。
また,クロスエントロピー損失を超える新たな損失関数を設計し,クラス間の不均衡を克服する。
論文 参考訳(メタデータ) (2020-07-21T14:37:00Z) - Deep Q-Network-Driven Catheter Segmentation in 3D US by Hybrid
Constrained Semi-Supervised Learning and Dual-UNet [74.22397862400177]
本稿では,教師付き学習手法よりも少ないアノテーションを要求できる新しいカテーテルセグメンテーション手法を提案する。
提案手法では,Voxelレベルのアノテーションを避けるために,深層Q学習を事前局所化ステップとみなす。
検出されたカテーテルでは、パッチベースのDual-UNetを使用してカテーテルを3Dボリュームデータに分割する。
論文 参考訳(メタデータ) (2020-06-25T21:10:04Z) - Self-supervised Equivariant Attention Mechanism for Weakly Supervised
Semantic Segmentation [93.83369981759996]
本稿では,自己監督同変注意機構(SEAM)を提案する。
本手法は,完全教師付きセマンティックセグメンテーションにおいて,同値が暗黙の制約であることを示す。
本稿では,ネットワーク学習のための自己スーパービジョンを提供するために,様々な変換画像から予測されたCAMの整合性正則化を提案する。
論文 参考訳(メタデータ) (2020-04-09T14:57:57Z)
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。