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
- PMT: Progressive Mean Teacher via Exploring Temporal Consistency for Semi-Supervised Medical Image Segmentation [51.509573838103854]
医用画像セグメンテーションのための半教師付き学習フレームワークであるプログレッシブ平均教師(PMT)を提案する。
我々のPMTは、トレーニングプロセスにおいて、堅牢で多様な特徴を学習することで、高忠実な擬似ラベルを生成する。
CT と MRI の異なる2つのデータセットに対する実験結果から,本手法が最先端の医用画像分割法より優れていることが示された。
論文 参考訳（メタデータ） (2024-09-08T15:02:25Z) - Size Aware Cross-shape Scribble Supervision for Medical Image Segmentation [8.209508547149952]
医用画像のセグメンテーションタスクにおいて,ネットワークトレーニングの高速化のために,スクリブル・インスペクションが広く用いられている。
これは、特に医療画像の文脈において、様々なスケールターゲットを収容することの難しさに悩まされることが多い。
本稿では,これらの課題を克服する3つの新しい手法を提案する。1) クロス形状のスクリブルアノテーション法,2) クロス形状に基づく擬似マスク法,3) サイズ対応マルチブランチ法である。
論文 参考訳（メタデータ） (2024-08-24T17:55:02Z) - An Evidential-enhanced Tri-Branch Consistency Learning Method for Semi-supervised Medical Image Segmentation [8.507454166954139]
半教師付き医用画像セグメンテーションのためのEvidential Tri-Branch Consistency Learning framework (ETC-Net)を提案する。
ETC-Netは、明らかな保守枝、明らかな進歩枝、および明らかな融合枝の3つの枝を雇用している。
また,顕在的学習からの不確実性評価を相互監督訓練に統合し,誤った監視信号の負の影響を緩和する。
論文 参考訳（メタデータ） (2024-04-10T14:25:23Z) - Dual-scale Enhanced and Cross-generative Consistency Learning for Semi-supervised Medical Image Segmentation [49.57907601086494]
医用画像のセグメンテーションはコンピュータ支援診断において重要な役割を担っている。
半教師型医用画像(DEC-Seg)のための新しいDual-scale Enhanced and Cross-generative consistency learning frameworkを提案する。
論文 参考訳（メタデータ） (2023-12-26T12:56:31Z) - 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) - 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) - 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)
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。