論文の概要: Efficient Subclass Segmentation in Medical Images

• arxiv url: http://arxiv.org/abs/2307.00257v1
• Date: Sat, 1 Jul 2023 07:39:08 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-05 17:15:29.348226
• Title: Efficient Subclass Segmentation in Medical Images
• Title（参考訳）: 医用画像における効率的なサブクラスセグメンテーション
• Authors: Linrui Dai, Wenhui Lei, Xiaofan Zhang
• Abstract要約: コストを削減するための実現可能な方法の1つは、補体として限定されたきめ細かいアノテーションを使用しながら、粗い粒度のスーパークラスラベルでアノテートすることである。 セマンティックセグメンテーションタスクにおけるきめ細かいサブクラスの効率的な学習に関する研究が不足している。 提案手法は,サブクラスアノテーションが限定された完全サブクラスアノテーションと十分なスーパークラスアノテーションで訓練されたモデルに匹敵する精度を実現する。
• 参考スコア（独自算出の注目度）: 3.383033695275859
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: As research interests in medical image analysis become increasingly fine-grained, the cost for extensive annotation also rises. One feasible way to reduce the cost is to annotate with coarse-grained superclass labels while using limited fine-grained annotations as a complement. In this way, fine-grained data learning is assisted by ample coarse annotations. Recent studies in classification tasks have adopted this method to achieve satisfactory results. However, there is a lack of research on efficient learning of fine-grained subclasses in semantic segmentation tasks. In this paper, we propose a novel approach that leverages the hierarchical structure of categories to design network architecture. Meanwhile, a task-driven data generation method is presented to make it easier for the network to recognize different subclass categories. Specifically, we introduce a Prior Concatenation module that enhances confidence in subclass segmentation by concatenating predicted logits from the superclass classifier, a Separate Normalization module that stretches the intra-class distance within the same superclass to facilitate subclass segmentation, and a HierarchicalMix model that generates high-quality pseudo labels for unlabeled samples by fusing only similar superclass regions from labeled and unlabeled images. Our experiments on the BraTS2021 and ACDC datasets demonstrate that our approach achieves comparable accuracy to a model trained with full subclass annotations, with limited subclass annotations and sufficient superclass annotations. Our approach offers a promising solution for efficient fine-grained subclass segmentation in medical images. Our code is publicly available here.
• Abstract（参考訳）: 医用画像解析における研究の関心が細粒化していくにつれ、広範な注記のコストも上昇する。 コスト削減の可能な1つの方法は、補体として限定されたきめ細かいアノテーションを使用しながら、粗い粒度のスーパークラスラベルで注釈を付けることである。 このように、きめ細かいデータ学習は、十分な粗いアノテーションによって支援される。 分類タスクの最近の研究はこの手法を採用し、良好な結果を得た。 しかし、セマンティックセグメンテーションタスクにおけるきめ細かいサブクラスを効率的に学習する研究は乏しい。 本稿では,ネットワークアーキテクチャを設計するためにカテゴリの階層構造を利用する新しい手法を提案する。 一方,タスク駆動型データ生成手法が提案され,ネットワークが様々なサブクラスを識別しやすくなった。 具体的には、予測ロジットをスーパークラス分類器から連結することでサブクラスセグメンテーションの信頼性を高めるプリエントコンカニエーションモジュールと、サブクラスセグメンテーションを容易にするためにクラス内のクラス間距離を拡大する分離正規化モジュールと、ラベル付きおよびラベルなし画像から類似のスーパークラス領域のみを融合して、ラベル付きサンプルに対して高品質な擬似ラベルを生成する階層Mixモデルを導入する。 BraTS2021およびACDCデータセットを用いた実験により,本手法は,サブクラスアノテーションに制限のある完全サブクラスアノテーションと十分なスーパークラスアノテーションで訓練されたモデルに匹敵する精度を達成できることを示した。 提案手法は,医用画像の微細なサブクラス分割を効率的に行うための有望なソリューションである。 私たちのコードはここで公開されている。

関連論文リスト

• Instance-level Few-shot Learning with Class Hierarchy Mining [26.273796311012042]
  我々は階層的な情報を利用して、新しいオブジェクトを効果的に分類するために、基本クラスの識別的および関連する特徴を活用する。 これらの特徴は、不足したデータを持つクラスを合理的に記述するために使用できる、ベースクラスの豊富なデータから抽出される。 FSISにおける階層型検出器を効果的に訓練するために,細粒度クラス間の関係をより詳細に記述するためにラベル改良を適用した。
  論文  参考訳（メタデータ） (2023-04-15T02:55:08Z)
• Learning Context-aware Classifier for Semantic Segmentation [88.88198210948426]
  本稿では,文脈認識型分類器の学習を通じて文脈ヒントを利用する。 本手法はモデルに依存しないため,ジェネリックセグメンテーションモデルにも容易に適用できる。 無視できる追加パラメータと+2%の推論時間だけで、小型モデルと大型モデルの両方で十分な性能向上が達成されている。
  論文  参考訳（メタデータ） (2023-03-21T07:00:35Z)
• Enhancing Classification with Hierarchical Scalable Query on Fusion Transformer [0.4129225533930965]
  本稿では,学習可能な独立クエリ埋め込みによる階層的手法により,きめ細かい分類を向上する手法を提案する。 階層構造の概念を利用して、あらゆるレベルにわたってスケーラブルなクエリの埋め込みを学びます。 本手法は, 細粒度分類において, 従来の手法よりも11%の精度で性能を向上できる。
  論文  参考訳（メタデータ） (2023-02-28T11:00:55Z)
• Interclass Prototype Relation for Few-Shot Segmentation [0.0]
  少数ショットのセグメンテーションでは、特徴空間におけるターゲットクラスデータの分布は狭く、サンプルデータのわずかなばらつきのため、カバレッジが低い。 本研究は,他のクラス間の類似性を低減し,分離性能を向上するInterclass Prototype Relation Network (IPRNet)を提案する。
  論文  参考訳（メタデータ） (2022-11-16T05:27:52Z)
• A Novel Plug-in Module for Fine-Grained Visual Classification [0.19336815376402716]
  本稿では,多くの一般的なバックボーンと一体化して,強力な識別領域を提供する新しいプラグインモジュールを提案する。 実験の結果,提案するプラグインモジュールは最先端のアプローチよりも優れていた。
  論文  参考訳（メタデータ） (2022-02-08T12:35:58Z)
• Scaling up Multi-domain Semantic Segmentation with Sentence Embeddings [81.09026586111811]
  ゼロショット設定に適用した場合、最先端の教師付き性能を実現するセマンティックセマンティックセマンティクスへのアプローチを提案する。 これは各クラスラベルを、クラスを記述する短い段落のベクトル値の埋め込みに置き換えることによって達成される。 結果として得られた200万以上の画像の統合セマンティックセグメンテーションデータセットは、7つのベンチマークデータセット上の最先端の教師付きメソッドと同等のパフォーマンスを達成するモデルをトレーニングすることができる。
  論文  参考訳（メタデータ） (2022-02-04T07:19:09Z)
• Learning Debiased and Disentangled Representations for Semantic Segmentation [52.35766945827972]
  セマンティックセグメンテーションのためのモデルに依存しない訓練手法を提案する。 各トレーニングイテレーションで特定のクラス情報をランダムに除去することにより、クラス間の機能依存を効果的に削減する。 提案手法で訓練したモデルは,複数のセマンティックセグメンテーションベンチマークにおいて強い結果を示す。
  論文  参考訳（メタデータ） (2021-10-31T16:15:09Z)
• Grafit: Learning fine-grained image representations with coarse labels [114.17782143848315]
  本稿では,学習ラベルの提供するものよりも細かな表現を学習する問題に対処する。 粗いラベルと下層の細粒度潜在空間を併用することにより、カテゴリレベルの検索手法の精度を大幅に向上させる。
  論文  参考訳（メタデータ） (2020-11-25T19:06:26Z)
• No Subclass Left Behind: Fine-Grained Robustness in Coarse-Grained Classification Problems [20.253644336965042]
  実世界の分類タスクでは、各クラスは、しばしば複数のよりきめ細かい「サブクラス」を含む。 サブクラスラベルは頻繁に利用できないため、粗粒度のクラスラベルのみを使用してトレーニングされたモデルは、異なるサブクラス間で高い可変性能を示すことが多い。 本稿では,サブクラスラベルが不明な場合でも,隠れ層化を計測・緩和するGEORGEを提案する。
  論文  参考訳（メタデータ） (2020-11-25T18:50:32Z)
• Weakly-Supervised Semantic Segmentation via Sub-category Exploration [73.03956876752868]
  我々は、オブジェクトの他の部分に注意を払うために、ネットワークを強制する単純で効果的なアプローチを提案する。 具体的には、画像の特徴をクラスタリングして、アノテーション付き親クラスごとに擬似サブカテゴリラベルを生成する。 提案手法の有効性を検証し,提案手法が最先端手法に対して良好に機能することを示す。
  論文  参考訳（メタデータ） (2020-08-03T20:48:31Z)
• UniT: Unified Knowledge Transfer for Any-shot Object Detection and Segmentation [52.487469544343305]
  オブジェクト検出とセグメンテーションの方法は、トレーニングのための大規模インスタンスレベルのアノテーションに依存します。 本稿では,直感的かつ統一的な半教師付きモデルを提案する。
  論文  参考訳（メタデータ） (2020-06-12T22:45:47Z)

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。