論文の概要: Correlation-Aware Mutual Learning for Semi-supervised Medical Image Segmentation

• arxiv url: http://arxiv.org/abs/2307.06312v1
• Date: Wed, 12 Jul 2023 17:20:05 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-13 12:12:38.526671
• Title: Correlation-Aware Mutual Learning for Semi-supervised Medical Image Segmentation
• Title（参考訳）: 半教師型医用画像分割のための相互学習
• Authors: Shengbo Gao, Ziji Zhang, Jiechao Ma, Zihao Li and Shu Zhang
• Abstract要約: 既存の半教師付きセグメンテーション手法の多くは、ラベルのないデータから情報を取り出すことのみに焦点を当てている。 本稿では,ラベル付きデータを利用してラベル付きデータから情報を抽出する相関学習フレームワークを提案する。 提案手法は,CMA(Cross-sample Mutual Attention Module)とOCC(Omni-Correlation Consistency Module)の2つのモジュールを組み込んだ相互学習戦略に基づいている。
• 参考スコア（独自算出の注目度）: 5.045813144375637
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Semi-supervised learning has become increasingly popular in medical image segmentation due to its ability to leverage large amounts of unlabeled data to extract additional information. However, most existing semi-supervised segmentation methods only focus on extracting information from unlabeled data, disregarding the potential of labeled data to further improve the performance of the model. In this paper, we propose a novel Correlation Aware Mutual Learning (CAML) framework that leverages labeled data to guide the extraction of information from unlabeled data. Our approach is based on a mutual learning strategy that incorporates two modules: the Cross-sample Mutual Attention Module (CMA) and the Omni-Correlation Consistency Module (OCC). The CMA module establishes dense cross-sample correlations among a group of samples, enabling the transfer of label prior knowledge to unlabeled data. The OCC module constructs omni-correlations between the unlabeled and labeled datasets and regularizes dual models by constraining the omni-correlation matrix of each sub-model to be consistent. Experiments on the Atrial Segmentation Challenge dataset demonstrate that our proposed approach outperforms state-of-the-art methods, highlighting the effectiveness of our framework in medical image segmentation tasks. The codes, pre-trained weights, and data are publicly available.
• Abstract（参考訳）: 半教師付き学習は、大量のラベルのないデータを活用して追加情報を取り出す能力により、医療画像セグメンテーションで人気が高まっている。 しかし,既存の半教師付きセグメンテーション手法の多くは,ラベル付きデータから情報を抽出することのみに集中しており,ラベル付きデータの可能性を無視して,モデルの性能をさらに向上させている。 本稿では,ラベル付きデータを利用してラベル付きデータから情報の抽出を誘導する新しい相関認識相互学習(CAML)フレームワークを提案する。 本手法は,CMA(Cross-sample Mutual Attention Module)とOCC(Omni-Correlation Consistency Module)の2つのモジュールを組み込んだ相互学習戦略に基づいている。 CMAモジュールはサンプル群間の密接なクロスサンプル相関を確立し、ラベル前の知識をラベル付きデータに転送することを可能にする。 occモジュールはラベル付きデータセットとラベル付きデータセットの間の全相関を構築し、各サブモデルの全相関行列を一貫性を持たせることで双対モデルを定式化する。 Atrial Segmentation Challengeデータセットの実験では、提案手法は最先端の手法よりも優れており、医用画像分割タスクにおける我々のフレームワークの有効性を強調している。 コード、事前訓練された重量、データは公開されている。

関連論文リスト

• 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)
• Cross-model Mutual Learning for Exemplar-based Medical Image Segmentation [25.874281336821685]
  Exemplar-based Medical Image(CMEMS)のためのクロスモデル相互学習フレームワーク 外来医用画像のためのクロスモデル相互学習フレームワーク(CMEMS)について紹介する。
  論文  参考訳（メタデータ） (2024-04-18T00:18:07Z)
• Learnable Weight Initialization for Volumetric Medical Image Segmentation [66.3030435676252]
  本稿では,学習可能な重みに基づくハイブリッド医療画像セグメンテーション手法を提案する。 我々のアプローチはどんなハイブリッドモデルにも簡単に統合でき、外部のトレーニングデータを必要としない。 多臓器・肺がんセグメンテーションタスクの実験は、我々のアプローチの有効性を実証している。
  論文  参考訳（メタデータ） (2023-06-15T17:55:05Z)
• 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)
• 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)
• Uncertainty-Guided Mutual Consistency Learning for Semi-Supervised Medical Image Segmentation [9.745971699005857]
  医用画像セグメンテーションのための新しい不確実性誘導相互整合学習フレームワークを提案する。 タスクレベルの正規化によるタスク内一貫性学習と、タスク間の整合性学習を統合して、幾何学的な形状情報を活用する。 本手法は,ラベルのないデータを活用し,既存の半教師付きセグメンテーション法より優れた性能を実現する。
  論文  参考訳（メタデータ） (2021-12-05T08:19:41Z)
• 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)
• Dual-Teacher: Integrating Intra-domain and Inter-domain Teachers for Annotation-efficient Cardiac Segmentation [65.81546955181781]
  本稿では,新しい半教師付きドメイン適応手法,すなわちDual-Teacherを提案する。 学生モデルは、2つの教師モデルによってラベル付けされていない対象データとラベル付けされた情報源データの知識を学習する。 提案手法では, ラベルなしデータとモダリティ間データとを並列に利用でき, 性能が向上することを示した。
  論文  参考訳（メタデータ） (2020-07-13T10:00:44Z)
• 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)
• Semi-supervised Medical Image Classification with Relation-driven Self-ensembling Model [71.80319052891817]
  医用画像分類のための関係駆動型半教師付きフレームワークを提案する。 これは、摂動下で与えられた入力の予測一貫性を促進することでラベルのないデータを利用する。 本手法は,シングルラベルおよびマルチラベル画像分類のシナリオにおいて,最先端の半教師付き学習手法よりも優れる。
  論文  参考訳（メタデータ） (2020-05-15T06:57:54Z)

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。