論文の概要: Consistency-guided Meta-Learning for Bootstrapping Semi-Supervised Medical Image Segmentation

• arxiv url: http://arxiv.org/abs/2307.11604v1
• Date: Fri, 21 Jul 2023 14:14:29 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-24 12:26:41.012563
• Title: Consistency-guided Meta-Learning for Bootstrapping Semi-Supervised Medical Image Segmentation
• Title（参考訳）: 半監督医療画像分割のための一貫性誘導メタラーニング
• Authors: Qingyue Wei, Lequan Yu, Xianhang Li, Wei Shao, Cihang Xie, Lei Xing, and Yuyin Zhou
• Abstract要約: 本稿では,半教師型医用画像セグメンテーションの課題に対処するためのメタラーニング手法である,ブートストラップ医療画像(MLB-Seg)を提案する。 提案手法ではまず,ラベルなしデータの初期ラベルを生成するために,クリーンなラベル付き画像の小さなセットにセグメンテーションモデルをトレーニングする。 前立腺領域と心房領域のセグメンテーションデータセットに関する実験結果から,提案手法は半監督下での最先端の結果が得られることが示された。
• 参考スコア（独自算出の注目度）: 34.421688340080195
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Medical imaging has witnessed remarkable progress but usually requires a large amount of high-quality annotated data which is time-consuming and costly to obtain. To alleviate this burden, semi-supervised learning has garnered attention as a potential solution. In this paper, we present Meta-Learning for Bootstrapping Medical Image Segmentation (MLB-Seg), a novel method for tackling the challenge of semi-supervised medical image segmentation. Specifically, our approach first involves training a segmentation model on a small set of clean labeled images to generate initial labels for unlabeled data. To further optimize this bootstrapping process, we introduce a per-pixel weight mapping system that dynamically assigns weights to both the initialized labels and the model's own predictions. These weights are determined using a meta-process that prioritizes pixels with loss gradient directions closer to those of clean data, which is based on a small set of precisely annotated images. To facilitate the meta-learning process, we additionally introduce a consistency-based Pseudo Label Enhancement (PLE) scheme that improves the quality of the model's own predictions by ensembling predictions from various augmented versions of the same input. In order to improve the quality of the weight maps obtained through multiple augmentations of a single input, we introduce a mean teacher into the PLE scheme. This method helps to reduce noise in the weight maps and stabilize its generation process. Our extensive experimental results on public atrial and prostate segmentation datasets demonstrate that our proposed method achieves state-of-the-art results under semi-supervision. Our code is available at https://github.com/aijinrjinr/MLB-Seg.
• Abstract（参考訳）: 医用画像撮影は目覚ましい進歩を遂げてきたが、通常は大量の高品質な注釈データを必要とする。 この負担を軽減するため、半教師付き学習は潜在的な解決策として注目を集めている。 本稿では,半教師付き医用画像セグメンテーションの課題に取り組むための新しい手法である,医療用画像セグメンテーション(mlb-seg)をブートストラップするメタラーニングについて述べる。 具体的には、まず、クリーンラベル付き画像の小さなセットでセグメンテーションモデルをトレーニングし、ラベル付きデータの初期ラベルを生成する。 このブートストラッププロセスをさらに最適化するために,初期化ラベルとモデル独自の予測の両方に動的に重みを割り当てる画素単位の重みマッピングシステムを導入する。 これらの重みは、正確な注釈付き画像の小さなセットに基づくクリーンデータに近い損失勾配方向の画素を優先するメタプロセスによって決定される。 メタラーニングプロセスを容易にするために,複数の拡張された入力から予測をセンシングすることにより,モデル自身の予測の品質を向上させる一貫性に基づく擬似ラベル強調(ple)スキームも導入する。 一つの入力を複数追加することで得られる重みマップの品質を向上させるために,平均教師をpleスキームに導入する。 この方法は重量マップのノイズ低減と生成過程の安定化に役立つ。 心房および前立腺のセグメンテーションデータセットに関する広範な実験結果から,提案手法が半スーパービジョンで最先端の結果が得られることを証明した。 私たちのコードはhttps://github.com/aijinrjinr/mlb-segで入手できる。

関連論文リスト

• Learning to Annotate Part Segmentation with Gradient Matching [58.100715754135685]
  本稿では,事前学習したGANを用いて,高品質な画像を生成することで,半教師付き部分分割タスクに対処することに焦点を当てる。 特に、アノテータ学習を学習から学習までの問題として定式化する。 提案手法は,実画像,生成された画像,さらには解析的に描画された画像を含む,幅広いラベル付き画像からアノテータを学習可能であることを示す。
  論文  参考訳（メタデータ） (2022-11-06T01:29:22Z)
• 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)
• 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)
• Self-Supervised Generative Style Transfer for One-Shot Medical Image Segmentation [10.634870214944055]
  医用画像のセグメンテーションにおいて、教師付きディープネットワークの成功は、豊富なラベル付きデータを必要とするコストが伴う。 本稿では,ボリューム画像分割ペアを合成可能なデータ拡張のための,新しいボリューム自己教師型学習法を提案する。 我々の研究の中心的信条は、ワンショット生成学習と自己指導型学習戦略の併用による恩恵を受けている。
  論文  参考訳（メタデータ） (2021-10-05T15:28:42Z)
• Self-Paced Contrastive Learning for Semi-supervisedMedical Image Segmentation with Meta-labels [6.349708371894538]
  メタラベルアノテーションを扱うために、コントラスト学習を適用することを提案する。 画像エンコーダの事前トレーニングにはメタラベルを使用し、半教師付きトレーニングを標準化する。 3つの異なる医用画像セグメンテーションデータセットの結果から,本手法は数回のスキャンでトレーニングしたモデルの性能を大幅に向上させることが示された。
  論文  参考訳（メタデータ） (2021-07-29T04:30:46Z)
• Semantic Segmentation with Generative Models: Semi-Supervised Learning and Strong Out-of-Domain Generalization [112.68171734288237]
  本論文では,画像とラベルの再生モデルを用いた識別画素レベルのタスクのための新しいフレームワークを提案する。 我々は,共同画像ラベルの分布を捕捉し,未ラベル画像の大規模な集合を用いて効率的に訓練する生成的対向ネットワークを学習する。 ドメイン内性能をいくつかのベースラインと比較し,ドメイン外一般化を極端に示す最初の例である。
  論文  参考訳（メタデータ） (2021-04-12T21:41:25Z)
• Modeling the Probabilistic Distribution of Unlabeled Data forOne-shot Medical Image Segmentation [40.41161371507547]
  我々は1ショットの脳磁気共鳴画像(MRI)画像分割のためのデータ拡張法を開発した。 提案手法は,MRI画像1枚(atlas)とラベルなし画像数枚のみを利用する。 本手法は最先端のワンショット医療セグメンテーション法より優れている。
  論文  参考訳（メタデータ） (2021-02-03T12:28:04Z)
• 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)
• Rectified Meta-Learning from Noisy Labels for Robust Image-based Plant Disease Diagnosis [64.82680813427054]
  植物病は食料安全保障と作物生産に対する主要な脅威の1つである。 1つの一般的なアプローチは、葉画像分類タスクとしてこの問題を変換し、強力な畳み込みニューラルネットワーク(CNN)によって対処できる。 本稿では,正規化メタ学習モジュールを共通CNNパラダイムに組み込んだ新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-03-17T09:51:30Z)

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。