論文の概要: DHC: Dual-debiased Heterogeneous Co-training Framework for
Class-imbalanced Semi-supervised Medical Image Segmentation
- arxiv url: http://arxiv.org/abs/2307.11960v1
- Date: Sat, 22 Jul 2023 02:16:05 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-25 18:49:41.024158
- Title: DHC: Dual-debiased Heterogeneous Co-training Framework for
Class-imbalanced Semi-supervised Medical Image Segmentation
- Title(参考訳): dhc:クラス不均衡半教師付き医用画像セグメンテーションのための2自由度異種共同学習フレームワーク
- Authors: Haonan Wang and Xiaomeng Li
- Abstract要約: 半教師付き3次元医用画像セグメンテーションのためのDHC(Dual-debiased Heterogeneous Co-training)フレームワークを提案する。
具体的には,DistDW(Dis Distribution-aware Debiased Weighting)とDiffDW(DiffDW)の2つの損失重み付け戦略を提案する。
提案フレームワークは,クラス不均衡問題を緩和するために擬似ラベルを用いることで,大幅な改善を実現する。
- 参考スコア(独自算出の注目度): 19.033066343869862
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The volume-wise labeling of 3D medical images is expertise-demanded and
time-consuming; hence semi-supervised learning (SSL) is highly desirable for
training with limited labeled data. Imbalanced class distribution is a severe
problem that bottlenecks the real-world application of these methods but was
not addressed much. Aiming to solve this issue, we present a novel
Dual-debiased Heterogeneous Co-training (DHC) framework for semi-supervised 3D
medical image segmentation. Specifically, we propose two loss weighting
strategies, namely Distribution-aware Debiased Weighting (DistDW) and
Difficulty-aware Debiased Weighting (DiffDW), which leverage the pseudo labels
dynamically to guide the model to solve data and learning biases. The framework
improves significantly by co-training these two diverse and accurate
sub-models. We also introduce more representative benchmarks for
class-imbalanced semi-supervised medical image segmentation, which can fully
demonstrate the efficacy of the class-imbalance designs. Experiments show that
our proposed framework brings significant improvements by using pseudo labels
for debiasing and alleviating the class imbalance problem. More importantly,
our method outperforms the state-of-the-art SSL methods, demonstrating the
potential of our framework for the more challenging SSL setting. Code and
models are available at: https://github.com/xmed-lab/DHC.
- Abstract(参考訳): 3次元医用画像のボリュームワイドラベリングは専門知識と時間を要するため、限定ラベル付きデータによるトレーニングには半教師付き学習(SSL)が非常に望ましい。
不均衡なクラス分布は、これらの手法の現実的な応用をボトルネックにする深刻な問題であるが、あまり対処されなかった。
本稿では, この問題を解決するために, 半教師付き3次元医用画像セグメンテーションのための新しいDHCフレームワークを提案する。
具体的には、DistDW(Dis Distribution-aware Debiased Weighting)とDiffDW(Difficulty-aware Debiased Weighting)の2つの損失重み付け戦略を提案する。
このフレームワークは、これら2つの多様性と正確なサブモデルを共同でトレーニングすることで、大幅に改善される。
また、クラス不均衡な半教師付き医用画像セグメンテーションのための代表的ベンチマークも導入し、クラス不均衡設計の有効性を実証する。
提案手法は,疑似ラベルを用いたクラス不均衡問題の解消と緩和により,大幅な改善をもたらすことを示す。
さらに重要なことに、我々のメソッドは最先端のSSLメソッドよりも優れており、より難しいSSL設定のためのフレームワークの可能性を示しています。
コードとモデルは、https://github.com/xmed-lab/dhcで入手できる。
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) - Iterative Online Image Synthesis via Diffusion Model for Imbalanced
Classification [29.730360798234294]
医用画像分類におけるクラス不均衡問題に対処するための反復オンライン画像合成フレームワークを提案する。
このフレームワークにはオンライン画像合成(OIS)と精度適応サンプリング(AAS)という2つの重要なモジュールが組み込まれている。
不均衡な分類に対処するための提案手法の有効性を評価するため,HAM10000およびAPTOSデータセットを用いて実験を行った。
論文 参考訳(メタデータ) (2024-03-13T10:51:18Z) - Class-Specific Distribution Alignment for Semi-Supervised Medical Image
Classification [14.343079589464994]
CSDA(Class-Specific Distribution Alignment)は、自己学習に基づく半教師付き学習フレームワークである。
本手法は, 半教師付き皮膚疾患, 胸部疾患, 内視鏡的画像分類作業において, 競争力を発揮することを示す。
論文 参考訳(メタデータ) (2023-07-29T13:38:19Z) - SPLAL: Similarity-based pseudo-labeling with alignment loss for
semi-supervised medical image classification [11.435826510575879]
半教師付き学習(SSL)メソッドはラベル付きデータとラベルなしデータの両方を活用することで課題を軽減することができる。
医用画像分類のためのSSL法では,(1)ラベルなしデータセットの画像に対する信頼性の高い擬似ラベルの推定,(2)クラス不均衡によるバイアスの低減という2つの課題に対処する必要がある。
本稿では,これらの課題を効果的に解決する新しいSSLアプローチであるSPLALを提案する。
論文 参考訳(メタデータ) (2023-07-10T14:53:24Z) - Multi-Scale Cross Contrastive Learning for Semi-Supervised Medical Image
Segmentation [14.536384387956527]
医用画像の構造を分割するマルチスケールクロススーパービジョンコントラスト学習フレームワークを開発した。
提案手法は,頑健な特徴表現を抽出するために,地上構造と横断予測ラベルに基づくマルチスケール特徴と対比する。
Diceでは最先端の半教師あり手法を3.0%以上上回っている。
論文 参考訳(メタデータ) (2023-06-25T16:55:32Z) - 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) - Density-Aware Personalized Training for Risk Prediction in Imbalanced
Medical Data [89.79617468457393]
不均衡率(クラス密度差)のトレーニングモデルは、最適以下の予測につながる可能性がある。
この不均衡問題に対するモデルトレーニングのためのフレームワークを提案する。
実世界の医療データセットにおけるモデルの性能向上を実証する。
論文 参考訳(メタデータ) (2022-07-23T00:39:53Z) - PCCT: Progressive Class-Center Triplet Loss for Imbalanced Medical Image
Classification [55.703445291264]
不均衡トレーニングデータは、医用画像分類において重要な課題である。
クラス不均衡問題を軽減するために,PCCT(Progressive Class-Center Triplet)フレームワークを提案する。
PCCTフレームワークは、不均衡な訓練画像を用いた医用画像分類に効果的に機能する。
論文 参考訳(メタデータ) (2022-07-11T11:43:51Z) - Calibrating Label Distribution for Class-Imbalanced Barely-Supervised
Knee Segmentation [11.21648118505577]
半教師付き学習(SSL)は、ラベル付きデータの不十分なトレーニングに非常に望ましい。
うるさいラベルとバランスの取れないラベルを伴い, 膝のセグメンテーションをほとんど指導しない新しい枠組みを提案する。
我々の手法は最先端のSSLメソッドよりも優れています。
論文 参考訳(メタデータ) (2022-05-07T12:53:06Z) - Cross-Site Severity Assessment of COVID-19 from CT Images via Domain
Adaptation [64.59521853145368]
CT画像によるコロナウイルス病2019(COVID-19)の早期かつ正確な重症度評価は,集中治療単位のイベント推定に有効である。
ラベル付きデータを拡張し、分類モデルの一般化能力を向上させるためには、複数のサイトからデータを集約する必要がある。
この課題は、軽度の感染症と重度の感染症の集団不均衡、部位間のドメイン分布の相違、不均一な特徴の存在など、いくつかの課題に直面する。
論文 参考訳(メタデータ) (2021-09-08T07:56:51Z) - Medical Instrument Segmentation in 3D US by Hybrid Constrained
Semi-Supervised Learning [62.13520959168732]
3DUSにおける楽器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を提案する。
SSL学習を実現するため、Dual-UNetが提案されている。
提案手法は,Diceの約68.6%-69.1%,推定時間約1秒を実現している。
論文 参考訳(メタデータ) (2021-07-30T07:59:45Z)
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。