論文の概要: COLosSAL: A Benchmark for Cold-start Active Learning for 3D Medical Image Segmentation

• arxiv url: http://arxiv.org/abs/2307.12004v1
• Date: Sat, 22 Jul 2023 07:19:15 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-25 18:28:05.910017
• Title: COLosSAL: A Benchmark for Cold-start Active Learning for 3D Medical Image Segmentation
• Title（参考訳）: COLosSAL:3次元医用画像セグメンテーションのためのコールドスタートアクティブラーニングベンチマーク
• Authors: Han Liu, Hao Li, Xing Yao, Yubo Fan, Dewei Hu, Benoit Dawant, Vishwesh Nath, Zhoubing Xu, Ipek Oguz
• Abstract要約: アクティブラーニング(AL)は効率的なアノテーションのための有望なソリューションであるが、アクティブセレクションを開始するにはラベル付きサンプルの初期セットが必要である。 これはコールドスタートALとしても知られており、前述したデータにアクセスせずに専門家からアノテーションを要求できる機会は1つだけである。 COSALというベンチマークを公開医療宣言収集から5つの3次元医療セグメンテーションタスクについて,コールドスタートAL戦略を6つ評価し,その評価を行った。
• 参考スコア（独自算出の注目度）: 10.80144764655265
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Medical image segmentation is a critical task in medical image analysis. In recent years, deep learning based approaches have shown exceptional performance when trained on a fully-annotated dataset. However, data annotation is often a significant bottleneck, especially for 3D medical images. Active learning (AL) is a promising solution for efficient annotation but requires an initial set of labeled samples to start active selection. When the entire data pool is unlabeled, how do we select the samples to annotate as our initial set? This is also known as the cold-start AL, which permits only one chance to request annotations from experts without access to previously annotated data. Cold-start AL is highly relevant in many practical scenarios but has been under-explored, especially for 3D medical segmentation tasks requiring substantial annotation effort. In this paper, we present a benchmark named COLosSAL by evaluating six cold-start AL strategies on five 3D medical image segmentation tasks from the public Medical Segmentation Decathlon collection. We perform a thorough performance analysis and explore important open questions for cold-start AL, such as the impact of budget on different strategies. Our results show that cold-start AL is still an unsolved problem for 3D segmentation tasks but some important trends have been observed. The code repository, data partitions, and baseline results for the complete benchmark are publicly available at https://github.com/MedICL-VU/COLosSAL.
• Abstract（参考訳）: 医用画像分割は医用画像解析において重要な課題である。 近年、ディープラーニングベースのアプローチは、完全に注釈付きデータセットでトレーニングされた場合、例外的なパフォーマンスを示している。 しかし、特に3d医療画像では、データアノテーションが重大なボトルネックとなることが多い。 アクティブラーニング(AL)は効率的なアノテーションのための有望なソリューションであるが、アクティブセレクションを開始するにはラベル付きサンプルの初期セットが必要である。 データプール全体がラベル付けされていない場合、初期セットとしてアノテートするサンプルをどのように選択すればよいか? これはコールドスタートalとしても知られ、これまで注釈付きデータにアクセスせずに専門家からアノテーションをリクエストできる機会は1つしかない。 コールドスタートalは多くの実用的なシナリオで非常に関連があるが、特に十分なアノテーションを必要とする3d医療セグメンテーションタスクでは、過度に検討されている。 本稿では,COLosSALと命名されたベンチマークを,医用セグメンテーションデカトロンコレクションから5つの3次元医用画像セグメンテーションタスクに対して,コールドスタートAL戦略を6つ評価する。 我々は,冷間開始型ALにおいて,予算が異なる戦略に与える影響など,徹底的なパフォーマンス分析を行い,重要なオープンな質問を探索する。 その結果,冷間始動ALは3次元セグメンテーションタスクの未解決問題であるが,いくつかの重要な傾向が観察されている。 完全なベンチマークのためのコードリポジトリ、データパーティション、ベースライン結果はhttps://github.com/MedICL-VU/COLosSALで公開されている。

関連論文リスト

• PCDAL: A Perturbation Consistency-Driven Active Learning Approach for Medical Image Segmentation and Classification [12.560273908522714]
  監視された学習は、医用画像のアプリケーションを取得するのに費用がかかり、時間がかかり、実用的でない、大規模な注釈付きデータに大きく依存している。 アクティブラーニング(AL)手法は、アノテーションのコストを削減するために、自然な画像分類タスクに広く応用されている。 本稿では,2次元医用画像分類,セグメンテーション,および3次元医用画像分割タスクに同時に適用可能なALベースの手法を提案する。
  論文  参考訳（メタデータ） (2023-06-29T13:11:46Z)
• Extraction of volumetric indices from echocardiography: which deep learning solution for clinical use? [6.144041824426555]
  提案した3D nnU-Netは,2D法と繰り返しセグメンテーション法よりも優れていることを示す。 実験の結果、十分なトレーニングデータがあれば、3D nnU-Netは日常的な臨床機器の基準を満たす最初の自動化ツールとなる可能性が示唆された。
  論文  参考訳（メタデータ） (2023-05-03T09:38:52Z)
• Making Your First Choice: To Address Cold Start Problem in Vision Active Learning [90.24315238412407]
  アクティブラーニングは、最初に注釈付けされる最も重要なデータを反復的に選択することで、アノテーション効率を改善することを約束する。 我々はこれを視覚能動学習におけるコールドスタート問題とみなす。 本稿では,コントラスト学習の3つの利点を生かして,コールドスタート問題に対処する。
  論文  参考訳（メタデータ） (2022-10-05T17:59:50Z)
• Warm Start Active Learning with Proxy Labels \& Selection via Semi-Supervised Fine-Tuning [10.086685855244664]
  本稿では,3次元画像セグメンテーションに特化して,アクティブラーニング(AL)のための2つの新しい戦略を提案する。 まず、プロキシタスクを提案し、次にプロキシタスクから発生した不確実性を利用して、アノテートすべきラベルのないデータをランク付けすることで、コールドスタート問題に取り組む。 第2に、未ラベルのデータも第2段階で半教師付き微調整戦略として使用されるように、各アクティブイテレーション毎に2段階の学習フレームワークを構築している。
  論文  参考訳（メタデータ） (2022-09-13T20:21:40Z)
• 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)
• CvS: Classification via Segmentation For Small Datasets [52.821178654631254]
  本稿では,分類ラベルをセグメントマップの予測から導出する小型データセットのコスト効率の高い分類器であるCvSを提案する。 我々は,CvSが従来の手法よりもはるかに高い分類結果が得られることを示す多種多様な問題に対して,本フレームワークの有効性を評価する。
  論文  参考訳（メタデータ） (2021-10-29T18:41:15Z)
• Hierarchical Self-Supervised Learning for Medical Image Segmentation Based on Multi-Domain Data Aggregation [23.616336382437275]
  医用画像分割のための階層型自己監督学習(HSSL)を提案する。 まず、いくつかの医学的課題からデータセットを収集し、自己教師付きでネットワークを事前訓練し、最後にラベル付きデータに微調整します。 スクラッチから学習するのに比べ、新しい手法は様々なタスクにおいてより良いパフォーマンスをもたらす。
  論文  参考訳（メタデータ） (2021-07-10T18:17:57Z)
• Weakly-supervised Learning For Catheter Segmentation in 3D Frustum Ultrasound [74.22397862400177]
  超音波を用いた新しいカテーテルセグメンテーション法を提案する。 提案手法は,1ボリュームあたり0.25秒の効率で最先端の性能を実現した。
  論文  参考訳（メタデータ） (2020-10-19T13:56:22Z)
• The Devil is in Classification: A Simple Framework for Long-tail Object Detection and Instance Segmentation [93.17367076148348]
  本稿では,最新のロングテールLVISデータセットを用いて,最先端の2段階のインスタンスセグメンテーションモデルMask R-CNNの性能低下について検討する。 主な原因は、オブジェクト提案の不正確な分類である。 そこで本研究では,2段階のクラスバランスサンプリング手法により,分類ヘッドバイアスをより効果的に緩和する,簡単な校正フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-07-23T12:49:07Z)
• LRTD: Long-Range Temporal Dependency based Active Learning for Surgical Workflow Recognition [67.86810761677403]
  本稿では,費用対効果の高い手術ビデオ解析のための新しい能動的学習法を提案する。 具体的には,非局所的再帰的畳み込みネットワーク (NL-RCNet) を提案する。 手術ワークフロー認識タスクを実行することで,大規模な手術ビデオデータセット(Cholec80)に対するアプローチを検証する。
  論文  参考訳（メタデータ） (2020-04-21T09:21:22Z)

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。