論文の概要: Discrepancy-based Active Learning for Weakly Supervised Bleeding Segmentation in Wireless Capsule Endoscopy Images

• arxiv url: http://arxiv.org/abs/2308.05137v1
• Date: Wed, 9 Aug 2023 15:04:17 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-11 14:50:09.101339
• Title: Discrepancy-based Active Learning for Weakly Supervised Bleeding Segmentation in Wireless Capsule Endoscopy Images
• Title（参考訳）: 無線カプセル内視鏡画像における弱監督型ブラディングセグメンテーションのための離散性に基づくアクティブラーニング
• Authors: Fan Bai, Xiaohan Xing, Yutian Shen, Han Ma, Max Q.-H. Meng
• Abstract要約: 本稿では,CAMと地上の真理のギャップをいくつかのアノテーションで埋めるために,新たな離散型ベースEdアクティブラーニング手法を提案する。 具体的には、労働を解放するために、ノイズの多いCAMを正確なモデル予測といくつかの人間ラベルに置き換えるために、新しい離散デコーダとCAMPUS基準を設計する。 提案手法は最先端のアクティブラーニング手法より優れており,トレーニングデータの10%しかラベル付けされていない完全アノテートデータセットでトレーニングされたものと同等の性能を発揮する。
• 参考スコア（独自算出の注目度）: 36.39723547760312
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Weakly supervised methods, such as class activation maps (CAM) based, have been applied to achieve bleeding segmentation with low annotation efforts in Wireless Capsule Endoscopy (WCE) images. However, the CAM labels tend to be extremely noisy, and there is an irreparable gap between CAM labels and ground truths for medical images. This paper proposes a new Discrepancy-basEd Active Learning (DEAL) approach to bridge the gap between CAMs and ground truths with a few annotations. Specifically, to liberate labor, we design a novel discrepancy decoder model and a CAMPUS (CAM, Pseudo-label and groUnd-truth Selection) criterion to replace the noisy CAMs with accurate model predictions and a few human labels. The discrepancy decoder model is trained with a unique scheme to generate standard, coarse and fine predictions. And the CAMPUS criterion is proposed to predict the gaps between CAMs and ground truths based on model divergence and CAM divergence. We evaluate our method on the WCE dataset and results show that our method outperforms the state-of-the-art active learning methods and reaches comparable performance to those trained with full annotated datasets with only 10% of the training data labeled.
• Abstract（参考訳）: クラスアクティベーションマップ(CAM)をベースとした弱教師付き手法は,無線カプセル内視鏡(WCE)画像の低アノテーション化による出血セグメンテーションを実現するために応用されている。 しかし、CAMラベルは非常にうるさい傾向があり、医療画像のCAMラベルと地上の真実との間には不可分なギャップがある。 本稿では,カムと基底真理のギャップを若干のアノテーションで橋渡しする,deal(disrepancy-based active learning)アプローチを提案する。 具体的には、労働を解放するために、新しい離散デコーダモデルとCAMPUS(CAM、Pseudo-label、groUnd-truth Selection)の基準を設計し、ノイズの多いCAMを正確なモデル予測といくつかの人間ラベルに置き換える。 離散デコーダモデルは、標準、粗い、微妙な予測を生成する独自のスキームで訓練される。 また,CAMPUSの基準は,モデル発散とCAM発散に基づくCAMと基底真理のギャップを予測するために提案されている。 本手法をwceデータセット上で評価し,本手法が最先端のアクティブラーニング手法を上回っており,10%のラベル付きトレーニングデータを持つ完全注釈データセットでトレーニングした手法に匹敵する性能を示す。

関連論文リスト

• Noisy Correspondence Learning with Self-Reinforcing Errors Mitigation [63.180725016463974]
  クロスモーダル検索は、実際は精力的な、十分に整合した大規模データセットに依存している。 我々は、新しい雑音対応学習フレームワーク、textbfSelf-textbfReinforcing textbfErrors textbfMitigation(SREM)を導入する。
  論文  参考訳（メタデータ） (2023-12-27T09:03:43Z)
• BroadCAM: Outcome-agnostic Class Activation Mapping for Small-scale Weakly Supervised Applications [69.22739434619531]
  そこで我々はBroadCAMと呼ばれる結果に依存しないCAMアプローチを提案する。 VOC2012でBroadCAM、WSSSでBCSS-WSSS、WSOLでOpenImages30kを評価することで、BroadCAMは優れたパフォーマンスを示している。
  論文  参考訳（メタデータ） (2023-09-07T06:45:43Z)
• Exploring Weakly Supervised Semantic Segmentation Ensembles for Medical Imaging Systems [11.693197342734152]
  画像中の医療条件の信頼性の高い分類と検出のための枠組みを提案する。 我々のフレームワークは、まず低しきい値CAMを用いてターゲットオブジェクトを高い確実性でカバーする。 我々は,BRATSでは最大8%,DECATHLONデータセットでは6%の改善ダイススコアを実証した。
  論文  参考訳（メタデータ） (2023-03-14T13:31:05Z)
• 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)
• 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)
• Mixed-UNet: Refined Class Activation Mapping for Weakly-Supervised Semantic Segmentation with Multi-scale Inference [28.409679398886304]
  我々は、デコードフェーズに2つの並列分岐を持つMixed-UNetという新しいモデルを開発する。 地域病院や公開データセットから収集したデータセットに対して,いくつかの一般的なディープラーニングに基づくセグメンテーションアプローチに対して,設計したMixed-UNetを評価した。
  論文  参考訳（メタデータ） (2022-05-06T08:37:02Z)
• BoostMIS: Boosting Medical Image Semi-supervised Learning with Adaptive Pseudo Labeling and Informative Active Annotation [39.9910035951912]
  本稿では,BoostMISという新しい半教師付き学習(SSL)フレームワークを提案する。 適応的な擬似ラベリングと情報的アクティブアノテーションを組み合わせて、医療画像SSLモデルの可能性を解き放つ。
  論文  参考訳（メタデータ） (2022-03-04T19:19:41Z)
• Towards Learning Spatially Discriminative Feature Representations [26.554140976236052]
  組込み特徴写像をクラスアクティベーションマップ(CAM)に制約する新しい損失関数(CAM-loss)を提案する。 CAM-lossはバックボーンを駆動し、ターゲットカテゴリの特徴を表現し、ターゲット以外のカテゴリやバックグラウンドの特徴を抑圧する。 実験の結果, CAM-lossは様々なネットワーク構造に適用可能であり, 画像分類の性能向上のために, 主流の正規化手法と組み合わせることができることがわかった。
  論文  参考訳（メタデータ） (2021-09-03T08:04:17Z)
• Deep Semi-supervised Knowledge Distillation for Overlapping Cervical Cell Instance Segmentation [54.49894381464853]
  本稿では, ラベル付きデータとラベルなしデータの両方を, 知識蒸留による精度向上に活用することを提案する。 摂動に敏感なサンプルマイニングを用いたマスク誘導型平均教師フレームワークを提案する。 実験の結果,ラベル付きデータのみから学習した教師付き手法と比較して,提案手法は性能を著しく向上することがわかった。
  論文  参考訳（メタデータ） (2020-07-21T13:27:09Z)

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。