論文の概要: Test-time augmentation-based active learning and self-training for
label-efficient segmentation
- arxiv url: http://arxiv.org/abs/2308.10727v1
- Date: Mon, 21 Aug 2023 13:50:41 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-22 13:20:26.820110
- Title: Test-time augmentation-based active learning and self-training for
label-efficient segmentation
- Title（参考訳）: ラベル効率セグメント化のためのテスト時間強化型アクティブラーニングと自己学習
- Authors: Bella Specktor-Fadida, Anna Levchakov, Dana Schonberger, Liat
Ben-Sira, Dafna Ben-Bashat, Leo Joskowicz
- Abstract要約: 自己学習(ST)とアクティブラーニング(AL)を組み合わせた新しい手法を提案する。
アノテーションのケースは、最小のDiceスコアに基づいて選択される。
選択された注釈付きケースは、既存の注釈付きケースと境界スライスアノテーション付きSTケースで訓練される。
- 参考スコア（独自算出の注目度）: 3.4396232862785894
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Deep learning techniques depend on large datasets whose annotation is
time-consuming. To reduce annotation burden, the self-training (ST) and
active-learning (AL) methods have been developed as well as methods that
combine them in an iterative fashion. However, it remains unclear when each
method is the most useful, and when it is advantageous to combine them. In this
paper, we propose a new method that combines ST with AL using Test-Time
Augmentations (TTA). First, TTA is performed on an initial teacher network.
Then, cases for annotation are selected based on the lowest estimated Dice
score. Cases with high estimated scores are used as soft pseudo-labels for ST.
The selected annotated cases are trained with existing annotated cases and ST
cases with border slices annotations. We demonstrate the method on MRI fetal
body and placenta segmentation tasks with different data variability
characteristics. Our results indicate that ST is highly effective for both
tasks, boosting performance for in-distribution (ID) and out-of-distribution
(OOD) data. However, while self-training improved the performance of
single-sequence fetal body segmentation when combined with AL, it slightly
deteriorated performance of multi-sequence placenta segmentation on ID data. AL
was helpful for the high variability placenta data, but did not improve upon
random selection for the single-sequence body data. For fetal body segmentation
sequence transfer, combining AL with ST following ST iteration yielded a Dice
of 0.961 with only 6 original scans and 2 new sequence scans. Results using
only 15 high-variability placenta cases were similar to those using 50 cases.
Code is available at: https://github.com/Bella31/TTA-quality-estimation-ST-AL
- Abstract（参考訳）: ディープラーニングのテクニックは、アノテーションが時間を要する大きなデータセットに依存する。
アノテーションの負担を軽減するために,自己学習(st)とアクティブラーニング(al)の手法と,それらを反復的に組み合わせる手法が開発されている。
しかしながら、各メソッドがいつ最も有用で、それらを組み合わせるのが有利であるかは、まだ不明である。
本稿では,テスト時間拡張(TTA)を用いたSTとALを組み合わせた新しい手法を提案する。
まず、TTAを初期教師ネットワーク上で行う。
そして、最も低い推定ダイススコアに基づいて、アノテーションのケースを選択する。
評価スコアの高い症例をSTのソフトな擬似ラベルとして使用し,既存の注釈付き症例と境界スライスアノテーションを用いたST症例を訓練した。
本研究では,MRIの胎児体と胎盤分割作業におけるデータ変動特性の異なる方法を示す。
以上の結果から,STは両タスクに極めて有効であることが示唆され,非分配(ID)とアウト・オブ・ディストリビューション(OOD)のデータのパフォーマンスが向上した。
しかし, ALと組み合わせた場合, シングルシーケンスの胎児体分割の性能は向上したが, 多シーケンスの胎盤分割の性能はわずかに低下した。
ALは高い変動率の胎盤データには有効であったが, 単系列体データに対するランダム選択では改善しなかった。
胎児体分画シークエンス転送では、ALとSTをST反復で組み合わせると、Diceは0.961で6つのオリジナルスキャンと2つの新しいシークエンススキャンしか得られなかった。
高変量胎盤症例は15例で50例と類似していた。
コードは以下の通り。 https://github.com/Bella31/TTA-quality-estimation-ST-AL
関連論文リスト
- Incremental Self-training for Semi-supervised Learning [56.57057576885672]
ISTは単純だが有効であり、既存の自己学習に基づく半教師あり学習手法に適合する。
提案したISTを5つのデータセットと2種類のバックボーンで検証し,認識精度と学習速度を効果的に向上させる。
論文 参考訳（メタデータ） (2024-04-14T05:02:00Z) - Decoupled Contrastive Learning for Long-Tailed Recognition [58.255966442426484]
Supervised Contrastive Loss (SCL) は視覚表現学習で人気がある。
ロングテール認識のシナリオでは、各クラスのサンプル数が不均衡である場合、2種類の正のサンプルを同じように扱うと、カテゴリー内距離に対するバイアス最適化が導かれる。
そこで我々は,尾級の低表現を緩和するために,頭級から尾級へ知識を伝達するためのパッチベースの自己蒸留法を提案する。
論文 参考訳（メタデータ） (2024-03-10T09:46:28Z) - Channel-Selective Normalization for Label-Shift Robust Test-Time Adaptation [16.657929958093824]
テスト時間適応は、推論中にモデルを新しいデータ分布に調整するアプローチである。
テスト時のバッチ正規化は、ドメインシフトベンチマークで魅力的なパフォーマンスを達成した、シンプルで一般的な方法である。
本稿では、ディープネットワークにおけるチャネルのみを選択的に適応させ、ラベルシフトに敏感な劇的な適応を最小化することで、この問題に対処することを提案する。
論文 参考訳（メタデータ） (2024-02-07T15:41:01Z) - Active learning for medical image segmentation with stochastic batches [13.171801108109198]
手動ラベリングを減らすために、アクティブラーニング(AL)は、ラベル付きトレーニングセットに注釈を付け、追加するために、未ラベルセットから最も情報性の高いサンプルをターゲットにする。
本研究の目的は、ランダムサンプリングによって提供される多様性と速度を利用して、医用画像のセグメント化のための不確実性に基づくAL手法の選択を改善することである。
論文 参考訳（メタデータ） (2023-01-18T17:25:55Z) - TAAL: Test-time Augmentation for Active Learning in Medical Image
Segmentation [7.856339385917824]
本稿では,セグメンテーションのための半教師付きアクティブラーニング手法であるTAAL(Test-time Augmentation for Active Learning)を提案する。
以上の結果から,TAALは既存のベースライン法よりも,完全教師付きと半教師付きの両方で優れていることが示された。
論文 参考訳（メタデータ） (2023-01-16T22:19:41Z) - Label-Noise Learning with Intrinsically Long-Tailed Data [65.41318436799993]
本稿では,本質的な長期データを用いたラベルノイズ学習のための学習フレームワークを提案する。
具体的には, 2段階の2次元試料選択法(TABASCO)を提案する。
論文 参考訳（メタデータ） (2022-08-21T07:47:05Z) - 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) - Dash: Semi-Supervised Learning with Dynamic Thresholding [72.74339790209531]
我々は、ラベルのない例を使ってモデルをトレーニングする半教師付き学習(SSL)アプローチを提案する。
提案手法であるDashは、ラベルなしデータ選択の観点から適応性を享受する。
論文 参考訳（メタデータ） (2021-09-01T23:52:29Z) - Implementation and Evaluation of a Multivariate Abstraction-Based,
Interval-Based Dynamic Time-Warping Method as a Similarity Measure for
Longitudinal Medical Records [1.52292571922932]
医療記録の生データを,4～5つの概念のうち最大3つの概念を2つのインターバルタイプに抽象化した。
すべての一次元(状態または勾配)または多次元(状態と勾配)の抽象組み合わせを作成しました。
抽象化を用いた平均分類と予測は,生のタイムスタンプデータのみを使用するよりも有意に良好であった。
論文 参考訳（メタデータ） (2021-05-18T11:41:42Z) - 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)
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。