論文の概要: Dual-Decoder Consistency via Pseudo-Labels Guided Data Augmentation for
Semi-Supervised Medical Image Segmentation
- arxiv url: http://arxiv.org/abs/2308.16573v3
- Date: Thu, 18 Jan 2024 09:25:19 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-19 20:07:57.227133
- Title: Dual-Decoder Consistency via Pseudo-Labels Guided Data Augmentation for
Semi-Supervised Medical Image Segmentation
- Title（参考訳）: 半監督医用画像分割のための擬似ラベルガイドデータ拡張によるデュアルデコーダの整合性
- Authors: Yuanbin Chen, Tao Wang, Hui Tang, Longxuan Zhao, Ruige Zong, Shun
Chen, Tao Tan, Xinlin Zhang, Tong Tong
- Abstract要約: 本稿では, Pseudo-Labels Guided Data Augmentation を用いた新しい半教師付き学習手法である Dual-Decoder Consistency を提案する。
我々は、同じエンコーダを維持しながら、生徒と教師のネットワークに異なるデコーダを使用します。
ラベルのないデータから学習するために、教師ネットワークによって生成された擬似ラベルを作成し、擬似ラベルでトレーニングデータを増強する。
- 参考スコア（独自算出の注目度）: 13.707121013895929
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: While supervised learning has achieved remarkable success, obtaining
large-scale labeled datasets in biomedical imaging is often impractical due to
high costs and the time-consuming annotations required from radiologists.
Semi-supervised learning emerges as an effective strategy to overcome this
limitation by leveraging useful information from unlabeled datasets. In this
paper, we present a novel semi-supervised learning method, Dual-Decoder
Consistency via Pseudo-Labels Guided Data Augmentation (DCPA), for medical
image segmentation. We devise a consistency regularization to promote
consistent representations during the training process. Specifically, we use
distinct decoders for student and teacher networks while maintain the same
encoder. Moreover, to learn from unlabeled data, we create pseudo-labels
generated by the teacher networks and augment the training data with the
pseudo-labels. Both techniques contribute to enhancing the performance of the
proposed method. The method is evaluated on three representative medical image
segmentation datasets. Comprehensive comparisons with state-of-the-art
semi-supervised medical image segmentation methods were conducted under typical
scenarios, utilizing 10% and 20% labeled data, as well as in the extreme
scenario of only 5% labeled data. The experimental results consistently
demonstrate the superior performance of our method compared to other methods
across the three semi-supervised settings. The source code is publicly
available at https://github.com/BinYCn/DCPA.git.
- Abstract（参考訳）: 教師付き学習は目覚ましい成功を収めてきたが、バイオメディカルイメージングにおける大規模ラベル付きデータセットの取得は、高コストと放射線技師が必要とする時間的アノテーションのため、しばしば不可能である。
半教師付き学習は、ラベルのないデータセットから有用な情報を活用することで、この制限を克服するための効果的な戦略として現れる。
本稿では,医用画像セグメンテーションのための新しい半教師付き学習手法であるDual-Decoder ConsistencyをPseudo-Labels Guided Data Augmentation (DCPA)により提案する。
トレーニングプロセス中に一貫性のある表現を促進するために、一貫性の規則化を考案する。
具体的には、生徒と教師のネットワークに異なるデコーダを使用しながら、同じエンコーダをメンテナンスする。
さらに,ラベルなしデータから学習するために,教師ネットワークが生成する擬似ラベルを作成し,擬似ラベルによるトレーニングデータを増強する。
どちらの手法も,提案手法の性能向上に寄与する。
本手法は3つの医用画像セグメント化データセットを用いて評価する。
10%および20%のラベル付きデータと5%のラベル付きデータの極端なシナリオを用いて,最先端の半教師付き医用画像分割法との包括的比較を行った。
実験の結果, 3つの半教師付き設定における他の手法と比較して, 優れた性能を示すことができた。
ソースコードはhttps://github.com/BinYCn/DCPA.gitで公開されている。
関連論文リスト
- GuidedNet: Semi-Supervised Multi-Organ Segmentation via Labeled Data Guide Unlabeled Data [4.775846640214768]
半監督型多臓器画像分割は、医師が疾患の診断と治療計画を改善するのに役立つ。
キーとなる概念は、ラベル付きデータとラベルなしデータからのボクセル機能は、同じクラスに属する可能性が高い機能空間で互いに近接しているということである。
我々は、ラベル付きデータから得られた事前知識を活用してラベルなしデータのトレーニングをガイドする知識伝達クロス擬似ラベルスーパービジョン(KT-CPS)戦略を導入する。
論文 参考訳（メタデータ） (2024-08-09T07:46:01Z) - Leveraging Fixed and Dynamic Pseudo-labels for Semi-supervised Medical Image Segmentation [7.9449756510822915]
半教師付き医用画像セグメンテーションは、注釈のないデータを利用する能力によって、関心が高まりつつある。
現在の最先端の手法は、主にコトレーニングフレームワーク内の擬似ラベルに依存している。
本稿では,同一の未注釈画像に対する複数の擬似ラベルを用いてラベルのないデータから学習する手法を提案する。
論文 参考訳（メタデータ） (2024-05-12T11:30:01Z) - CrossMatch: Enhance Semi-Supervised Medical Image Segmentation with Perturbation Strategies and Knowledge Distillation [7.6057981800052845]
CrossMatchは、ラベル付きデータとラベルなしデータの両方からモデルの学習を改善するために、知識蒸留とデュアル戦略レベルの機能レベルを統合する新しいフレームワークである。
本手法は,ラベル付きデータとラベルなしデータのトレーニングのギャップを効果的に最小化することにより,標準ベンチマークにおける他の最先端技術を大幅に超えている。
論文 参考訳（メタデータ） (2024-05-01T07:16:03Z) - Pseudo Label-Guided Data Fusion and Output Consistency for
Semi-Supervised Medical Image Segmentation [9.93871075239635]
より少ないアノテーションで医用画像のセグメンテーションを行うための平均教師ネットワーク上に構築されたPLGDFフレームワークを提案する。
本稿では,ラベル付きデータとラベルなしデータを組み合わせてデータセットを効果的に拡張する,新しい擬似ラベル利用方式を提案する。
本フレームワークは,最先端の6つの半教師あり学習手法と比較して,優れた性能が得られる。
論文 参考訳（メタデータ） (2023-11-17T06:36:43Z) - 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) - Pseudo-label Guided Cross-video Pixel Contrast for Robotic Surgical
Scene Segmentation with Limited Annotations [72.15956198507281]
シーンセグメンテーションを促進するために,新しい擬似ラベル付きクロスビデオコントラスト学習法であるPGV-CLを提案する。
本研究では,ロボット外科手術データセットEndoVis18と白内障手術データセットCaDISについて検討した。
論文 参考訳（メタデータ） (2022-07-20T05:42:19Z) - 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) - Dual-Teacher: Integrating Intra-domain and Inter-domain Teachers for
Annotation-efficient Cardiac Segmentation [65.81546955181781]
本稿では,新しい半教師付きドメイン適応手法,すなわちDual-Teacherを提案する。
学生モデルは、2つの教師モデルによってラベル付けされていない対象データとラベル付けされた情報源データの知識を学習する。
提案手法では, ラベルなしデータとモダリティ間データとを並列に利用でき, 性能が向上することを示した。
論文 参考訳（メタデータ） (2020-07-13T10:00:44Z) - 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) - 3D medical image segmentation with labeled and unlabeled data using
autoencoders at the example of liver segmentation in CT images [58.720142291102135]
本研究では、畳み込みニューラルネットワークによるセグメンテーションを改善するために、オートエンコーダ抽出機能の可能性を検討する。
コンボリューション・オートエンコーダを用いてラベルのないデータから特徴を抽出し,CT画像における3次元肝セグメンテーションの目標タスクを実行するために,マルチスケールの完全畳み込みCNNを用いた。
論文 参考訳（メタデータ） (2020-03-17T20:20:43Z)
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。