論文の概要: AdLER: Adversarial Training with Label Error Rectification for One-Shot Medical Image Segmentation

• arxiv url: http://arxiv.org/abs/2309.00971v1
• Date: Sat, 2 Sep 2023 16:06:50 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-06 23:55:54.318402
• Title: AdLER: Adversarial Training with Label Error Rectification for One-Shot Medical Image Segmentation
• Title（参考訳）: adler: ワンショット医用画像セグメンテーションのためのラベル誤り訂正による逆行訓練
• Authors: Xiangyu Zhao, Sheng Wang, Zhiyun Song, Zhenrong Shen, Linlin Yao, Haolei Yuan, Qian Wang, Lichi Zhang
• Abstract要約: 逆トレーニングとラベル誤り訂正(AdLER)を併用した新しいワンショット医用画像分割法を提案する。 具体的には、新しい二重整合性制約を実装し、解剖学的整合性を保証し、登録エラーを低減する。 また,アトラス画像を増大させるための対角的トレーニング戦略も開発し,世代多様性とセグメンテーションの堅牢性を両立させる。
• 参考スコア（独自算出の注目度）: 24.902447478719303
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate automatic segmentation of medical images typically requires large datasets with high-quality annotations, making it less applicable in clinical settings due to limited training data. One-shot segmentation based on learned transformations (OSSLT) has shown promise when labeled data is extremely limited, typically including unsupervised deformable registration, data augmentation with learned registration, and segmentation learned from augmented data. However, current one-shot segmentation methods are challenged by limited data diversity during augmentation, and potential label errors caused by imperfect registration. To address these issues, we propose a novel one-shot medical image segmentation method with adversarial training and label error rectification (AdLER), with the aim of improving the diversity of generated data and correcting label errors to enhance segmentation performance. Specifically, we implement a novel dual consistency constraint to ensure anatomy-aligned registration that lessens registration errors. Furthermore, we develop an adversarial training strategy to augment the atlas image, which ensures both generation diversity and segmentation robustness. We also propose to rectify potential label errors in the augmented atlas images by estimating segmentation uncertainty, which can compensate for the imperfect nature of deformable registration and improve segmentation authenticity. Experiments on the CANDI and ABIDE datasets demonstrate that the proposed AdLER outperforms previous state-of-the-art methods by 0.7% (CANDI), 3.6% (ABIDE "seen"), and 4.9% (ABIDE "unseen") in segmentation based on Dice scores, respectively. The source code will be available at https://github.com/hsiangyuzhao/AdLER.
• Abstract（参考訳）: 医療画像の正確な自動セグメンテーションは、通常、高品質なアノテーションを持つ大規模なデータセットを必要とする。 学習変換(OSSLT)に基づくワンショットセグメンテーションは、ラベル付きデータが極めて限定されている場合、通常、教師なしの変形可能な登録、学習された登録によるデータ拡張、拡張されたデータから学習されたセグメンテーションを含む。 しかし、現在のワンショットセグメンテーション手法は、増大中のデータ多様性の制限と、不完全な登録による潜在的なラベルエラーによって難航している。 これらの課題に対処するため, ラベル誤り訂正(AdLER)を用いた一発画像分割手法を提案し, 生成データの多様性の向上とラベル誤りの修正を目標とし, セグメンテーション性能の向上を図る。 具体的には,新しい二重一貫性制約を実装し,登録エラーを低減させる解剖学的に整合した登録を実現する。 さらに,アトラス画像を強化するための逆訓練戦略を開発し,世代多様性とセグメンテーションの堅牢性を確保した。 また,変形可能な登録の不完全性を補うセグメンテーションの不確かさを推定し,セグメンテーションの信頼性を向上させることにより,拡張アトラス画像における潜在的なラベル誤りを正す手法を提案する。 CANDIデータセットとABIDEデータセットの実験では、提案されたAdLERは、Diceスコアに基づいたセグメンテーションにおいて、それぞれ0.7%(CANDI)、3.6%(ABIDE"seen")、4.9%(ABIDE"unseen")の従来の最先端手法よりも優れていた。 ソースコードはhttps://github.com/hsiangyuzhao/AdLERで入手できる。

関連論文リスト

• Learning Semi-Supervised Medical Image Segmentation from Spatial Registration [20.08775594086033]
  CCT-Rは、登録情報を組み込んだ対照的なクロスティーチングフレームワークである。 ボリュームペア間の登録で利用可能な意味情報を活用するために、CCT-Rは2つの提案されたモジュールを組み込んでいる。 各種半教師付き環境におけるCCT-Rの有効性と優位性について実験的に検証した。
  論文  参考訳（メタデータ） (2024-09-16T15:52:41Z)
• Towards Modality-agnostic Label-efficient Segmentation with Entropy-Regularized Distribution Alignment [62.73503467108322]
  この話題は、3次元の点雲のセグメンテーションで広く研究されている。 近年まで、擬似ラベルは、限られた地道ラベルによる訓練を容易にするために広く用いられてきた。 既存の擬似ラベリングアプローチは、重複しないデータのノイズやバリエーションに悩まされる可能性がある。 本研究では,学習用擬似ラベルを正規化し,擬似ラベルとモデル予測とのギャップを効果的に狭める学習戦略を提案する。
  論文  参考訳（メタデータ） (2024-08-29T13:31:15Z)
• 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)
• Self-training with dual uncertainty for semi-supervised medical image segmentation [9.538419502275975]
  従来の自己学習手法は、反復学習のための擬似ラベルを生成することによって、ラベル付きデータ不足の問題を部分的に解決することができる。 サンプルレベルと画素レベルの不確実性を加えて,自己学習フレームワークに基づくトレーニングプロセスの安定化を図る。 提案手法は,同じ設定下で両方のデータセットのセグメンテーション性能を向上する。
  論文  参考訳（メタデータ） (2023-04-10T07:57:24Z)
• Self-Supervised Correction Learning for Semi-Supervised Biomedical Image Segmentation [84.58210297703714]
  半教師付きバイオメディカルイメージセグメンテーションのための自己教師付き補正学習パラダイムを提案する。 共有エンコーダと2つの独立デコーダを含むデュアルタスクネットワークを設計する。 異なるタスクのための3つの医用画像分割データセットの実験により,本手法の優れた性能が示された。
  論文  参考訳（メタデータ） (2023-01-12T08:19:46Z)
• 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)
• Incorporating Semi-Supervised and Positive-Unlabeled Learning for Boosting Full Reference Image Quality Assessment [73.61888777504377]
  フル参照(FR)画像品質評価(IQA)は、その知覚的差異をプリズム品質基準で測定することにより、歪み画像の視覚的品質を評価する。 ラベルなしデータは、画像劣化または復元プロセスから容易に収集することができ、ラベルなしのトレーニングデータを利用してFR-IQA性能を高めることを奨励する。 本稿では, 半教師付き, 正の未ラベル学習(PU)を用いて, ラベルなしデータを活用し, オフレーヤの悪影響を軽減することを提案する。
  論文  参考訳（メタデータ） (2022-04-19T09:10:06Z)
• Learning from Partially Overlapping Labels: Image Segmentation under Annotation Shift [68.6874404805223]
  腹部臓器分節の文脈におけるラベルの重複から学ぶためのいくつかの方法を提案する。 半教師付きアプローチと適応的クロスエントロピー損失を組み合わせることで、不均一な注釈付きデータをうまく活用できることが判明した。
  論文  参考訳（メタデータ） (2021-07-13T09:22:24Z)
• Positional Contrastive Learning for Volumetric Medical Image Segmentation [13.086140606803408]
  コントラストデータペアを生成するための新しい位置コントラスト学習フレームワークを提案する。 提案手法は,半教師付き設定と移動学習の両方において既存の手法と比較して,セグメンテーション性能を大幅に向上させることができる。
  論文  参考訳（メタデータ） (2021-06-16T22:15:28Z)
• 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。