Fugu-MT 論文翻訳(概要): Discrepancy Matters: Learning from Inconsistent Decoder Features for Consistent Semi-supervised Medical Image Segmentation

論文の概要: Discrepancy Matters: Learning from Inconsistent Decoder Features for Consistent Semi-supervised Medical Image Segmentation

arxiv url: http://arxiv.org/abs/2309.14819v1
Date: Tue, 26 Sep 2023 10:33:20 GMT
ステータス: 処理完了
システム内更新日: 2023-09-27 14:01:48.326400
Title: Discrepancy Matters: Learning from Inconsistent Decoder Features for Consistent Semi-supervised Medical Image Segmentation
Title（参考訳）: 相違点:整合性デコーダの特徴から学ぶ : 整合性半教師型医用画像分割法
Authors: Qingjie Zeng, Yutong Xie, Zilin Lu, Mengkang Lu and Yong Xia
Abstract要約: 本稿では,LeFeDと呼ばれる新しい半教師付き学習手法を提案する。 LeFeDは、デコーダから得られる特徴レベルの不一致を、フィードバック信号としてエンコーダに供給することで学習する。 LeFeDは、不確実性推定や強い制約など、競争相手に勝っている。
参考スコア（独自算出の注目度）: 16.136085351887814
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Semi-supervised learning (SSL) has been proven beneficial for mitigating the issue of limited labeled data especially on the task of volumetric medical image segmentation. Unlike previous SSL methods which focus on exploring highly confident pseudo-labels or developing consistency regularization schemes, our empirical findings suggest that inconsistent decoder features emerge naturally when two decoders strive to generate consistent predictions. Based on the observation, we first analyze the treasure of discrepancy in learning towards consistency, under both pseudo-labeling and consistency regularization settings, and subsequently propose a novel SSL method called LeFeD, which learns the feature-level discrepancy obtained from two decoders, by feeding the discrepancy as a feedback signal to the encoder. The core design of LeFeD is to enlarge the difference by training differentiated decoders, and then learn from the inconsistent information iteratively. We evaluate LeFeD against eight state-of-the-art (SOTA) methods on three public datasets. Experiments show LeFeD surpasses competitors without any bells and whistles such as uncertainty estimation and strong constraints, as well as setting a new state-of-the-art for semi-supervised medical image segmentation. Code is available at \textcolor{cyan}{https://github.com/maxwell0027/LeFeD}
Abstract（参考訳）: 半教師付き学習(SSL)は,特に容積的医用画像分割作業におけるラベル付きデータの問題を軽減するために有用であることが証明されている。信頼度の高い擬似ラベルの探索や一貫性の正則化手法の開発に重点を置いた従来のSSL手法とは異なり,2つのデコーダが一貫した予測を生成すると,一貫性のないデコーダ機能が自然に現れることが実証された。そこで本研究では, 擬似ラベルと一貫性正規化設定の両方において, 一貫性への学習における不一致の宝を最初に分析し, 2つのデコーダから得られた特徴レベルの不一致をエンコーダにフィードバック信号として与えて学習する, lefedと呼ばれる新しいssl法を提案する。 LeFeDの中核となる設計は、区別されたデコーダをトレーニングすることで違いを拡大し、一貫性のない情報から反復的に学習することである。我々は3つの公開データセット上の8つの最先端(SOTA)手法に対してLeFeDを評価する。実験によると、LeFeDは、不確実性推定や強い制約など、競争相手を圧倒し、また、半監督された医療画像セグメンテーションのための新しい最先端技術を確立する。コードはtextcolor{cyan}{https://github.com/maxwell0027/lefed}で利用可能である。

関連論文リスト

SemSim: Revisiting Weak-to-Strong Consistency from a Semantic Similarity Perspective for Semi-supervised Medical Image Segmentation [18.223854197580145]
医用画像分割のための半教師付き学習(SSL)は難しいが、非常に実践的な課題である。セムシム(SemSim)という名前のFixMatchに基づく新しいフレームワークを提案する。 SemSimは3つの公開セグメンテーションベンチマークで最先端の手法よりも一貫した改善をもたらすことを示す。
論文参考訳（メタデータ） (2024-10-17T12:31:37Z)
DuEDL: Dual-Branch Evidential Deep Learning for Scribble-Supervised Medical Image Segmentation [2.708515419272247]
我々はDuEDL(Dual-Branch Evi-dential Deep Learning)と呼ばれる新しいフレームワークを提案する。提案手法は, 精度を犠牲にすることなく, モデルの信頼性と一般化能力を大幅に向上させる。
論文参考訳（メタデータ） (2024-05-23T11:23:57Z)
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)
Dual-Decoder Consistency via Pseudo-Labels Guided Data Augmentation for Semi-Supervised Medical Image Segmentation [13.707121013895929]
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。
論文参考訳（メタデータ） (2023-08-31T09:13:34Z)
Improving Multiple Sclerosis Lesion Segmentation Across Clinical Sites: A Federated Learning Approach with Noise-Resilient Training [75.40980802817349]
深層学習モデルは、自動的にMS病変を分節する約束を示しているが、正確な注釈付きデータの不足は、この分野の進歩を妨げている。我々は,MS病変の不均衡分布とファジィ境界を考慮したDecoupled Hard Label Correction(DHLC)戦略を導入する。また,集約型中央モデルを利用したCELC(Centrally Enhanced Label Correction)戦略も導入した。
論文参考訳（メタデータ） (2023-08-31T00:36:10Z)
Semi-supervised Pathological Image Segmentation via Cross Distillation of Multiple Attentions [19.236045479697797]
我々は,CDMA(Cross Distillation of Multiple Attentions)に基づく新しい半教師付き学習(SSL)手法を提案する。提案したCDMAは,公開DigestPathデータセット上の8つの最先端SSL手法と比較した。
論文参考訳（メタデータ） (2023-05-30T08:23:07Z)
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)
Medical Instrument Segmentation in 3D US by Hybrid Constrained Semi-Supervised Learning [62.13520959168732]
3DUSにおける楽器セグメンテーションのための半教師付き学習フレームワークを提案する。 SSL学習を実現するため、Dual-UNetが提案されている。提案手法は,Diceの約68.6%-69.1%,推定時間約1秒を実現している。
論文参考訳（メタデータ） (2021-07-30T07:59:45Z)
Federated Semi-supervised Medical Image Classification via Inter-client Relation Matching [58.26619456972598]
フェデレートラーニング(FL)は、ディープ・ネットワークのトレーニングのために、分散医療機関とのコラボレーションで人気が高まっている。本報告では,実践的かつ困難なFL問題であるtextitFederated Semi-supervised Learning (FSSL)について検討する。本稿では, 従来の整合性正規化機構を改良し, クライアント間関係マッチング方式を提案する。
論文参考訳（メタデータ） (2021-06-16T07:58:00Z)
Semi-supervised Left Atrium Segmentation with Mutual Consistency Training [60.59108570938163]
3次元MR画像からの半教師付き左房分割のための新しいMultual Consistency Network(MC-Net)を提案する。我々のMC-Netは1つのエンコーダと2つのわずかに異なるデコーダから構成されており、2つのデコーダの予測誤差は教師なしの損失として変換される。我々は,公開左心房(la)データベース上でmc-netを評価し,ラベルなしデータを効果的に活用することで印象的な性能向上を実現する。
論文参考訳（メタデータ） (2021-03-04T09:34:32Z)
ESAD: End-to-end Deep Semi-supervised Anomaly Detection [85.81138474858197]
正規データと異常データの間のKL偏差を計測する新たな目的関数を提案する。提案手法は,複数のベンチマークデータセットの最先端性能を著しく上回っている。
論文参考訳（メタデータ） (2020-12-09T08:16:35Z)

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。