論文の概要: Cross-head mutual Mean-Teaching for semi-supervised medical image segmentation

• arxiv url: http://arxiv.org/abs/2310.05082v1
• Date: Sun, 8 Oct 2023 09:13:04 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-12 12:47:12.919480
• Title: Cross-head mutual Mean-Teaching for semi-supervised medical image segmentation
• Title（参考訳）: 半教師型医用画像分割のための頭部相互学習
• Authors: Wei Li, Ruifeng Bian, Wenyi Zhao, Huihua Yang
• Abstract要約: これらの問題に対処するために,新しいtextbfCross-head textbfmutual textbfmean-textbfteaching Network (CMMT-Net) を提案する。 提案手法は3つの公開データセット上で既存のSSMIS法より一貫して優れている。
• 参考スコア（独自算出の注目度）: 6.398684629190774
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Semi-supervised medical image segmentation (SSMIS) has witnessed substantial advancements by leveraging limited labeled data and abundant unlabeled data. Nevertheless, existing state-of-the-art methods encounter challenges in accurately predicting labels for the unlabeled data, resulting in disruptive noise during training and susceptibility to erroneous information overfitting. Additionally, applying perturbations to inaccurate predictions further reduces consistent learning. To address these concerns, a novel \textbf{C}ross-head \textbf{m}utual \textbf{m}ean-\textbf{t}eaching Network (CMMT-Net) is proposed to address these issues. The CMMT-Net comprises teacher-student networks and incorporates strong-weak data augmentation within a shared encoder, facilitating cross-head co-training by capitalizing on both self-training and consistent learning. The consistent learning is enhanced by averaging teacher networks and mutual virtual adversarial training, leading to deterministic and higher-quality predictions. The diversity of consistency training samples can be enhanced through the use of Cross-Set CutMix, which also helps mitigate issues related to distribution mismatch. Notably, CMMT-Net simultaneously implements data-level, feature-level, and network-level perturbations, boosting model diversity and generalization performance. The proposed method consistently outperforms existing SSMIS methods on three publicly available datasets across various semi-supervised settings. Code and logs will be available at \url{https://github.com/Leesoon1984/CMMT-Net}.
• Abstract（参考訳）: semi-supervised medical image segmentation (ssmis) は限定されたラベル付きデータと豊富なラベル付きデータを活用することで、かなりの進歩を遂げている。 それにもかかわらず、既存の最先端の手法はラベルのないデータのラベルを正確に予測することの難しさに直面する。 さらに、不正確な予測に摂動を適用することで、一貫した学習をさらに減らす。 これらの問題に対処するために、新しい \textbf{C}ross-head \textbf{m}utual \textbf{m}ean-\textbf{t}eaching Network (CMMT-Net) を提案する。 CMMT-Netは教師学生ネットワークで構成され、共有エンコーダに強弱データ拡張を組み込んで、自己学習と一貫した学習の両方に資金を投入することで、クロスヘッドのコトレーニングを容易にする。 この一貫した学習は、教師ネットワークの平均化と相互仮想対人訓練によって強化され、決定論的かつ高品質な予測につながる。 一貫性トレーニングサンプルの多様性は、Cross-Set CutMixを使用することで向上することができる。 特に、CMMT-Netはデータレベル、機能レベル、ネットワークレベルの摂動を同時に実装し、モデルの多様性と一般化性能を高める。 提案手法は, 既存のSSMIS手法を, 各種半教師付き設定の3つの公開データセット上で一貫して上回っている。 コードとログは \url{https://github.com/Leesoon1984/CMMT-Net} で入手できる。

関連論文リスト

• Leveraging Unlabeled Data for 3D Medical Image Segmentation through Self-Supervised Contrastive Learning [3.7395287262521717]
  現在の3次元半教師付きセグメンテーション法は、文脈情報の限定的考慮のような重要な課題に直面している。 両者の相違を探索し、活用するために設計された2つの個別のワークを導入し、最終的に誤った予測結果を修正した。 我々は、信頼できない予測と信頼できない予測を区別するために、自己教師付きコントラスト学習パラダイムを採用している。
  論文  参考訳（メタデータ） (2023-11-21T14:03:16Z)
• JointMatch: A Unified Approach for Diverse and Collaborative Pseudo-Labeling to Semi-Supervised Text Classification [65.268245109828]
  半教師付きテキスト分類(SSTC)は、ラベルのないデータを活用する能力によって注目を集めている。 擬似ラベルに基づく既存のアプローチは、擬似ラベルバイアスと誤り蓄積の問題に悩まされる。 我々は、最近の半教師付き学習からアイデアを統一することでこれらの課題に対処する、SSTCの総合的なアプローチであるJointMatchを提案する。
  論文  参考訳（メタデータ） (2023-10-23T05:43:35Z)
• Exploring the Boundaries of Semi-Supervised Facial Expression Recognition using In-Distribution, Out-of-Distribution, and Unconstrained Data [23.4909421082857]
  表情認識(FER)における最新の半教師あり手法11について検討する。 本研究は,非流通,アウト・オブ・ディストリビューション,制約のない,非常に小さなデータからの半教師付き学習を対象とする。 ラベル付きサンプルの数が等しいため、半教師付き学習は教師付き学習よりも大幅に改善される。
  論文  参考訳（メタデータ） (2023-06-02T01:40:08Z)
• Co-training with High-Confidence Pseudo Labels for Semi-supervised Medical Image Segmentation [27.833321555267116]
  高信頼度擬似ラベルを用いた半教師付きセマンティックセマンティックセグメンテーションのための不確実性誘導協調平均教師(UCMT)を提案する。 UCMTは, モデル不一致を奨励し, サブネットワーク間の協調訓練を行うコラボレーティブ平均教師 (CMT) と, CMTの不確実性マップに従って入力画像を操作するための不確実性誘導領域混合 (UMIX) と, CMTによる高信頼な擬似ラベルの作成を容易にすることからなる。
  論文  参考訳（メタデータ） (2023-01-11T13:48:37Z)
• Interpolation-based Correlation Reduction Network for Semi-Supervised Graph Learning [49.94816548023729]
  補間型相関低減ネットワーク(ICRN)と呼ばれる新しいグラフコントラスト学習手法を提案する。 提案手法では,決定境界のマージンを大きくすることで,潜在特徴の識別能力を向上させる。 この2つの設定を組み合わせることで、豊富なラベル付きノードと稀に価値あるラベル付きノードから豊富な監視情報を抽出し、離散表現学習を行う。
  論文  参考訳（メタデータ） (2022-06-06T14:26:34Z)
• Adversarial Dual-Student with Differentiable Spatial Warping for Semi-Supervised Semantic Segmentation [70.2166826794421]
  本研究では、教師なしデータ拡張を行うために、微分可能な幾何ワープを提案する。 また,平均教師数を改善するために,新しい対角的二重学習フレームワークを提案する。 我々のソリューションは、両方のデータセットで得られるパフォーマンスと最先端の結果を大幅に改善します。
  論文  参考訳（メタデータ） (2022-03-05T17:36:17Z)
• Semi-supervised Domain Adaptive Structure Learning [72.01544419893628]
  半教師付きドメイン適応 (SSDA) は,1) アノテーションの低いデータに過度に適合する手法と,2) ドメイン間の分散シフトの両方を克服しなければならない課題である。 SSLとDAの協調を正規化するための適応型構造学習手法を提案する。
  論文  参考訳（メタデータ） (2021-12-12T06:11:16Z)
• 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)
• A Transductive Multi-Head Model for Cross-Domain Few-Shot Learning [72.30054522048553]
  本稿では,クロスドメインなFew-Shot学習問題に対処するため,TMHFS(Transductive Multi-Head Few-Shot Learning)を提案する。 提案手法は, 4つの異なる対象領域において, 強いベースライン, 微調整を著しく上回っている。
  論文  参考訳（メタデータ） (2020-06-08T02:39:59Z)

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。