Fugu-MT 論文翻訳(概要): High Accuracy and Cost-Saving Active Learning 3D WD-UNet for Airway Segmentation

論文の概要: High Accuracy and Cost-Saving Active Learning 3D WD-UNet for Airway Segmentation

arxiv url: http://arxiv.org/abs/2310.05638v1
Date: Mon, 9 Oct 2023 11:50:52 GMT
ステータス: 処理完了
システム内更新日: 2023-10-12 05:22:22.997772
Title: High Accuracy and Cost-Saving Active Learning 3D WD-UNet for Airway Segmentation
Title（参考訳）: 気道セグメンテーションのための高精度・省コスト能動学習3D-UNet
Authors: Shiyi Wang, Yang Nan, Simon Walsh and Guang Yang
Abstract要約: 本稿では, 医用3次元CTのアノテーション効果を低減するために, 深層能動学習(DeepAL)モデル3D Wasserstein Discriminative UNet(WD-UNet)を提案する。提案したWD-UNetは,半教師付き学習により学習の収束を加速し,教師付き学習モデルの予測指標を満たすか超過する。本モデルは, 医用セグメンテーションのための3次元肺気道CTスキャンを用いて評価し, 問合せ戦略の入力としてパラメータ化されている不確実性測定値を使用することにより, より正確な予測結果が得られることを示した。
参考スコア（独自算出の注目度）: 5.163132660940673
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We propose a novel Deep Active Learning (DeepAL) model-3D Wasserstein Discriminative UNet (WD-UNet) for reducing the annotation effort of medical 3D Computed Tomography (CT) segmentation. The proposed WD-UNet learns in a semi-supervised way and accelerates learning convergence to meet or exceed the prediction metrics of supervised learning models. Our method can be embedded with different Active Learning (AL) strategies and different network structures. The model is evaluated on 3D lung airway CT scans for medical segmentation and show that the use of uncertainty metric, which is parametrized as an input of query strategy, leads to more accurate prediction results than some state-of-the-art Deep Learning (DL) supervised models, e.g.,3DUNet and 3D CEUNet. Compared to the above supervised DL methods, our WD-UNet not only saves the cost of annotation for radiologists but also saves computational resources. WD-UNet uses a limited amount of annotated data (35% of the total) to achieve better predictive metrics with a more efficient deep learning model algorithm.
Abstract（参考訳）: 本稿では, 医用3次元CTのアノテーション効果を低減するために, 深層能動学習(DeepAL)モデル3D Wasserstein Discriminative UNet(WD-UNet)を提案する。提案したWD-UNetは,半教師付き学習により学習の収束を加速し,教師付き学習モデルの予測指標を満たすか超過する。本手法は,異なるアクティブラーニング(al)戦略と異なるネットワーク構造を組み込むことができる。このモデルは,医学的セグメンテーションのための3次元肺気道CTスキャンを用いて評価し,クエリ戦略の入力としてパラメータ化されている不確実性測定値を用いることで,最先端のディープラーニング(DL)管理モデルである3DUNetや3D CEUNetよりも正確な予測結果が得られることを示した。上述のDL法と比較すると,我々のWD-UNetは放射線学者のアノテーションコストを節約するだけでなく,計算資源も節約する。 wd-unetは、より効率的なディープラーニングモデルアルゴリズムでより良い予測メトリクスを達成するために、限られた量の注釈付きデータ(合計の35%)を使用する。

関連論文リスト

Simple 2D Convolutional Neural Network-based Approach for COVID-19 Detection [8.215897530386343]
本研究では,肺CT画像解析におけるディープラーニング技術の利用について検討した。我々は,CTスキャンに適した高度な空間スライス特徴学習(SSFL++)フレームワークを提案する。本研究の目的は,CTスキャン全体のアウト・オブ・ディストリビューション(OOD)データをフィルタリングし,データ冗長性を70%削減して解析に不可欠な空間スライス特徴を選択することである。
論文参考訳（メタデータ） (2024-03-17T14:34:51Z)
Enhancing Weakly Supervised 3D Medical Image Segmentation through Probabilistic-aware Learning [52.249748801637196]
3次元医用画像のセグメンテーションは、疾患の診断と治療計画に重要な意味を持つ課題である。近年の深層学習の進歩は、完全に教師付き医療画像のセグメンテーションを著しく強化している。本稿では,3次元医用画像に特化して設計された,確率的適応型弱教師付き学習パイプラインを提案する。
論文参考訳（メタデータ） (2024-03-05T00:46:53Z)
Querying Easily Flip-flopped Samples for Deep Active Learning [63.62397322172216]
アクティブラーニング(英: Active Learning)は、ラベルのないデータを戦略的に選択してクエリすることで、モデルの性能を向上させることを目的とした機械学習パラダイムである。効果的な選択戦略の1つはモデルの予測の不確実性に基づくもので、サンプルがどの程度情報的であるかの尺度として解釈できる。本稿では,予測されたラベルの不一致の最小確率として,最小不一致距離(LDM)を提案する。
論文参考訳（メタデータ） (2024-01-18T08:12:23Z)
FILP-3D: Enhancing 3D Few-shot Class-incremental Learning with Pre-trained Vision-Language Models [62.663113296987085]
クラス増分学習(class-incremental learning)は、モデルが限られたデータに基づいて漸進的にトレーニングされている場合、破滅的な忘れの問題を軽減することを目的としている。冗長特徴除去器(RFE)と空間ノイズ補償器(SNC)の2つの新しいコンポーネントを紹介する。既存の3次元データセットの不均衡を考慮し、3次元FSCILモデルのより微妙な評価を提供する新しい評価指標を提案する。
論文参考訳（メタデータ） (2023-12-28T14:52:07Z)
Learning 3D Human Pose Estimation from Dozens of Datasets using a Geometry-Aware Autoencoder to Bridge Between Skeleton Formats [80.12253291709673]
本稿では,アフィン結合型オートエンコーダ(ACAE)法を提案する。このアプローチは、28人の人間のポーズデータセットを使って1つのモデルを監督する、極端なマルチデータセット体制にスケールします。
論文参考訳（メタデータ） (2022-12-29T22:22:49Z)
BYOLMed3D: Self-Supervised Representation Learning of Medical Videos using Gradient Accumulation Assisted 3D BYOL Framework [0.0]
教師付き学習アルゴリズムは、堅牢な表現を学習するために、大量のバランスのとれたデータを必要とする。自己教師付き学習アルゴリズムはデータの不均衡に対して堅牢であり、堅牢な表現を学習することができる。我々は、勾配累積法を用いて3D BYOL自己教師モデルを構築し、通常、自己教師アルゴリズムで必要とされるバッチ内の多数のサンプルを扱う。
論文参考訳（メタデータ） (2022-07-31T14:48:06Z)
Self-Supervised Learning for 3D Medical Image Analysis using 3D SimCLR and Monte Carlo Dropout [4.190672342471606]
コントラスト型(SimCLR)法に基づく3次元自己監督手法を提案する。推論フェーズにおいてベイズニューラルネットワークを用いることで、下流タスクの結果をさらに高めることができることを示す。
論文参考訳（メタデータ） (2021-09-29T09:15:41Z)
3-Dimensional Deep Learning with Spatial Erasing for Unsupervised Anomaly Segmentation in Brain MRI [55.97060983868787]
我々は,MRIボリュームと空間消去を組み合わせた空間文脈の増大が,教師なしの異常セグメンテーション性能の向上に繋がるかどうかを検討する。本稿では,2次元変分オートエンコーダ(VAE)と3次元の相違点を比較し,3次元入力消去を提案し,データセットサイズが性能に与える影響を体系的に検討する。入力消去による最高の3D VAEは、平均DICEスコアが31.40%となり、2D VAEは25.76%となった。
論文参考訳（メタデータ） (2021-09-14T09:17:27Z)
Self Context and Shape Prior for Sensorless Freehand 3D Ultrasound Reconstruction [61.62191904755521]
3DフリーハンドUSは、幅広い範囲とフリーフォームスキャンを提供することで、この問題に対処することを約束している。既存のディープラーニングベースの手法は、スキルシーケンスの基本ケースのみに焦点を当てている。複雑なスキルシーケンスを考慮したセンサレスフリーハンドUS再構成手法を提案する。
論文参考訳（メタデータ） (2021-07-31T16:06:50Z)
Diminishing Uncertainty within the Training Pool: Active Learning for Medical Image Segmentation [6.3858225352615285]
医用画像データセットのセグメンテーション作業におけるアクティブラーニングについて検討する。トレーニングデータセットをバイアスする不確実データの頻度の増大、入力画像間の相互情報を正規化として利用すること、およびスタイン変動勾配降下(SVGD)のためのダイスログの類似性(Dice log-likelihood)の適応という3つの新しいアクティブ学習戦略を提案する。その結果、データセット毎に利用可能なデータの22.69 %と48.85 %をそれぞれ使用しながら、完全な精度を達成することで、データ削減の観点での改善が示された。
論文参考訳（メタデータ） (2021-01-07T01:55:48Z)
3D Self-Supervised Methods for Medical Imaging [7.65168530693281]
本稿では,プロキシタスクの形式で,5種類の自己教師型手法の3次元バージョンを提案する。提案手法は,未ラベルの3次元画像からニューラルネットワークの特徴学習を容易にし,専門家のアノテーションに必要なコストを削減することを目的としている。開発したアルゴリズムは、3D Contrastive Predictive Coding, 3D Rotation Prediction, 3D Jigsaw puzzles, Relative 3D patch location, 3D Exemplar Networkである。
論文参考訳（メタデータ） (2020-06-06T09:56:58Z)

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。