論文の概要: Towards Generic Semi-Supervised Framework for Volumetric Medical Image Segmentation

• arxiv url: http://arxiv.org/abs/2310.11320v1
• Date: Tue, 17 Oct 2023 14:58:18 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-18 15:32:56.535100
• Title: Towards Generic Semi-Supervised Framework for Volumetric Medical Image Segmentation
• Title（参考訳）: 容積医用画像分割のための汎用半教師付き枠組みの提案
• Authors: Haonan Wang, Xiaomeng Li
• Abstract要約: UDAやSemiDGといった設定を扱う汎用SSLフレームワークを開発した。 提案するフレームワークを,SSL,クラス不均衡SSL,UDA,セミDGの4つのベンチマークデータセット上で評価した。 その結果,4つの設定にまたがる最先端の手法と比較して,顕著な改善が見られた。
• 参考スコア（独自算出の注目度）: 19.09640071505051
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Volume-wise labeling in 3D medical images is a time-consuming task that requires expertise. As a result, there is growing interest in using semi-supervised learning (SSL) techniques to train models with limited labeled data. However, the challenges and practical applications extend beyond SSL to settings such as unsupervised domain adaptation (UDA) and semi-supervised domain generalization (SemiDG). This work aims to develop a generic SSL framework that can handle all three settings. We identify two main obstacles to achieving this goal in the existing SSL framework: 1) the weakness of capturing distribution-invariant features; and 2) the tendency for unlabeled data to be overwhelmed by labeled data, leading to over-fitting to the labeled data during training. To address these issues, we propose an Aggregating & Decoupling framework. The aggregating part consists of a Diffusion encoder that constructs a common knowledge set by extracting distribution-invariant features from aggregated information from multiple distributions/domains. The decoupling part consists of three decoders that decouple the training process with labeled and unlabeled data, thus avoiding over-fitting to labeled data, specific domains and classes. We evaluate our proposed framework on four benchmark datasets for SSL, Class-imbalanced SSL, UDA and SemiDG. The results showcase notable improvements compared to state-of-the-art methods across all four settings, indicating the potential of our framework to tackle more challenging SSL scenarios. Code and models are available at: https://github.com/xmed-lab/GenericSSL.
• Abstract（参考訳）: 3次元医用画像のボリュームワイド表示は専門知識を必要とする時間を要する作業である。 その結果、ラベル付きデータに制限のあるモデルをトレーニングするために、半教師付き学習(SSL)技術を使うことへの関心が高まっている。 しかし、課題と実践的応用はSSLを超えて、unsupervised domain adaptation (UDA) や semi-supervised domain generalization (SemiDG) といった設定にまで拡張されている。 この作業は,3つの設定をすべて処理可能な汎用SSLフレームワークの開発を目標としている。 既存のSSLフレームワークでこの目標を達成するための2つの障害を特定します。 1) 分布不変の特徴を捉えた弱点,及び 2)ラベルなしのデータがラベル付きデータに圧倒される傾向があり、トレーニング中にラベル付きデータに過剰フィッティングを生じさせる。 これらの問題に対処するため、我々はAggregating & Decouplingフレームワークを提案する。 集約部は、複数の分散/ドメインから集約された情報から分布不変の特徴を抽出して共通知識セットを構築する拡散エンコーダからなる。 分離部は3つのデコーダからなり、ラベル付きデータとラベルなしデータとを分離し、ラベル付きデータ、特定のドメイン、クラスへの過度な適合を避ける。 提案するフレームワークを,SSL,クラス不均衡SSL,UDA,セミDGの4つのベンチマークデータセット上で評価した。 その結果、4つの設定すべてで最先端のメソッドと比較して顕著な改善が見られ、より困難なSSLシナリオに取り組むためのフレームワークの可能性を示している。 コードとモデルはhttps://github.com/xmed-lab/genericsslで利用可能である。

関連論文リスト

• DyConfidMatch: Dynamic Thresholding and Re-sampling for 3D Semi-supervised Learning [4.259908158892314]
  半教師付き学習(SSL)はラベル付きで豊富なラベル付きデータを活用するが、データ不均衡の課題に直面することが多い。 本研究では,3次元SSLにおける学習状況の指標としてのクラスレベルの信頼度について検討し,動的しきい値を用いた新しい手法を提案する。 また、適切に表現されたクラスに対するバイアスを緩和し、同値なクラス表現を確保するために再サンプリング戦略も導入されている。
  論文  参考訳（メタデータ） (2024-11-13T05:09:28Z)
• A Closer Look at Benchmarking Self-Supervised Pre-training with Image Classification [51.35500308126506]
  自己教師付き学習(SSL)は、データ自体が監視を提供する機械学習アプローチであり、外部ラベルの必要性を排除している。 SSLの分類に基づく評価プロトコルがどのように相関し、異なるデータセットのダウンストリーム性能を予測するかを検討する。
  論文  参考訳（メタデータ） (2024-07-16T23:17:36Z)
• Semi-Supervised Learning in the Few-Shot Zero-Shot Scenario [14.916971861796384]
  Semi-Supervised Learning (SSL)は、ラベル付きデータとラベルなしデータの両方を利用して、モデルのパフォーマンスを向上させるフレームワークである。 既存のSSLメソッドを拡張し、特定のクラスが欠落している状況に対処するための一般的なアプローチを提案する。 実験の結果,最先端のSSL,オープンセットのSSL,オープンワールドのSSLメソッドと比較して,精度が大幅に向上した。
  論文  参考訳（メタデータ） (2023-08-27T14:25:07Z)
• Universal Semi-Supervised Learning for Medical Image Classification [21.781201758182135]
  セミ教師付き学習(SSL)は、適切なラベル付きトレーニングデータを収集するコストを削減できるため、多くの注目を集めている。 従来のSSLは、ラベル付きデータとラベルなしデータが同じディストリビューションのものであるべきだという仮定に基づいて構築されている。 本研究では,未表示のラベル付きデータを利用した半教師付き医療画像分類のための統一的なフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-04-08T16:12:36Z)
• A Survey on Self-supervised Learning: Algorithms, Applications, and Future Trends [82.64268080902742]
  自己教師付き学習(SSL)は、ラベル付きラベルを頼らずにラベル付きデータから識別的特徴を学習することを目的としている。 SSLは最近大きな注目を集め、多くの関連するアルゴリズムの開発に繋がった。 本稿では,アルゴリズム的側面,アプリケーション領域,3つの重要なトレンド,オープンな研究課題を含む,多様なSSL手法のレビューを行う。
  論文  参考訳（メタデータ） (2023-01-13T14:41:05Z)
• OpenLDN: Learning to Discover Novel Classes for Open-World Semi-Supervised Learning [110.40285771431687]
  半教師付き学習(SSL)は、教師付き学習のアノテーションボトルネックに対処する主要なアプローチの1つである。 最近のSSLメソッドは、ラベルなしデータの大規模なリポジトリを有効活用して、ラベル付きデータの小さなセットに依存しながら、パフォーマンスを向上させることができる。 この研究は、ペアワイズ類似度損失を利用して新しいクラスを発見するOpenLDNを導入している。
  論文  参考訳（メタデータ） (2022-07-05T18:51:05Z)
• Open-Set Semi-Supervised Learning for 3D Point Cloud Understanding [62.17020485045456]
  半教師付き学習(SSL)では、ラベル付きデータと同じ分布からラベル付きデータが引き出されることが一般的である。 サンプル重み付けによりラベルなしデータを選択的に活用することを提案する。
  論文  参考訳（メタデータ） (2022-05-02T16:09:17Z)
• DATA: Domain-Aware and Task-Aware Pre-training [94.62676913928831]
  我々は、自己教師付き学習(SSL)に特化した、シンプルで効果的なNASアプローチであるDataを提示する。 提案手法は,画像分類,オブジェクト検出,セマンティックセグメンテーションなど,下流タスクにおける計算コストの広い範囲にわたる有望な結果を実現する。
  論文  参考訳（メタデータ） (2022-03-17T02:38:49Z)
• 3N-GAN: Semi-Supervised Classification of X-Ray Images with a 3-Player Adversarial Framework [0.0]
  医用画像の半教師付き分類を行うために,3N-GAN (3 Network Generative Adversarial Networks) を提案する。 予備的な結果は、様々なアルゴリズムによる分類性能とGAN世代の改善を示している。
  論文  参考訳（メタデータ） (2021-09-22T23:18:59Z)
• Density-Aware Graph for Deep Semi-Supervised Visual Recognition [102.9484812869054]
  半教師付き学習(SSL)は、視覚認識のためのディープニューラルネットワークの一般化能力を改善するために広く研究されている。 本稿では,周辺情報を容易に活用できる新しい密度対応グラフを構築することでSSL問題を解決することを提案する。
  論文  参考訳（メタデータ） (2020-03-30T02:52:40Z)

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。