論文の概要: Competitive Ensembling Teacher-Student Framework for Semi-Supervised
Left Atrium MRI Segmentation
- arxiv url: http://arxiv.org/abs/2310.13955v1
- Date: Sat, 21 Oct 2023 09:23:34 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-25 04:18:01.298850
- Title: Competitive Ensembling Teacher-Student Framework for Semi-Supervised
Left Atrium MRI Segmentation
- Title(参考訳): 半監督左房MRI分割のための教師学習フレームワークの競争力
- Authors: Yuyan Shi, Yichi Zhang, Shasha Wang
- Abstract要約: 半教師付き学習は、専門家から豊富な注釈を取得する必要性を効果的に軽減するため、医療画像のセグメンテーションが大幅に進歩している。
本稿では,3次元MR画像から左心房分節を半教師する簡易で効率的な競争力のある教員養成フレームワークを提案する。
- 参考スコア(独自算出の注目度): 8.338801567668233
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Semi-supervised learning has greatly advanced medical image segmentation
since it effectively alleviates the need of acquiring abundant annotations from
experts and utilizes unlabeled data which is much easier to acquire. Among
existing perturbed consistency learning methods, mean-teacher model serves as a
standard baseline for semi-supervised medical image segmentation. In this
paper, we present a simple yet efficient competitive ensembling teacher student
framework for semi-supervised for left atrium segmentation from 3D MR images,
in which two student models with different task-level disturbances are
introduced to learn mutually, while a competitive ensembling strategy is
performed to ensemble more reliable information to teacher model. Different
from the one-way transfer between teacher and student models, our framework
facilitates the collaborative learning procedure of different student models
with the guidance of teacher model and motivates different training networks
for a competitive learning and ensembling procedure to achieve better
performance. We evaluate our proposed method on the public Left Atrium (LA)
dataset and it obtains impressive performance gains by exploiting the unlabeled
data effectively and outperforms several existing semi-supervised methods.
- Abstract(参考訳): 半教師付き学習は、専門家から豊富なアノテーションを取得する必要性を効果的に軽減し、取得し易いラベル付きデータを活用するため、医療画像のセグメンテーションが大幅に進歩している。
既存の摂動型一貫性学習手法のうち、平均教師モデルは半教師付き医用画像分割の標準ベースラインとして機能する。
本稿では,3次元mr画像から左心房セグメンテーションの半教師化を行うための,単純かつ効率的で効率的な教師センシング学習フレームワークを提案する。
教師モデルと生徒モデル間の一方向の伝達と異なり,教師モデルの指導により異なる生徒モデルの協調学習手順を促進させ,競争学習とセンシング手順のための異なる学習ネットワークを動機付け,よりよいパフォーマンスを実現する。
提案手法を一般左心房(LA)データセット上で評価し,ラベルのないデータを効果的に活用し,既存の半教師付き手法よりも優れた性能を得る。
関連論文リスト
- SMC-NCA: Semantic-guided Multi-level Contrast for Semi-supervised
Temporal Action Segmentation [57.9100732918114]
本稿では,アクションセグメンテーションのための強力なフレームワイズ表現を抽出するために,近隣環境対応ユニット(SMC-NCA)を用いた新しいマルチレベルコントラスト方式を提案する。
我々のSMCは3つのベンチマークで他の最先端の手法よりも優れており、編集距離と精度の点で最大17.8%と12.6%の改善を提供している。
また,提案手法の有効性をパーキンソン病マウス行動データセットに示す。
論文 参考訳(メタデータ) (2023-12-19T17:26:44Z) - Alternate Diverse Teaching for Semi-supervised Medical Image
Segmentation [64.44345656878646]
そこで我々は,教師-学生の枠組みにおける多様な教育手法であるAD-MTを提案する。
一人の生徒モデルと2つの訓練不可能な教師モデルがあり、それは定期的に、ランダムに、別の方法で、モーメントを更新する。
論文 参考訳(メタデータ) (2023-11-29T02:44:54Z) - Multi-Scale Cross Contrastive Learning for Semi-Supervised Medical Image
Segmentation [14.536384387956527]
医用画像の構造を分割するマルチスケールクロススーパービジョンコントラスト学習フレームワークを開発した。
提案手法は,頑健な特徴表現を抽出するために,地上構造と横断予測ラベルに基づくマルチスケール特徴と対比する。
Diceでは最先端の半教師あり手法を3.0%以上上回っている。
論文 参考訳(メタデータ) (2023-06-25T16:55:32Z) - Enhanced Multimodal Representation Learning with Cross-modal KD [14.14709952127258]
本稿では,クロスモーダル知識蒸留(KD)によるマルチモーダル表現学習の強化のために,訓練時にのみ利用できる補助的モダリティの活用について検討する。
広く採用されている相互情報に基づく目的は、弱教師のショートカットソリューション、すなわち、教師モデルを学生モデルと同じくらい弱くすることで、最大限の相互情報を達成することにつながる。
このような弱解を避けるため、教師と補助モダリティモデルの間の相互情報という追加目的語を導入する。
論文 参考訳(メタデータ) (2023-06-13T09:35:37Z) - Distantly-Supervised Named Entity Recognition with Adaptive Teacher
Learning and Fine-grained Student Ensemble [56.705249154629264]
NERモデルの堅牢性を改善するために,自己学習型教員学生フレームワークを提案する。
本稿では,2つの教員ネットワークからなる適応型教員学習を提案する。
微粒な学生アンサンブルは、教師モデルの各フラグメントを、生徒の対応するフラグメントの時間移動平均で更新し、各モデルフラグメントのノイズに対する一貫した予測を強化する。
論文 参考訳(メタデータ) (2022-12-13T12:14:09Z) - Dual-Task Mutual Learning for Semi-Supervised Medical Image Segmentation [12.940103904327655]
半監督医療画像分割のための新しいデュアルタスク相互学習フレームワークを提案する。
我々のフレームワークは、2つのタスクに基づく2つの個別セグメンテーションネットワークの統合として定式化できる。
対象のセグメンテーション確率マップと符号付き距離マップを共同で学習することで,幾何学的形状制約を強制し,より信頼性の高い情報を得ることができる。
論文 参考訳(メタデータ) (2021-03-08T12:38:23Z) - 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) - Dual-Teacher: Integrating Intra-domain and Inter-domain Teachers for
Annotation-efficient Cardiac Segmentation [65.81546955181781]
本稿では,新しい半教師付きドメイン適応手法,すなわちDual-Teacherを提案する。
学生モデルは、2つの教師モデルによってラベル付けされていない対象データとラベル付けされた情報源データの知識を学習する。
提案手法では, ラベルなしデータとモダリティ間データとを並列に利用でき, 性能が向上することを示した。
論文 参考訳(メタデータ) (2020-07-13T10:00:44Z) - Unpaired Multi-modal Segmentation via Knowledge Distillation [77.39798870702174]
本稿では,不対向画像分割のための新しい学習手法を提案する。
提案手法では,CTおよびMRI間での畳み込みカーネルの共有により,ネットワークパラメータを多用する。
我々は2つの多クラスセグメンテーション問題に対するアプローチを広範囲に検証した。
論文 参考訳(メタデータ) (2020-01-06T20:03:17Z)
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。